中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
數據認知手冊 在數據科學、人工智能等領域使用啟發式方法提升創造力 版權信息
- ISBN：9787111739425
- 條形碼：9787111739425 ; 978-7-111-73942-5
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
數據認知手冊 在數據科學、人工智能等領域使用啟發式方法提升創造力 本書特色
1. 內容經典。引進的國外經典數據管理圖書，原書作者為國際知名的數據治理專家。
2. 譯者權威。本書主要譯者為DAMA China主席胡本立和《DAMA-DMBOK數據管理知識體系指南》主譯者馬歡老師，在業內有相當的知名度。其他翻譯組成員包含了西部數據、中國軟件評測中心、上海市海促會等產學研機構的知名數據管理專家。
數據認知手冊 在數據科學、人工智能等領域使用啟發式方法提升創造力 內容簡介
本書聚焦“啟發式方法”這個主題，分5個部分進行介紹。第1部分概述了各種類型的啟發式方法；第2部分側重于面向數據的啟發式方法及其在數據科學問題中的應用；第3部分詮釋了面向很優化的啟發式方法，以及它們如何解決具有挑戰性的很優化問題；第4部分是講解如何設計和實施新的啟發式方法，以解決特定問題的相關內容；第5部分介紹了關于啟發式方法的其他主題，如透明度和局限性等。
本書適合從事和計劃從事數據科學領域相關工作的讀者閱讀。
數據認知手冊 在數據科學、人工智能等領域使用啟發式方法提升創造力 目錄
推薦序
譯者序
前言
第1部分 關于啟發式方法
第1章 創造性解決問題
1.1 解決問題
1.2 解決問題過程中的創造力
1.3 人工智能與創造力
1.4 腳踏實地的創造力
1.5 小結
第2章 什么是啟發式方法
2.1 啟發式方法概述
2.2 啟發式度量指標
2.3 啟發式算法
2.4 重要注意事項
2.5 小結
第3章 啟發式與元啟發式方法
3.1 元啟發式方法概述
3.2 何時使用元啟發式方法
3.3 適合元啟發式方法的問題
3.4 重要注意事項
3.5 小結
第4章 特定的指標和方法
4.1 為什么啟發式方法不可或缺
4.2 如何踐行啟發式方法
4.3 何時使用特定指標
4.4 何時使用特定的方法
4.5 小結
第2部分 面向數據的啟發式方法
第5章 EDA基本啟發式方法
5.1 EDA的啟發式方法概述
5.2 EDA中的基本啟發式方法
5.2.1 基于范圍的相關啟發式方法
5.2.2 二元相關啟發式方法
5.2.3 你自己的啟發式方法
5.3 如何在 EDA 中有效利用這些啟發式方法
5.4 重要注意事項
5.5 小結
第6章 EDA高級啟發式方法
6.1 為什么需要EDA高級啟發式方法
6.2 EDA中特定的高級啟發式方法
6.2.1 可辨識指數
6.2.2 密度分析
6.2.3 其他高級啟發式
6.3 如何在 EDA 中有效地利用啟發式方法
6.4 重要注意事項
6.5 小結
第7章 模型相關的啟發式方法
7.1 模型相關的啟發式方法概述
7.2 特定模型相關啟發式方法
7.2.1 F分數啟發式
7.2.2 曲線下面積啟發式
7.2.3 基于范圍的相關啟發式
7.2.4 置信指數啟發式
7.2.5 其他模型啟發式
7.3 如何有效利用這些啟發式方法
7.4 重要注意事項
7.5 小結
第8章 其他啟發式方法
8.1 其他啟發式方法概述
8.2 熵和反熵啟發式方法
8.2.1 熵
8.2.2 反熵
8.2.3 在與數據相關的問題中是否使用熵或反熵
8.3 與距離相關的啟發式方法
8.3.1 距離啟發式方法
8.3.2 相似性啟發式方法
8.3.3 與置信度指數的關系
8.4 重要注意事項
8.5 小結
第3部分 面向*優化的啟發式
第9章 人工智能與機器學習*優化
9.1 *優化理論概述
9.2 *優化用例
9.3 *優化算法的關鍵組成部分
9.4 *優化在人工智能和機器學習中的作用
9.5 重要注意事項
9.6 小結
第10章 *優化中的啟發式方法
10.1 一般優化中的啟發式方法
10.2 使用啟發式的特定優化算法
10.2.1 基于群體的算法
10.2.2 遺傳算法
10.2.3 模擬退火算法和變體
