深入浅出AI算法:基础概览

1星价 ¥62.3 (7.0折)

2星价￥62.3 定价￥89.0

作者：吕磊

出版社：电子工业出版社

本类榜单：计算机/网络

分类：计算机/网络 > 人工智能

暂无评论

图文详情

ISBN：9787121415517
装帧：一般胶版纸
册数：暂无
重量：暂无
开本：其他
页数：244
出版时间：2021-07-01
条形码：9787121415517 ; 978-7-121-41551-7

本书特色

√ 本书深入浅出话AI，将看似高深莫测的AI技术抽丝剥茧、化繁为简，娓娓道来。 √ 本书从理论到实践，循序渐进地介绍了人工智能算法的基础知识。 √ 本书每章的末尾提炼出了该章的核心关键词，方便读者查询回顾。 √ 归纳和总结出AI基础学习路径，让感兴趣的“门外汉”学习人工智能是什么、做什么及怎么做。

内容简介

本书从理论到实践，循序渐进地介绍人工智能算法的基础知识，帮助读者敲开人工智能算法之门。本书共有8 章，分别为算法入门、算法之内力、算法之招式、算法之武功秘籍、算法工程的组成部分、算法工程实战、进阶学习、思考与展望。本书主要讲解算法的历史背景与基本概念、与算法相关的数学基础知识、信息学算法与数据结构的概念与知识点、业界常用的几类机器学习算法模型；本书还会介绍算法工程比较完整的组成部分，以及一个典型的算法工程项目，手把手带领读者体验算法的魅力；此外，本书会介绍人工智能算法的三大研究方向，帮读者迈向进阶学习之路。本书适合从事人工智能应用实践的科研人员和工程技术人员阅读，也适合高等院校计算机科学与技术、人工智能、大数据等相关专业的本科生和研究生阅读。

目录
第1章算法入门 / 1
1．1 打开算法之门 / 2
1．1．1 算法简史 / 2
1．1．2 算法与人工智能 / 5
1．1．3 什么是数据分析 / 6
1．1．4 什么是数据挖掘 / 6
1．1．5 什么是机器学习 / 7
1．2 如何学习算法 / 8
1．3 本书结构 / 9
关键词回顾 / 10

第2章算法之内力 / 11
2．1 线性代数 / 12
2．1．1 名词解释 / 13
2．1．2 向量和矩阵 / 13
2．2 排列组合 / 19
2．3 高等数学 / 20
2．3．1 导数 / 20
2．3．2 梯度 / 23
2．4 概率与统计 / 23
2．4．1 名词解释 / 23
2．4．2 概率分布 / 26
2．5 *优化原理 / 33
2．6 动脑时刻 / 34
2．7 本章小结 / 35
关键词回顾 / 36

第3章算法之招式 / 37
3．1 数据结构 / 38
3．1．1 数组与链表 / 38
3．1．2 队列和栈 / 40
3．1．3 树 / 41
3．1．4 图 / 43
3．1．5 散列表 / 45
3．2 基础算法 / 46
3．2．1 排序 / 47
3．2．2 递归与分治 / 55
3．2．3 贪婪算法和动态规划 / 57
3．2．4 搜索 / 60
3．2．5 *短路径 / 61
3．2．6 *小生成树 / 65
3．2．7 树状数组 / 67
3．2．8 线段树 / 69
3．2．9 平衡二叉树 / 72
3．2．10 并查集 / 75
3．2．11 匈牙利算法 / 78
3．3 在线评测系统 / 80
3．3．1 LeetCode / 81
3．3．2 POJ与ZOJ / 82
3．3．3 Tsinsen / 82
3．4 动脑时刻 / 83
3．5 本章小结 / 83
关键词回顾 / 84

第4章算法之武功秘籍 / 85
4．1 类别划分 / 86
4．1．1 按是否有监督信号划分 / 86
4．1．2 按学习目标划分 / 89
4．2 线性回归模型与逻辑回归模型 / 90
4．2．1 线性回归模型 / 90
4．2．2 逻辑回归模型 / 92
4．3 人工神经网络 / 95
4．3．1 初识人工神经网络 / 95
4．3．2 深度神经网络 / 97
4．3．3 卷积神经网络 / 99
4．3．4 递归神经网络 / 102
4．3．5 图神经网络 / 104
4．4 决策树 / 106
4．4．1 概念与方法 / 106
4．4．2 剪枝 / 109
4．4．3 梯度提升决策树 / 110
4．4．4 随机森林 / 112
4．5 聚类 / 113
4．5．1 距离度量 / 114
4．5．2 划分聚类 / 115
4．5．3 层次聚类 / 116
4．5．4 密度聚类 / 117
4．5．5 模型聚类 / 119

