《人工智能算法 卷1 基础算法》

第1章AI入门1

1.1与人类大脑的联系2

1.1.1大脑和真实世界3

1.1.2缸中之脑5

1.2对问题建模6

1.2.1数据分类7

1.2.2回归分析9

1.2.3聚类问题10

1.2.4时序问题10

1.3对输入/输出建模11

1.3.1一个简单的例子15

1.3.2燃油效率16

1.3.3向算法传入图像18

1.3.4金融算法20

1.4理解训练过程21

1.4.1评估成果22

1.4.2批量学习和在线学习22

1.4.3监督学习和非监督学习23

1.4.4随机学习和确定学习23

1.5本章小结23

第2章数据归一化25

2.1计量尺度25

2.1.1定性观测值27

2.1.2定量观测值28

2.2观测值归一化29

2.2.1名义量归一化30

2.2.2顺序量归一化32

2.2.3顺序量解归一化34

2.2.4数字量归一化35

2.2.5数字量解归一化37

2.3其他归一化方法38

2.3.1倒数归一化38

2.3.2倒数解归一化39

2.3.3理解等边编码法39

2.3.4等边编码法的实现41

2.4本章小结46

第3章距离度量47

3.1理解向量47

3.2计算向量距离49

3.2.1欧氏距离49

3.2.2曼哈顿距离51

3.2.3切比雪夫距离53

3.3光学字符识别54

3.4本章小结57

第4章随机数生成59

4.1伪随机数生成算法的概念60

4.2随机数分布类型61

4.3轮盘模拟法64

4.4伪随机数生成算法65

4.4.1线性同余生成法66

4.4.2进位乘数法67

4.4.3梅森旋转算法68

4.4.4Box-Muller转换法70

4.5用蒙特卡洛方法估算PI值72

4.6本章小结74

第5章K均值聚类算法75

5.1理解训练集77

5.1.1非监督学习77

5.1.2监督学习80

5.2理解K均值算法80

5.2.1分配81

5.2.2更新83

5.3K均值算法的初始化84

5.3.1随机K均值初始化84

5.3.2 K均值算法的Forgy初始化87

5.4本章小结90

第6章误差计算91

6.1方差和误差92

6.2均方根误差93

6.3均方误差93

6.4误差计算方法的比较94

6.5本章小结96

第7章迈向机器学习97

7.1多项式系数99

7.2训练入门101

7.3径向基函数网络103

7.3.1径向基函数104

7.3.2径向基函数网络107

7.3.3实现径向基函数网络109

7.3.4应用径向基函数网络113

7.4本章小结115

第8章优化训练117

8.1爬山算法117

8.2模拟退火算法121

8.2.1模拟退火算法的应用122

8.2.2模拟退火算法123

8.2.3冷却进度126

8.2.4退火概率127

8.3Nelder-Mead算法128

8.3.1反射130

8.3.2扩张操作131

8.3.3收缩操作132

8.4 Nelder-Mead算法的终止条件133

8.5本章小结134

第9章离散优化135

9.1旅行商问题135

9.1.1旅行商问题简要说明136

9.1.2旅行商问题求解的实现137

9.2环形旅行商问题138

9.3背包问题139

9.3.1背包问题简要说明140

9.3.2背包问题求解的实现141

9.4本章小结143

第10章线性回归144

10.1线性回归144

10.1.1最小二乘法拟合146

10.1.2最小二乘法拟合示例148

10.1.3安斯库姆四重奏149

10.1.4鲍鱼数据集151

10.2广义线性模型152

10.3本章小结155

附录A示例代码使用说明157

A.1系列图书简介157

A.2保持更新157

A.3获取示例代码158

A.3.1下载压缩文件158

A.3.2克隆Git仓库159

A.4示例代码的内容159

A.5如何为项目做贡献163

参考资料164