大數據時代的算法:機器學習、人工智能及其典型實例 大数据时代的算法:机器学习、人工智能及其典型实例

<內容簡介>

 
本書介紹在因特網行業中經常涉及的算法，包括排序算法、查找算法、資源分配算法、路徑分析算法、相似度分析算法，以及與機器學習相關的算法，包括數據分類算法、聚類算法、預測與估算算法、決策算法、關聯規則分析算法及推薦算法。本書涉及的相關算法均為解決實際問題中的主流算法，對於工作和學習都有實際參考意義。本書是一本算法領域內的技術參考書籍，涵蓋數十種算法，通過由淺入深的介紹基礎算法和機器學習算法相關理論和應用，闡述了各個算法的應用場景及算法複雜度，使讀者對算法的理解不只是停留在錶面，還從應用的角度提供了大量實例，使讀者能夠快速、高效進階各類算法，並能夠熟練應用到將來的工作實踐中。

<章節目錄>
 

第1章算法基礎1
1.1基礎算法分析類型1
1.1.1分治法1
1.1.2動態規劃法2
1.1.3回溯法3
1.1.4分支限界法4
1.1.5貪心法4
1.2算法性能分析5
1.3概率論與數理統計基礎6
1.4距離計算8
1.4.1歐氏距離8
1.4.2馬氏距離9
1.4.3曼哈頓距離9
1.4.4切比雪夫距離9
1.4.5閔氏距離9
1.4.6海明距離10
1.5排序算法10
1.5.1快速排序11
1.5.2歸併排序11
1.5.3堆排序13
1.5.4基數排序15
1.5.5外排序16
1.6字符壓縮編碼17
1.6.1哈夫曼編碼17
1.6.2香農-範諾編碼21
1.7本章小結24

第2章數據查找與資源分配算法25
2.1數值查找算法25
2.1.1二分搜索算法25
2.1.2分塊查找27
2.1.3哈希查找28
2.2字符串查找算法30
2.2.1 Knuth-Morris-Pratt算法31
2.2.2 Boyer-Moore算法34
2.2.3 Sunday算法37
2.3海量數據中的查找39
2.3.1基於布隆過濾器查找39
2.3.2倒排索引查找41
2.4銀行家算法43
2.5背包問題45
2.5.1 0-1背包問題45
2.5.2部分背包問題47
2.6本章小結47

第3章路徑分析算法49
3.1基於Dijkstra算法的路徑分析49
3.1 .1應用示例：極地探險49
3.1.2基於Dijkstra的最短路徑規劃50
3.2基於Floyd算法的路徑分析53
3.2.1應用示例：任意兩個城市之間的最短路徑53
3.2.2 Floyd原理54
3.2. 3基於Floyd算法計算兩個城市最短距離56
3.3基於A*算法的路徑搜索58
3.3.1應用實例：繞過障礙區到達目的地58
3.3.2 A*算法與最短距離計算59
3.4基於維特比算法的概率路徑61
3.4.1應用實例：推斷天氣狀態61
3.4.2維特比算法思想62
3.4.3計算天氣狀態62
3.5最長公共子序列問題64
3.5.1概要64
3.5.2最長公共子串64
3.5.3最長公共子序列原理66
3.5.4實例：求兩字符串的最長公共子序列66
3.6本章小結68

 
第4章相似度分析算法69
4.1應用實例：海量網頁相似度分析69
4.2基於Jaccard相似係數的相似度計算70
4.2.1計算流程70
4.2.2狹義Jaccard相似係數71
4.2.3廣義Jaccard相似係數71
4.3基於MinHash的相似性算法71
4.3.1與Jaccard相似性關係71
4.3. 2計算網頁文本相似性過程72
4.4向量空間模型73
4.4.1詞袋模型73
4.4.2 TF-IDF算法74
4.5基於餘弦相似性算法的相似度分析76
4.5.1原理基礎76
4.5.2公式解析77
4.5.3計算網頁文本相似性過程77
4.6基於語義主題模型的相似度算法78
4.7基於SimHash算法的指紋碼80
4.7.1 SimHash引入81
4.7.2 SimHash的計算流程81
4.7.3計算重複信息83
4.8相似度算法的差異性84
4.9本章小結85