4．6 贝叶斯分类 / 121
4．6．1 概率基础 / 121
4．6．2 朴素贝叶斯分类 / 124
4．7 支持向量机 / 125
4．8 动脑时刻 / 128
4．9 本章小结 / 129
关键词回顾 / 129

第5章算法工程的组成部分 / 133
5．1 数据分析 / 134
5．1．1 宏观把握数据 / 134
5．1．2 微观感受数据 / 137
5．1．3 分析方法 / 139
5．2 特征工程 / 141
5．2．1 数据预处理 / 141
5．2．2 特征分类 / 142
5．2．3 工程技巧 / 142
5．3 建模与调参 / 149
5．3．1 建模 / 150
5．3．2 调参 / 150
5．4 效果评估 / 151
5．4．1 数据集划分 / 151
5．4．2 评估指标 / 152
5．4．3 直观理解AUC / 155
5．5 模型托管 / 159
5．6 动脑时刻 / 160
5．7 本章小结 / 160
关键词回顾 / 161

第6章算法工程实战 / 163
6．1 环境准备 / 164
6．1．1 设备配置 / 164
6．1．2 环境搭建 / 165
6．1．3 开发工具 / 167
6．1．4 基础调试 / 168
6．2 开源算法库 / 170
6．2．1 scikit-learn / 171
6．2．2 TensorFlow / 172
6．3 算法实践 / 174
6．3．1 线性回归模型 / 174
6．3．2 神经网络模型 / 179
6．4 工程实战 / 182
6．4．1 数据准备 / 182
6．4．2 数据分析 / 184
6．4．3 特征工程 / 188
6．4．4 模型训练 / 189
6．4．5 模型的保存与载入 / 190
6．5 算法竞赛介绍 / 191
6．5．1 Kaggle / 191
6．5．2 KDD Cup / 191
6．6 动脑时刻 / 192
6．7 本章小结 / 192
关键词回顾 / 193

第7章进阶学习 / 195
7．1 深度学习 / 196
7．1．1 起源 / 196
7．1．2 难点与方法 / 197
7．1．3 经典模型：AlexNet / 201
7．2 强化学习 / 203
7．2．1 起源 / 203
7．2．2 流派与分类 / 204
7．2．3 经典案例：AlphaGo / 206
7．3 迁移学习 / 213
7．3．1 简介 / 213
7．3．2 方法与研究方向 / 214
7．3．3 经典模型：TrAdaBoost / 215
7．4 动脑时刻 / 216
7．5 本章小结 / 217
关键词回顾 / 217

第8章思考与展望 / 219
8．1 思考 / 220
8．1．1 人工智能感悟 / 220
8．1．2 万物数据化 / 221
8．2 展望 / 224
8．2．1 人工智能*终能做什么 / 224
8．2．2 人类*终能做什么 / 224
8．3 本章小结 / 225

