人工智能算法图解 人工智能需要具备哪些知识

人工智能算法图解

链接：pan.baidu.com/s/1FkSrfaql2I7VpyCr9Q6Vaw?pwd=6eti 

提取码：6eti

今天，人工智能在我们的生活中随处可见。它能推送我们喜欢的电视节目，帮助我们诊断疑难杂症，还能向我们推荐商品。因此，让我们掌握人工智能的核心算法，拥抱日新月异的智能世界吧。

与那些充斥着公式和术语的教材不同，本书利用丰富的图表、案例和习题，深入浅出地讲解人工智能的基本概念。你只需要具备高中数学基础知识，即可轻松阅读本书。读完本书之后，你将能亲手设计算法来预测银行交易风险，创造艺术作品甚至配置自动驾驶汽车。

主要内容

●各种人工智能算法的实践场景

●帮助决策的智能搜索算法

●受生物学启发的算法簇

●机器学习与神经网络

●强化学习与Q-learning

从儿时起，Rishal就着迷于计算机技术并有疯狂的想法。在整个职业生涯中，他领导过团队，负责过项目，动手编写过工程软件，做过战略规划，且曾为各种国际企业设计端到端解决方案。他在公司、社区和行业内积极发展实用主义文化，帮助团队学习并掌握更多知识与技能。

Rishal对设计思维、人工智能与哲学充满热情，擅长综合考虑业务机制与战略，他的团队不断壮大。Rishal开发了多种数字产品，成功帮助大量团队与企业提高生产效率，使其能专注于更重要的事情。他还曾在数十次全球会议上发表演讲，致力于使复杂的概念变得更易于理解，帮助人们提升自我。

★★★★★直击要害，价值非凡。

———Kendalls.

人工智能让生活变得多姿多彩，“人工智能”一词的含义宽泛，被蒙上几分“神秘色彩”，引发了我这个门外汉强烈的探知欲。

此书讲解清晰，用语生动，将一系列复杂的人工智能技术讲得清晰明了。作者和编辑的工作十分出色，为广大读者奉献了-本价值非凡的作品。如果你也对人工智能感兴趣，建议你与我共读此书!

★★★★★优秀书籍，令我爱不释手。

———Duane

我已经在IT行业摸爬滚打了十多年:很遗憾，我并非数学天才，对AI和ML之类需要深厚数学功底的学科心存畏惧。此书犹如一根蜡烛，光亮瞬间驱散了-片黑暗;此书用浅显易懂的文字讲明了深刻的道理，使我这样的笨鸟也能起飞，理解了人工智能的实际工作原理。我极力推荐这本书!

★★★★★必备指南，将复杂的技术讲得简单易懂。

———MelssaPistorius

很多数据科学书籍和博客中堆砌了大量的数学公式，晦涩难懂;如果你未能从宏观上了解算法，你将备感沮丧和迷茫。此书并未罗列过多数学符号和公式，而是高屋建瓴，指导你弄清人工智能的来龙去脉。如果你想在程序中实现算法，书中的一些伪代码可起到指导作用。

此书示例和插图丰富，语言流畅，读来令人愉悦。无论你是对人工智能算法感兴趣的初学者，还是资深专家，都将在学习此书的过程中获益。

★★★★★一本很棒的书，点燃了我参与人工智能的热情。

———Tyler

阅读此书的过程是一次畅快淋漓的学习经历。每章都包含富有价值的信息，有条理地呈现重要的知识点，在示例的引导下抽丝剥茧般阐释核心概念。我迫不及待地想要实现章节中的一些算法。

“在我见过的所有与人工智能相关的书籍中，此书是最值得推荐；它不仅能帮你掌握人工智能算法，还能让你明白为什么要使用这一算法，以及如何让算法获得更好的表现。

———LindaRistevski,约克公立中学教育委员会

“此书覆盖了多个领域的计算机科学知识，其广度令人难以置信，它能为一线程序员提供一条清晰、完整的通往智能的道路。

———DavidJacobs,高级产品经理

“我读过的更容易理解的人工智能算法教材。”

———KaranNih,软件解决方案专家

“此书让我们不再害怕了解人工智能的运行机制。”