10.2.4 其他
10.3 粒子群優化和啟發式
10.3.1 概述
10.3.2 PSO算法的偽代碼
10.3.3 啟發式方法的應用
10.4 重要注意事項
10.5 小結
第11章 復雜的*優化系統
11.1 復雜優化器概述
11.2 遺傳算法家族優化器
11.2.1 遺傳算法的關鍵概念
11.2.2 香草味遺傳算法及其局限性
11.2.3 精英主義變體（Elitism Variant）
11.2.4 縮放比例修改（Scaling Hack）
11.2.5 約束調整（Constraints Tweak）
11.2.6 其他變體
11.3 應用于遺傳算法的啟發式方法
11.4 重要注意事項
11.5 小結
第12章 *優化集成
12.1 *優化集成概述
12.2 *優化系統的結構
12.3 啟發式方法在*優化集成中的作用
12.4 重要注意事項
12.5 小結
第4部分 設計和實施新的啟發式方法
第13章 啟發式方法的目標和功能
13.1 啟發式方法的目標和功能概述
13.2 定義啟發式方法的目標
13.3 確定啟發式方法的功能
13.4 優化啟發式方法的目標和功能
13.5 重要注意事項
13.6 小結
第14章 度量啟發式的參數、輸出和可用性
14.1 度量啟發式的參數、輸出和可用性概述
14.2 定義度量啟發式的參數和輸出
14.3 確定度量啟發式的可用性和范圍
14.4 優化度量啟發式的可用性
14.5 重要注意事項
14.6 小結
第15章 方法啟發式的參數、輸出和可用性
15.1 方法啟發式的參數、輸出和可用性概述
15.2 定義方法啟發式的參數和輸出
15.3 確定方法啟發式的可用性和應用范圍
15.4 優化方法啟發式的可用性
15.5 重要注意事項
15.6 小結
第16章 開發和優化啟發式方法
16.1 開發新啟發式方法的過程概述
16.2 定義新啟發式方法的目標和功能
16.2.1 概述
16.2.2 一種衡量變量多樣性的啟發式方法
16.2.3 一種衡量數據點獨特性的啟發式方法
16.2.4 價值問題
16.2.5 你的立身之地
16.3 定義新啟發式方法的參數、輸出和可用性
16.3.1 多樣性啟發式的參數、輸出和可用性
16.3.2 獨特性指數啟發式的參數、輸出和可用性
16.3.3 兩種啟發式方法的應用范圍
16.4 重要注意事項
16.5 小結
第5部分 啟發式方法補充主題
第17章 啟發式方法的局限性
17.1 啟發式方法常見局限性概述
17.2 泛化能力局限
17.3 精度限制
17.4 為什么存在這些限制及權衡
17.5 重要注意事項
17.6 小結
第18章 啟發式方法的潛力
18.1 啟發式方法的潛力概述
18.2 啟發式方法在EDA中的潛力
18.3 啟發式*優化的潛力
18.4 啟發式輔助過程的潛力
18.5 啟發式模型構建的潛力
18.6 小結
第19章 啟發式和透明度
19.1 透明度在數據科學和AI中的價值
19.2 啟發式方法如何幫助提高透明度
19.3 構建更加透明的數據科學框架
19.4 重要注意事項
19.5 小結
第20章 *后的想法
20.1 啟發式方法及其價值
20.2 啟發式來了，創造力是否有盡頭
20.3 用啟發式方法開發自己的創造力
20.4 重要注意事項
20.5 在啟發式的旅程中，路在何方
術語
附錄
附錄A啟發式的關鍵組成部分
附錄B在計算機上安裝和使用
譯者序
前言
第1部分 關于啟發式方法
第1章 創造性解決問題
1.1 解決問題
1.2 解決問題過程中的創造力
1.3 人工智能與創造力
1.4 腳踏實地的創造力
1.5 小結
第2章 什么是啟發式方法
2.1 啟發式方法概述
2.2 啟發式度量指標
2.3 啟發式算法
2.4 重要注意事項
2.5 小結
第3章 啟發式與元啟發式方法
3.1 元啟發式方法概述
3.2 何時使用元啟發式方法
3.3 適合元啟發式方法的問題
3.4 重要注意事項
3.5 小結
第4章 特定的指標和方法
4.1 為什么啟發式方法不可或缺
4.2 如何踐行啟發式方法
4.3 何時使用特定指標
4.4 何時使用特定的方法
4.5 小結
第2部分 面向數據的啟發式方法
第5章 EDA基本啟發式方法
5.1 EDA的啟發式方法概述
5.2 EDA中的基本啟發式方法