展开全部

节选

在《三国演义》中，诸葛亮在调兵遣将时经常说：关羽听令，给你三千精兵，从左路包抄曹军；张飞听令，给你五千精兵，从右路包抄曹军。由此可知，诸葛亮在用兵打仗之前，必然已经掌握了己方有多少将领、精兵、残兵、粮草、战场地势等情报。再如成语“量体裁衣”，是说按照身材尺寸裁剪出合适的衣服，用于比喻做事要从实际出发，因地制宜。算法工程也是同样的道理。在算法工程中，能做到知己知彼、“量体裁衣”的关键步骤，非数据分析莫属。无论是数据挖掘、机器学习相关的算法比赛，还是工业界的推荐、排序等场景中的算法应用，如果没有足够的数据分析结论作为支撑，那么能够取得的结果通常都不甚理想。为什么数据分析对机器学习算法结果的影响如此之深？有哪些实用的数据分析方法，这些方法在算法工程中又是如何起作用的呢？ 5.1.1 宏观把握数据拿到数据，切勿着急生搬硬套模型，先统计各类指标或特征的数量，把握数据大局。这个数量包括但不限于样本数据集的总数量、不同类别样本的数量、各类特征或指标的数量、缺失值的数量及特征值的分布等。宏观把握数据是数据分析的基础，也是容易被忽视的一点，它能帮助我们避免一些基本问题。例如，在后续工作开展之前，先搞清楚所定算法目标是否合理，可以帮助我们少走弯路、不走死路，从而提高算法工程的实施效率。举个例子，在不考虑分布式训练的情况下，如果需要知道算法模型从训练任务启动到完成需要花费多长时间，则可以用训练样本的总数量除以batch size①，再乘每批次训练花费的时间，就能估算出一个epoch①花费的总时间，*后乘epoch的数量，即可得出算法模型的总体训练时间。如果在训练之前没有统计样本的总数量，那么模型训练何时结束，就只能对着屏幕默默等待了。一份拥有512条数据、特征维度为1000的数据集，假设batch size为128，一个epoch包含4个batch，epoch和batch之间的关系如图5-1所示。除此之外，如果发现验证集或测试集中正、负例样本的一方过少，如只有1个正例样本的极端情况，则可以提前终止无意义的训练过程，因为针对极端比例下的类别样本数据集，无论是模型训练，还是模型评估，都会完全失效。事先统计各类别样本的数量，能提前发现样本不均衡的问题，尤其在类别样本比例差别较大时，一方面能帮助划分训练集、验证集和测试集的大小，另一方面可以对样本进行重采样或降低采样比例。样本不均衡问题会在5.2.3节的特征工程技巧中进一步讲解。在一个动物分类数据集中，针对不同动物类别的数量统计结果如图5-2所示。对于数据字段的缺失问题（为空值或非法值），事先统计有助于掌握特征字段、标签字段等关键字段的缺失程度。如果缺失字段占比较低（通常1%以下可以忽略不计），那么可以直接丢弃；如果缺失字段占比较高，那么可能是源头数据出问题了，可以检查源头数据的收集过程是否存在问题，避免在训练过程中再出现问题，从而提高算法工程的整体效率。总之，在动手开始搭建算法模型前，对样本数据集先有一个宏观把控，可以帮助我们对算法目标有一个更清晰、具体的认识，从而做到少走弯路、有的放矢。 5.1.2 微观感受数据作为一门复杂学问，在机器学习算法工程中，无论采用什么模型，都不可能得到百分之百精确的结果。训练再好的回归模型，也不可能将预测值与真实值之间的预测误差降为0；即使分类效果再好的分类模型，也不可能保证每次的分类结果一定是正确的。在机器学习算法工程中，我们的工作是尽可能地逼近目标和真相。除了继续调参①优化模型，在数据层面，一方面，可以通过宏观把握数据提前发现问题；另一方面，可以微观感受数据，抽样观察单个样本数据的行为表现并思考其合理性，对算法工程的开展也大有帮助。例如，在包含用户行为序列的场景中，抽样观察具体的用户行为序列，设身处地地理解和感受用户行为特征，对用户行为序列的建模大有裨益。以电商场景为例，要真正理解用户数据，就必须对用户数据进行充分的观察。总体而言，抽样观察用户数据的方式主要有以下两种。 **，抽样观察用户个体维度的行为数据，换位思考，设身处地观察具体的用户行为序列，可以帮助我们更好地理解业务。行为数据是指用户在时间维度上的连续动作，如页面曝光、键盘输入、页面点击、鼠标滑动、触屏等行为。图5-3所示为一段完整的用户网上购物行为序列。笔者自从事电商行业相关算法工作以来，多次发现靠直觉得来的关于用户行为的观点，与用户的实际行为表现并不相符。例如，直觉上认为用户应该先单击商品A，然后单击商品B，由于运营规则、前端规则或用户偏见等原因，用户的实际行为表现可能会恰恰相反。第二，抽样观察用户个体维度的统计指标，可以帮助我们更好地进行业务建模。并不是所有业务场景都适合使用复杂模型，有时基于规则的方法在某些业务场景中更容易出效果。笔者曾经跟进过一个保险返利①项目，项目目标是挖掘参与保险购买活动的作弊用户，从而减少因不正当手段获取返利带来的损失，净化拉新②指标。在项目前期，我们直接使用人工标记的作弊订单作为样本标签，基于逻辑回归训练了一个作弊分类器。但是，该作弊分类器在真实数据集上的分类效果很差。后来，我们根据对保险业务的重新理解，统计相关总体指标，提炼出几条满足非正常用户的规则，并且通过规则筛选出了一批作弊订单，然后在验证阶段通过电话逐一回访，发现大部分用户填写的手机号是无法拨通的空号，因此确认这些订单均为作弊订单。在这个反作弊场景中，基于规则的算法不仅简单易实现，作弊订单命中率非常高，而且具备极强的模型可解释性，只需根据当前作弊订单所命中的作弊规则，给出相应的规则描述。这便是微观感受数据带来的价值。 ① 在算法模型训练过程中，尝试选择不同的模型参数，从而达到*优预测结果，详见5.3.2节。 ① 在体验指定保险产品后返还红包或实物奖品。 ② 营销活动用词，是指拉动与发展新用户。 ① 每一批次同时输入算法模型中训练的样本量。 ① 模型训练的迭代单位，通常一个epoch表示遍历一遍数据集中的所有样本。