没有优胜数学根本也能读得读的人工智能入门书_算法_人工智能

2024-11-24 03:49:06 智能写作

本系列图书以一种数学上易于理解的办法讲授人工智能干系观点，这也是本系列图书英文书名中“for Human”的含义。
此外：

本系列图书假定读者精通至少一门编程措辞；本系列图书假定读者对大学代数课程有基本的理解；本系列图书将利用微积分、线性代数、微分方程与统计学中的干系观点和公式；但是在阐明上述第3点的干系内容时，本系列图书并不会假定读者对上述内容十分闇练；所有观点都不仅有数学公式，还附有编程实例和伪代码。

没有优胜数学根本也能读得读的人工智能入门书_算法_人工智能智能写作

本系列图书的目标读者是精通至少一门编程措辞的程序员，且书中示例均已改写为多种编程措辞的形式。

编程措辞

人工智能算法卷1 根本算法中只是给出了伪代码，而详细示例代码则以Java、C#、R、C/C++和Python等措辞形式供应，此外还有社区支持掩护的Scala措辞版本。
社区成员们正在努力将示例代码转换为更多其他的编程措辞，说不定当你拿到本书的时候，也有了你最喜好的编程措辞的代码示例版本。
访问本书的GitHub开源仓库可以获取更多信息，同时我们也鼓励社区协作来帮我们完成代码改写和移植事情。
如果你也希望加入协作，我们将不胜感激。
更多干系流程信息可以拜会本书附录A。

系列书出版操持

本系列图书的写作操持：

卷0：AI数学入门；卷1：根本算法；卷2：自然启示算法；卷3：神经网络；卷4：支持向量机；卷5：概率学习。

卷1~卷5将会依次出版；而卷0则会作为“提前操持好的前传”，在本系列图书的出版靠近尾声之际完成。
卷1~卷5卷会讲解必要的数学观点，卷0则会专注于对这些观点进行回顾，并在此根本上进行一定的拓展。

卷0既可以是阅读本系列书的开端，也可以作为系列图书的总结；卷1的阅读顺序最好在后续几卷之前；卷2的部分内容对读者理解卷3的内容又有所助益。
图1展示了我们建议的合理的阅读顺序。

人工智能算法卷1 根本算法

杰弗瑞·希顿（Jeffery Heaton）著，李尔超译

AI算法入门教程书本，大家都能读懂的人工智能书全彩印刷，实例讲解易于理解的人工智能根本算法多种措辞版本示例代码、丰富的在线资源，方便动手实战与拓展学习

本系列图书的每一卷均可独立阅读，也可作为系列图书整体阅读。
但须要把稳的是，卷1中列出了后续各卷所利用的各种基本算法，并且这些算法本身既是根本，也不失落实用性。

图1　卷目阅读流程

基本算法先容

欲建高楼，必重根本。
本书会讲授诸如维度法、间隔度量算法、聚类算法、偏差打算、爬山算法、线性回归和离散学习这样的人工智能算法。
这些算法对应于数据中特定模式的处理和识别，同时也是像亚马逊（Amazon）和网飞（Netflix）这类网站中，各种推举系统背后的逻辑。

这些算法不仅是后续各卷所先容的算法的根本，其本身也大有用处。
在本书中，这些算法的讲解均附以可操作性强的数值打算示例。

卷１内容构造

第1章“AI入门”，先容了本书或系列图书其他各卷中会用到的部分人工智能干系的基本观点。
大多数人工智能算法是接管一个输入数组，从而产生一个输出数组——人工智能所能办理的问题常日被归为此类模型。
而在算法模型内部，还须要有额外的数组来存储是非期影象。
算法的演习实际上便是通过调度长期影象的值来产生对应于给定输入的预期输出的一个过程。

第2章“数据归一化”，描述了大多数人工智能算法对原始数据的预处理流程。
数据须要以一个输入数组的形式通报给算法，但实践中获取到的数据并不一定都是数值型的，也有一些是种别信息，比如颜色、形状、性别、物种抑或其他一些非数值型的描述性特色。
此外，就算是现成的数值型数据，也必须在一定范围内归一化，并且常日是归一化到 (-1, 1) 区间。

