模型思維：簡化世界的人工智能模型

對從事人工智能算法研究與算法開發的人來說，模型的學習與使用必不可少。尤其是在目前如日中天的人工智能領域里，人人談模型，模型也是層出不窮，讓人眼花繚亂。本書將人工智能在現實生活場景中解決的問題分類，並根據這個分類來介紹各種人工智能模型。書中將人工智能問題分為權重問題、狀態問題、序列問題、表示問題、相似問題和分類問題六大類，方便讀者瞭解各個模型之間的關系，也方便讀者理解各個模型的適用場景。本書不僅適合希望學習和運用人工智能模型到具體應用場景的企業工程師、科研院所的學生和科研人員，也適合對人工智能模型感興趣的讀者，使其將模型思維應用到生活中。

龔才春
畢業於中國科學院計算技術研究所，工學博士學位；教授，博士生導師；長期從事人工智能與人力資源等領域的研究。
中關村科金技術人工智能研究院院長，職品匯創始人，大街網原首席科學家，阿里巴巴原搜索研發專家。
在大數據挖掘方面有許多成功經驗，創辦了大數據虛假簡歷識別平台職品匯；在自然語言處理，尤其是語義理解、知識圖譜等方面有深刻理解，中文幽默識別是其一個有特色的研究工作；曾負責淘寶評論的情感分析等工作。

第1篇模型為什麼這麼神奇
第1章為什麼要建立模型
1.1什麼是模型
1.2無處不在的模型
1.3模型的意義
1.4模型都是對的嗎
1.5什麼模型是好模型
1.6模型的演化
1.7正確看待模型的價值與缺陷
1.8本書的特點
1.9本書主要內容

第2章模型的運用
2.1用知識圖譜表示問題
2.2問題分析的示例
2.3權重問題的判斷
2.4狀態問題的判斷
2.5序列問題的判斷
2.6表示問題的判斷
2.7相似問題的判斷
2.8分類問題的判斷
2.9模型之間的關係

第2篇權重模型：計算你的分量
第3章TF-IDF模型
3.1應用場景
3.2詞頻率—逆文檔頻率模型的計算
3.3詞權重模型的平滑
3.4引申閱讀
3.5本章總結

第4章線性回歸模型
4.1應用場景
4.2直觀理解回歸問題
4.3一元線性回歸問題
4.4多元線性回歸問題
4.5標準方程法
4.6梯度下降法
4.7梯度下降法與標準方程法的區別
4.8引申閱讀
4.9本章總結

第5章PageRank模型
5.1應用場景
5.2 PageRank的直觀算法
5.3直觀算法的漏洞修復
5.4 PageRank模型的計算
5.5引申閱讀
5.6本章總結

第3篇狀態模型：加官進爵的模型
第6章有限狀態自動機模型
6.1應用場景
6.2直觀理解與形式化描述
6.3詞法分析自動機模型
6.4地址解析自動機模型
6.5引申閱讀
6.6本章總結

第7章模式匹配自動機模型
7.1應用場景
7.2形式化描述
7.3 BF模式匹配算法
7.4 RK模式匹配算法
7.5 KMP模式匹配算法
7.6 BM模式匹配算法
7.7 AC模式匹配算法
7.8 Wu-Manber模式匹配算法
7.9引申閱讀
7.10本章總結

第4篇序列模型：揭示現象背後的規律
第8章隱馬爾可夫模型
8.1應用場景
8.2馬爾可夫鏈
8.3隱馬爾可夫模型的定義
8.4兩個假設
8.5評估問題
8.6解碼問題
8.7學習問題
8.8引申閱讀
8.9本章總結

第9章最大熵模型
9.1應用場景
9.2直觀理解最大熵
9.3最簡單的最大熵計算示例
9.4形式化定義
9.5最大熵模型的計算流程
9.6平滑方法
9.7特徵選擇
9.8參數計算
9.9引申閱讀
9.10本章總結

第5篇表示模型：萬事萬物的表示
第10章向量空間模型
10.1應用場景
10.2之前的文本表示方法
10.3向量空間模型
10.4相似度計算
10.5引申閱讀
10.6本章總結

第11章潛在語義分析模型
11.1應用場景
11.2 LSA模型的計算
11.3結果的解讀
11.4為什麼LSA模型有效
11.5 LSA模型的應用
11.6 LSA模型的不足
11.7引申閱讀
11.8本章總結

第6篇相似模型：誰與我臭味相投
第12章相似模型
12.1歐幾里得距離
12.2曼哈頓距離
12.3切比雪夫距離
12.4閔可夫斯基距離
12.5馬哈拉諾比斯距離
12.6皮爾遜相關係數
12.7 Jaccard相關係數
12.8餘弦相似度
12.9漢明距離
12.10 KL散度
12.11海林格距離
12.12編輯距離
12.13本章總結

第7篇分類模型：物以類聚，人以群分
第13章感知機模型
13.1應用場景
13.2神經元的工作原理
13.3感知機模型的原理
13.4參數訓練
13.5引申閱讀
13.6本章總結

第14章邏輯回歸模型
14.1應用場景
14.2直觀理解邏輯回歸模型
14.3邏輯回歸模型的計算
14.4引申閱讀
14.5本章總結

第15章樸素貝葉斯模型
15.1應用場景
15.2先驗概率和後驗概率
15.3貝葉斯公式
15.4獨立假設
15.5文本分類的案例
15.6引申閱讀
15.7本章總結

第16章決策樹模型
16.1應用場景
16.2決策樹模型的直觀理解
16.3最佳決策樹
16.4信息量的計算
16.5信息增益與ID3算法
16.6信息增益比與C4.5算法
16.7基尼係數與CART算法
16.8引申閱讀
16.9本章總結

第17章支持向量機模型
17.1應用場景
17.2一元支持向量機
17.3二元支持向量機
17.4支持向量機的對偶問題
17.5支持向量機的參數求解
17.6引申閱讀
17.7本章總結