———KylePeterson,爱荷华大学体育系

目录

第1章人工智能初印象1

1.1什么是人工智能？1

1.1.1定义AI2

1.1.2理解数据是智能算法的核心3

1.1.3把算法看作“菜谱”4

1.2人工智能简史6

1.3问题类型与问题解决范式7

1.4人工智能概念的直观印象9

1.5人工智能算法的用途13

1.5.1农业：植物种植优化13

1.5.2银行业：欺诈检测14

1.5.3网络安全：攻击检测与处理14

1.5.4医疗：智能诊断14

1.5.5物流：路径规划与优化15

1.5.6通信：网络优化16

1.5.7游戏：主体创造16

1.5.8艺术：创造杰出作品17

1.6本章小结17

第2章搜索算法基础21

2.1什么是规划与搜索？21

2.2计算成本：需要智能算法的原因23

2.3适合用搜索算法的问题24

2.4表示状态：创建一个表示问题空间与解的框架26

2.4.1图：表示搜索问题与解28

2.4.2用具体的数据结构表示图28

2.4.3树：表示搜索结果的具体结构29

2.5无知搜索：盲目地找寻解31

2.6广度优先搜索：先看广度，再看深度33

2.7深度优先搜索：先看深度，再看广度39

2.8盲目搜索算法的用例45

2.9可选：关于图的类别46

2.10可选：其他表示图的方法47

2.10.1关联矩阵47

2.10.2邻接表48

2.11本章小结48

第3章智能搜索51

3.1定义启发式方法：设计有根据的猜测51

3.2知情搜索：在指导下寻求解决方案54

3.2.1A*搜索54

3.2.2知情搜索算法的用例61

3.3对抗性搜索：在不断变化的环境中寻找解决方案62

3.3.1一个简单的对抗性问题62

3.3.2最小-最大搜索：模拟行动并选择最好的未来63

3.3.3启发式64

3.3.4阿尔法-贝塔剪枝：仅探索合理的路径72

3.3.5对抗搜索算法的典型案例75

3.4本章小结75

第4章进化算法77

4.1什么是进化？77

4.2适合用进化算法的问题80

4.3遗传算法的生命周期84

4.4对解空间进行编码86

4.5创建解决方案种群89

4.6衡量种群中个体的适应度91

4.7根据适应度得分筛选亲本93

4.8由亲本繁殖个体96

4.8.1单点交叉：从每个亲本继承一部分97

4.8.2两点交叉：从每个亲本继承多个部分98

4.8.3均匀交叉：从每个亲本继承多个部分98

4.8.4二进制编码的位串突变100

4.8.5二进制编码的翻转位突变101

4.9繁衍下一代101

4.9.1探索与挖掘102

4.9.2停止条件102

4.10遗传算法的参数配置104

4.11进化算法的用例105

4.12本章小结105

第5章进化算法(高级篇)107

5.1进化算法的生命周期107

5.2其他筛选策略109

5.2.1排序筛选法：均分赛场109

5.2.2联赛筛选法：分组对抗110

5.2.3精英筛选法：只选最好的111

5.3实值编码：处理真实数值111

5.3.1实值编码的核心概念112

5.3.2算术交叉：数学化繁殖113

5.3.3边界突变113

5.3.4算术突变114

5.4顺序编码：处理序列114

5.4.1适应度函数的重要性116

5.4.2顺序编码的核心概念116

5.4.3顺序突变：适用于顺序编码116

5.5树编码：处理层次结构117

5.5.1树编码的核心概念118

5.5.2树交叉：继承树的分支119

5.5.3节点突变：更改节点的值120

5.6常见进化算法120

5.6.1遗传编程120

5.6.2进化编程121

5.7进化算法术语表121

5.8进化算法的其他用例121

5.9本章小结122

第6章群体智能：蚁群优化125

6.1什么是群体智能？125

6.2适合用蚁群优化算法的问题127

6.3状态表达：如何表达蚂蚁和路径？130

6.4蚁群优化算法的生命周期134

6.4.1初始化信息素印迹135

6.4.2建立蚂蚁种群136

6.4.3为蚂蚁选择下一个访问项目138

6.4.4更新信息素印迹145

6.4.5更新最佳解决方案149

6.4.6确定终止条件150

6.5蚁群优化算法的用例152

6.6本章小结153

第7章群体智能：粒子群优化155

7.1什么是粒子群优化？155

7.2优化问题：略偏技术性的观点157

7.3适合用粒子群优化算法的问题160

7.4状态表达：粒子是什么样的？162

7.5粒子群优化的生命周期163

7.5.1初始化粒子群164

7.5.2计算粒子的适应度166

7.5.3更新粒子的位置169

7.5.4确定终止条件180

7.6粒子群优化算法的用例181

7.7本章小结183

第8章机器学习185

8.1什么是机器学习？185

8.2适合用机器学习的问题187

8.2.1监督学习188

8.2.2非监督学习188

8.2.3强化学习188

8.3机器学习的工作流程188

8.3.1收集和理解数据：掌握数据背景189

8.3.2准备数据：清洗和整理191

8.3.3训练模型：用线性回归预测196

8.3.4测试模型：验证模型精度205

8.3.5提高准确性208

8.4分类问题：决策树210

8.4.1分类问题：非此即彼210

8.4.2决策树的基础知识211

8.4.3训练决策树213

8.4.4用决策树对实例进行分类223

8.5其他常见的机器学习算法226

8.6机器学习算法的用例227

8.7本章小结228

第9章人工神经网络231

9.1什么是人工神经网络？231

9.2感知器：表征神经元234

9.3定义人工神经网络237

9.4前向传播：使用训练好的人工神经网络243

9.5反向传播：训练人工神经网络250

9.6激活函数一览259

9.7设计人工神经网络260

9.8人工神经网络的类型和用例263

9.8.1卷积神经网络263

9.8.2递归神经网络264

9.8.3生成对抗网络264

9.9本章小结266

第10章基于Q-learning的强化学习269

10.1什么是强化学习？269

10.2适合用强化学习的问题272

10.3强化学习的生命周期273

10.3.1模拟与数据：环境重现274

10.3.2使用Q-learning模拟训练278

10.3.3模拟并测试Q表287

10.3.4衡量训练的性能287

10.3.5无模型和基于模型的学习288

10.4强化学习的深度学习方法289

10.5强化学习的用例289

10.5.1机器人技术290

10.5.2推荐引擎290

10.5.3金融贸易290

10.5.4电子游戏291

10.6本章小结291

查看全部↓