5.2.1 基于范圍的相關啟發式方法
5.2.2 二元相關啟發式方法
5.2.3 你自己的啟發式方法
5.3 如何在 EDA 中有效利用這些啟發式方法
5.4 重要注意事項
5.5 小結
第6章 EDA高級啟發式方法
6.1 為什么需要EDA高級啟發式方法
6.2 EDA中特定的高級啟發式方法
6.2.1 可辨識指數
6.2.2 密度分析
6.2.3 其他高級啟發式
6.3 如何在 EDA 中有效地利用啟發式方法
6.4 重要注意事項
6.5 小結
第7章 模型相關的啟發式方法
7.1 模型相關的啟發式方法概述
7.2 特定模型相關啟發式方法
7.2.1 F分數啟發式
7.2.2 曲線下面積啟發式
7.2.3 基于范圍的相關啟發式
7.2.4 置信指數啟發式
7.2.5 其他模型啟發式
7.3 如何有效利用這些啟發式方法
7.4 重要注意事項
7.5 小結
第8章 其他啟發式方法
8.1 其他啟發式方法概述
8.2 熵和反熵啟發式方法
8.2.1 熵
8.2.2 反熵
8.2.3 在與數據相關的問題中是否使用熵或反熵
8.3 與距離相關的啟發式方法
8.3.1 距離啟發式方法
8.3.2 相似性啟發式方法
8.3.3 與置信度指數的關系
8.4 重要注意事項
8.5 小結
第3部分 面向*優化的啟發式
第9章 人工智能與機器學習*優化
9.1 *優化理論概述
9.2 *優化用例
9.3 *優化算法的關鍵組成部分
9.4 *優化在人工智能和機器學習中的作用
9.5 重要注意事項
9.6 小結
第10章 *優化中的啟發式方法
10.1 一般優化中的啟發式方法
10.2 使用啟發式的特定優化算法
10.2.1 基于群體的算法
10.2.2 遺傳算法
10.2.3 模擬退火算法和變體
10.2.4 其他
10.3 粒子群優化和啟發式
10.3.1 概述
10.3.2 PSO算法的偽代碼
10.3.3 啟發式方法的應用
10.4 重要注意事項
10.5 小結
第11章 復雜的*優化系統
11.1 復雜優化器概述
11.2 遺傳算法家族優化器
11.2.1 遺傳算法的關鍵概念
11.2.2 香草味遺傳算法及其局限性
11.2.3 精英主義變體（Elitism Variant）
11.2.4 縮放比例修改（Scaling Hack）
11.2.5 約束調整（Constraints Tweak）
11.2.6 其他變體
11.3 應用于遺傳算法的啟發式方法
11.4 重要注意事項
11.5 小結
第12章 *優化集成
12.1 *優化集成概述
12.2 *優化系統的結構
12.3 啟發式方法在*優化集成中的作用
12.4 重要注意事項
12.5 小結
第4部分 設計和實施新的啟發式方法
第13章 啟發式方法的目標和功能
13.1 啟發式方法的目標和功能概述
13.2 定義啟發式方法的目標
13.3 確定啟發式方法的功能
13.4 優化啟發式方法的目標和功能
13.5 重要注意事項
13.6 小結
第14章 度量啟發式的參數、輸出和可用性
14.1 度量啟發式的參數、輸出和可用性概述
14.2 定義度量啟發式的參數和輸出
14.3 確定度量啟發式的可用性和范圍
14.4 優化度量啟發式的可用性
14.5 重要注意事項
14.6 小結
第15章 方法啟發式的參數、輸出和可用性
15.1 方法啟發式的參數、輸出和可用性概述
15.2 定義方法啟發式的參數和輸出
15.3 確定方法啟發式的可用性和應用范圍
15.4 優化方法啟發式的可用性
15.5 重要注意事項
15.6 小結
第16章 開發和優化啟發式方法
16.1 開發新啟發式方法的過程概述
16.2 定義新啟發式方法的目標和功能
16.2.1 概述
16.2.2 一種衡量變量多樣性的啟發式方法
16.2.3 一種衡量數據點獨特性的啟發式方法
16.2.4 價值問題
16.2.5 你的立身之地
16.3 定義新啟發式方法的參數、輸出和可用性
16.3.1 多樣性啟發式的參數、輸出和可用性
16.3.2 獨特性指數啟發式的參數、輸出和可用性
16.3.3 兩種啟發式方法的應用范圍
16.4 重要注意事項
16.5 小結
第5部分 啟發式方法補充主題
第17章 啟發式方法的局限性
17.1 啟發式方法常見局限性概述
17.2 泛化能力局限
17.3 精度限制
