深入淺出 AI 算法：基礎概覽

呂 磊
微軟（中國）軟件工程師。本碩畢業於山東大學計算機科學與技術系，具有多年算法從業經驗，曾先後在京東廣告部、螞蟻金服人工智能部、亞馬遜AWS（中國）的AI產品相關部門從事算法工作，在工業界有著豐富的AI算法落地經驗。

第1章 算法入門 / 1
1．1 打開算法之門 / 2
1．1．1 算法簡史 / 2
1．1．2 算法與人工智能 / 5
1．1．3 什麼是數據分析 / 6
1．1．4 什麼是數據挖掘 / 6
1．1．5 什麼是機器學習 / 7
1．2 如何學習算法 / 8
1．3 本書結構 / 9
關鍵詞回顧 / 10

第2章 算法之內力 / 11
2．1 線性代數 / 12
2．1．1 名詞解釋 / 13
2．1．2 向量和矩陣 / 13
2．2 排列組合 / 19
2．3 高等數學 / 20
2．3．1 導數 / 20
2．3．2 梯度 / 23
2．4 概率與統計 / 23
2．4．1 名詞解釋 / 23
2．4．2 概率分佈 / 26
2．5 最優化原理 / 33
2．6 動腦時刻 / 34
2．7 本章小結 / 35
關鍵詞回顧 / 36

第3章 算法之招式 / 37
3．1 數據結構 / 38
3．1．1 數組與鍊錶 / 38
3．1．2 隊列和棧 / 40
3．1．3 樹 / 41
3．1．4 圖 / 43
3．1．5 散列表 / 45
3．2 基礎算法 / 46
3．2．1 排序 / 47
3．2．2 遞歸與分治 / 55
3．2．3 貪婪算法和動態規劃 / 57
3．2．4 搜索 / 60
3．2．5 最短路徑 / 61
3．2．6 最小生成樹 / 65
3．2．7 樹狀數組 / 67
3．2．8 線段樹 / 69
3．2．9 平衡二叉樹 / 72
3．2．10 並查集 / 75
3．2．11 匈牙利算法 / 78
3．3 在線評測系統 / 80
3．3．1 LeetCode / 81
3．3．2 POJ與ZOJ / 82
3．3．3 Tsinsen / 82
3．4 動腦時刻 / 83
3．5 本章小結 / 83
關鍵詞回顧 / 84

第4章 算法之武功秘籍 / 85
4．1 類別劃分 / 86
4．1．1 按是否有監督信號劃分 / 86
4．1．2 按學習目標劃分 / 89
4．2 線性回歸模型與邏輯回歸模型 / 90
4．2．1 線性回歸模型 / 90
4．2．2 邏輯回歸模型 / 92
4．3 人工神經網絡 / 95
4．3．1 初識人工神經網絡 / 95
4．3．2 深度神經網絡 / 97
4．3．3 卷積神經網絡 / 99
4．3．4 遞歸神經網絡 / 102
4．3．5 圖神經網絡 / 104
4．4 決策樹 / 106
4．4．1 概念與方法 / 106
4．4．2 剪枝 / 109
4．4．3 梯度提升決策樹 / 110
4．4．4 隨機森林 / 112
4．5 聚類 / 113
4．5．1 距離度量 / 114
4．5．2 劃分聚類 / 115
4．5．3 層次聚類 / 116
4．5．4 密度聚類 / 117
4．5．5 模型聚類 / 119

4．6 貝葉斯分類 / 121
4．6．1 概率基礎 / 121
4．6．2 樸素貝葉斯分類 / 124
4．7 支持向量機 / 125
4．8 動腦時刻 / 128
4．9 本章小結 / 129
關鍵詞回顧 / 129

第5章 算法工程的組成部分 / 133
5．1 數據分析 / 134
5．1．1 宏觀把握數據 / 134
5．1．2 微觀感受數據 / 137
5．1．3 分析方法 / 139
5．2 特徵工程 / 141
5．2．1 數據預處理 / 141
5．2．2 特徵分類 / 142
5．2．3 工程技巧 / 142
5．3 建模與調參 / 149
5．3．1 建模 / 150
5．3．2 調參 / 150
5．4 效果評估 / 151
5．4．1 數據集劃分 / 151
5．4．2 評估指標 / 152
5．4．3 直觀理解AUC / 155
5．5 模型託管 / 159
5．6 動腦時刻 / 160
5．7 本章小結 / 160
關鍵詞回顧 / 161

第6章 算法工程實戰 / 163
6．1 環境準備 / 164
6．1．1 設備配置 / 164
6．1．2 環境搭建 / 165
6．1．3 開發工具 / 167
6．1．4 基礎調試 / 168
6．2 開源算法庫 / 170
6．2．1 scikit-learn / 171
6．2．2 TensorFlow / 172
6．3 算法實踐 / 174
6．3．1 線性回歸模型 / 174
6．3．2 神經網絡模型 / 179
6．4 工程實戰 / 182
6．4．1 數據準備 / 182
6．4．2 數據分析 / 184
6．4．3 特徵工程 / 188
6．4．4 模型訓練 / 189
6．4．5 模型的保存與載入 / 190
6．5 算法競賽介紹 / 191
6．5．1 Kaggle / 191
6．5．2 KDD Cup / 191
6．6 動腦時刻 / 192
6．7 本章小結 / 192
關鍵詞回顧 / 193

第7章 進階學習 / 195
7．1 深度學習 / 196
7．1．1 起源 / 196
7．1．2 難點與方法 / 197
7．1．3 經典模型：AlexNet / 201
7．2 強化學習 / 203
7．2．1 起源 / 203
7．2．2 流派與分類 / 204
7．2．3 經典案例：AlphaGo / 206
7．3 遷移學習 / 213
7．3．1 簡介 / 213
7．3．2 方法與研究方向 / 214
7．3．3 經典模型：TrAdaBoost / 215
7．4 動腦時刻 / 216
7．5 本章小結 / 217
關鍵詞回顧 / 217

第8章 思考與展望 / 219
8．1 思考 / 220
8．1．1 人工智能感悟 / 220
8．1．2 萬物數據化 / 221
8．2 展望 / 224
8．2．1 人工智能最終能做什麼 / 224
8．2．2 人類最終能做什麼 / 224
8．3 本章小結 / 225