第5章數據分類算法86
5.1基於樸素貝葉斯分類器86
5.1.1有監督分類與無監督分類87
5.1.2應用實例：識別車釐子與櫻桃88
5.1.3分類流程歸納91
5.1.4應用擴展：垃圾郵件識別92
5.1.5常用評價指標96
5.2基於AdaBoost分類器100
5.2.1 AdaBoost概述100
5.2.2 AdaBoost算法具體流程101
5.2.3 AdaBoost算法的應用實例102
5.2.4 AdaBoost算法的優點105
5.3基於支持向量機的分類器105
5.3.1線性可分與線性不可分106
5.3.2感知器107
5.3.3支持向量機108
5.4基於K鄰近算法的分類器109
5.4.1應用實例：電影觀眾興趣發現109
5.4.2核心思想109
5.4.3電影觀眾興趣發現110
5.5本章小結113

第6章數據聚類算法115
6.1採用系統聚類法115
6.1. 1概述116
6.1.2最短距離法117
6.1.3重心聚類法119
6.1.4動態聚類法120
6.2基於K-Means聚類算法122
6.2.1應用實例：新聞聚類122
6.2.2邏輯流程123
6.2.3實現新聞聚類分析124
6.2.4 K-Means++ 128
6.2.5 K-中心點聚類算法129
6.2.6 ISODATA聚類算法130
6.3基於密度的DBSCAN算法131
6.4基於BIRCH算法的聚類分析133
6.4.1聚類特徵133
6.4.2聚類特徵樹134
6.5聚類與分類差異135
6.6本章小結136

第7章數據預測與估算算法137
7.1產生式模型與判別式模型137
7.2基於最大似然估計的預測138
7.3基於線性回歸的估算140
7.3.1概要140
7.3.2最小二乘法141
7.4基於最大期望算法分析143
7.5基於隱馬爾科夫模型預測144
7.5.1應用實例：高溫天氣與行為概率144
7.5.2原理分析145
7.5.3高溫天氣與行為概率147
7.6基於條件隨機場的序列預測151
7.6.1應用實例151
7.6.2原理分析151
7.6.3條件隨機場的優缺點153
7.7本章小結154

第8章數據決策分析算法155
8.1基於ID3算法的決策分析156
8.1.1信息量156
8.1.2信息熵156
8.1.3信息增益157
8.1.4 ID3算法流程157
8.1.5 ID3算法的應用157
8.2基於C4.5算法的分類決策樹159
8.2.1概要159
8.2.1應用實例159
8.3基於分類回歸樹的決策劃分161
8.3.1概要162
8.3.2應用實例：決策劃分163
8.3.2剪枝164
8.4基於隨機森林的決策分類168
8.4.1隨機森林的特點169
8.4.2隨機森林的構造方法169
8.4.3應用實例：決定車釐子的售價層次170
8.5本章小結172

第9章數據關聯規則分析算法174
9.1基於Apriori算法的關聯項分析174
9.1.1應用實例：超市的貨架擺放問題175
9.1.2基本概要175
9.1.3算法原理176
9.1.4有效擺放貨架176
9.2基於FP -Growth算法的關聯性分析179
9.2.1構建FP樹179
9.2.2頻繁項分析181
9.2.3與Apripri算法比較184
9.3基於Eclat算法的頻繁項集挖掘184
9.4本章小結185

第10章數據與推薦算法187
10.1概要187
10.1.1推薦算法發展188
10.1.2協同過濾推薦189
10.2基於Item-Based協同過濾推薦190
10.2.1 Item-Based基本思想190
10.2.2 Slope One實例：基於評分推薦190
10.3基於User-Based協同過濾推薦193
10.3.1應用實例：根據人群的推薦194
10.3.2 User-Based與Item-Based對比197
10.4基於潛在因子算法的推薦198
10.4.1應用實例：新聞推薦198
10.4.2流行度與推薦200
10.5推薦算法與效果評價201
10.6本章小結203