17.4 為什么存在這些限制及權衡
17.5 重要注意事項
17.6 小結
第18章 啟發式方法的潛力
18.1 啟發式方法的潛力概述
18.2 啟發式方法在EDA中的潛力
18.3 啟發式*優化的潛力
18.4 啟發式輔助過程的潛力
18.5 啟發式模型構建的潛力
18.6 小結
第19章 啟發式和透明度
19.1 透明度在數據科學和AI中的價值
19.2 啟發式方法如何幫助提高透明度
19.3 構建更加透明的數據科學框架
19.4 重要注意事項
19.5 小結
第20章 *后的想法
20.1 啟發式方法及其價值
20.2 啟發式來了，創造力是否有盡頭
20.3 用啟發式方法開發自己的創造力
20.4 重要注意事項
20.5 在啟發式的旅程中，路在何方
術語
附錄
附錄A啟發式的關鍵組成部分
附錄B在計算機上安裝和使用
展開全部
數據認知手冊 在數據科學、人工智能等領域使用啟發式方法提升創造力 作者簡介
撒迦利亞·沃加里斯博士出生于希臘雅典。他在克里特島技術大學學習生產工程和管理，通過信息系統與技術碩士學位后轉向計算機科學專業，然后通過機器學習獲得博士學位后轉向數據科學。他曾在佐治亞理工學院擔任研究員，在塞浦路斯的一家電子營銷初創公司擔任SEO經理，并在Elavon（GA）和G2 Web Services（WA）擔任數據科學家。他還曾擔任微軟的項目經理，負責必應的數據分析管道。目前在GLG（美國格理集團）擔任顧問。
本書翻譯組成員介紹
組長
胡本立 DAMA China主席
馬歡 《DAMA-DMBOK數據管理知識體系指南》《首席數據官管理手冊》等書主譯者
朱楨 上海鄧白氏商業信息咨詢有限公司營銷產品線負責人
朱晨君 西部數據交易中心市場部負責人撒迦利亞·沃加里斯博士出生于希臘雅典。他在克里特島技術大學學習生產工程和管理，通過信息系統與技術碩士學位后轉向計算機科學專業，然后通過機器學習獲得博士學位后轉向數據科學。他曾在佐治亞理工學院擔任研究員，在塞浦路斯的一家電子營銷初創公司擔任SEO經理，并在Elavon（GA）和G2 Web Services（WA）擔任數據科學家。他還曾擔任微軟的項目經理，負責必應的數據分析管道。目前在GLG（美國格理集團）擔任顧問。
1. 胡本立，國際數據管理協會中國分會(DAMA China)創始人及現任主席，全球數據要素50人委員會主席。曾任世界銀行首席技術官、國際數據管理協會副主席。擁有物理學學士以及計算機科學碩士學位，并在哈佛商學院完成企業高級主管關于戰略、變革管理、金融和財務的培訓。
2. 馬歡，全球數據要素50人論壇專家，本科畢業于同濟大學，后獲得上海交通大學工學碩士學位。從開發工程師做起，擔任過系統分析師、系統架構師、項目經理等角色。具有20多年的信息系統開發設計經驗，曾經兩次獲得部級科技發展獎項。主持翻譯了《DAMA-DMBOK數據管理知識體系指南》系列等專業書籍，作為骨干編委參與編寫《國際數據之都:上海城市數字化轉型市民手冊》，此外還翻譯了《首席數據官管理手冊:建立并運行組織的數據供應鏈》《DataOps實踐手冊:敏捷精益的數據運營》《區塊鏈重構規則》《數據與現實》《星型模型》等多本譯著。2011年首次把數據管理專業認證CDMP引入中國，并獲得CDMP大師級認證，主理的“DAMA數據管理”是國內最活躍的專業社區之一。
本書翻譯組成員介紹
組長
胡本立 DAMA China主席
組員（按姓氏筆畫排序）
馬歡 《DAMA-DMBOK數據管理知識體系指南》《首席數據官管理手冊》等書主譯者
朱楨 上海鄧白氏商業信息咨詢有限公司營銷產品線負責人
朱晨君 西部數據交易中心市場部負責人
劉誠燃 上海熵衍信息技術有限公司創始人
劉俊 上海藥明生物技術有限公司數字化主任
李天池 中國軟件評測中心高級咨詢顧問
李德金 山東省大數據中心大數據工程師
張順 天津智慧城市研究院咨詢總監
郭媛 海促會浦江學術委員會學術委員
賴志明 北京青麥科技有限公司數據架構師
書友推薦
- >
隨園食單
- >
煙與鏡
- >
月亮虎
- >
回憶愛瑪儂
- >
伯納黛特,你要去哪(2021新版)
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
羅曼·羅蘭讀書隨筆-精裝
- >
龍榆生：詞曲概論/大家小書
本類暢銷