第3章“间隔度量”，展示了我们比较数据的方法，提及来这种比较方法实在跟在舆图上标识出两点间的间隔十分相像。
人工智能常日以数值数组的形式处理数据，包括输入数据、输出数据、长期影象、短期影象和其他很多数据都是如此，这些数组很多时候也被称作“向量”。
我们可以像打算两点间间隔一样，打算出两个数据之间的差异（二维和三维的点可以分别看作长度为二和三的向量）。
当然，在人工智能领域，我们常常要处理的是更高维空间中的数据。

第4章“随机数天生”，讲解了人工智能算法中随机数的天生和利用。
本章由关于均匀随机数和正态随机数的谈论切入——涌现这种不同的根源在于有的时候算法哀求随机数具有等可能性，而有的时候又须要它们服从某种既定的分布。
此外本章还谈论了天生随机数的方法。

第5章“K均值聚类算法”，详述了将数据按相似度分类的方法。
K均值算法本身可以用来将数据按共性分组，同时也可以被用于组成更繁芜的算法——比如遗传算法就利用K均值算法对种群按特色归类，各路网商也利用聚类算法划分顾客，依照同类型顾客的消费习气调度发卖策略。

第6章“偏差打算”，演示了评估人工智能算法效果的方法。
偏差打算的过程由一个用以评估算法终极效果的评分函数实行，其结果决定了算法的效果。
一类常用的评分函数只须要给定输入向量和预期输出向量，也便是所谓的“演习数据”，算法的效果则是由实际输出与预期输出间的差异决定的。

第7章“迈向机器学习”，概述了可以从数据中学习特色来优化结果的大略机器学习算法。
大多数人工智能算法是用权值向量将输入向量转化为期望的输出向量，这些权值向量构成了算法的长期影象，“演习”便是一个调度长期影象以产生预期输出的过程。
本章会演示几个具有学习能力的大略模型的构建方法，也会先容一些大略但却行之有效的演习算法，能够调度这种长期影象（权重向量）并优化输出结果，大略随机溜达和爬山算法正是个中之二。

第8章“优化演习”，在前面章节的根本上进行了一定的拓展，先容了像仿照退火算法和Nelder-Mead法[2]这样用来快速优化人工智能模型权重的算法。
本章还解释了如何通过一定的调度，将这些优化算法运用于之条件到过的部分模型。

第9章“离散优化”，阐明了如何优化非数值型的种别型数据。
并非所有优化问题都是数值型的，还有离散型和种别型问题，比如背包问题和旅行商问题。
本章将解释仿照退火算法可以用于处理这两个问题，并且该算法既适用于连续的数值型问题，也适用于离散的种别型问题。

第10章“线性回归”，讲解了如何用线性和非线性方程来学习趋势并做出预测。
本章将先容大略线性回归，并演示如何用它来拟合数据为线性模型。
此外还将先容可以拟合非线性数据的广义线性模型（General Linear Model，GLM）。

目录构造：

第 1 章 AI 入门 11．1 与人类大脑的联系 21．2 对问题建模 61．3 对输入/ 输出建模 111．4 理解演习过程 211．5 本章小结 23

第 2 章数据归一化 252．1 计量尺度 252．2 不雅观测值归一化 292．3 其他归一化方法 382．4 本章小结 45

第3 章间隔度量 473．1 理解向量 473．2 打算向量间隔 493．3 光学字符识别 543．4 本章小结 57

第4 章随机数天生 594．1 伪随机数天生算法的观点 604．2 随机数分布类型 614．3 轮盘仿照法 644．4 伪随机数天生算法 654．5 用蒙特卡洛方法估算PI 值 724．6 本章小结 74

第5 章 K 均值聚类算法 755．1 理解演习集 775．2 理解K 均值算法 805．3 K 均值算法的初始化 845．4 本章小结 90

第6 章偏差打算 916．1 方差和偏差 926．2 均方根偏差 936．3 均方偏差 936．4 偏差打算方法的比较 946．5 本章小结 96

第7 章迈向机器学习 977．1 多项式系数 997．2 演习入门 1017．3 径向基函数网络 1037．4 本章小结 115

第8 章优化演习 1178．1 爬山算法 1178．2 仿照退火算法 1218．3 Nelder-Mead 算法 1288．4 Nelder-Mead 算法的终止条件 1338．5 本章小结 134