人工智慧演算法 卷1 基礎演算法

第 1 章 AI 入門 1

1.1 與人類大腦的聯繫 2

1.1.1 大腦和真實世界 3

1.1.2 缸中之腦 5

1.2 對問題建模 6

1.2.1 大腦和真實世界 7

1.2.2 回歸分析 9

1.2.3 聚類問題 10

1.2.4 時序問題 10

1.3 對輸入/ 輸出建模 11

1.3.1 一個簡單的例子 15

1.3.2 燃油效率 16

1.3.3 向演算法傳入圖像 18

1.3.4 金融演算法 20

1.4 理解訓練過程 21

1.4.1 評估成果 22

1.4.2 批量學習和線上學習 22

1.4.3 監督學習和非監督學習 23

1.4.4 隨機學習和確定學習 23

1.5 本章小結 23


第 2 章 數據歸一化 25

2.1 計量尺度 25

2.2 觀測值歸一化 29

2.2.1 名義量歸一化 30

2.2.2 順序量歸一化 32

2.2.3 順序量解歸一化 34

2.2.4 數字量歸一化 35

2.2.5 數字量解歸一化 37

2.3 其他歸一化方法 38

2.3.1 倒數歸一化 38

2.3.2 倒數解歸一化 38

2.3.3 理解等邊編碼法 39

2.3.4 等邊編碼法的實現 41

2.4 本章小結 45


第 3 章 距離度量 47

3.1 理解向量 47

3.2 計算向量距離 49

3.2.1 歐氏距離 49

3.2.2 曼哈頓距離 51

3.2.3 切比雪夫距離 53

3.3 光學字元辨識 54

3.4 本章小結 57


第 4 章 亂數產生 59

4.1 偽亂數產生演算法的概念 60

4.2 亂數分佈類型 61

4.3 輪盤模擬法 64

4.4 偽亂數產生演算法 65

4.4.1 線性同餘生成法 66

4.4.2 進位乘數法 67

4.4.3 梅森旋轉演算法 68

4.4.4 Box-Muller 轉換法 70

4.5 用蒙特卡洛方法估算PI 值 72

4.6 本章小結 74


第 5 章 K 均值聚類演算法 75

5.1 理解訓練集 77

5.1.1 非監督學習 77

5.1.2 監督學習 80

5.2 理解K 均值演算法 80

5.2.1 分配 81

5.2.2 更新 83

5.3 K 均值演算法的初始化 84

5.3.1 隨機K 均值初始化 84

5.3.2 K 均值演算法的Forgy 初始化 87

5.4 本章小結 90


第 6 章 誤差計算 91

6.1 方差和誤差 92

6.2 均方根誤差 93

6.3 均方誤差 93

6.4 誤差計算方法的比較 94

6.5 本章小結 96


第 7 章 邁向機器學習 97

7.1 多項式係數 99

7.2 訓練入門 101

7.3 徑向基函數網路 103

7.3.1 徑向基函數 104

7.3.2 徑向基函數網路 107

7.3.3 實現徑向基函數網路 109

7.3.4 應用徑向基函數網路 113

7.4 本章小結 115


第 8 章 優化訓練 117

8.1 爬山演算法 117

8.2 類比退火演算法 121

8.2.1 類比退火演算法的應用 122

8.2.2 類比退火演算法 123

8.2.3 冷卻進度 126

8.2.4 退火概率 127

8.3 Nelder-Mead 演算法 128

8.3.1 反射 130

8.3.2 擴張操作 131

8.3.3 收縮操作 132

8.4 Nelder-Mead 演算法的終止條件 133

8.5 本章小結 134


第 9 章 離散優化 135

9.1 旅行商問題 135

9.1.1 旅行商問題簡要說明 136

9.1.2 旅行商問題求解的實現 137

9.2 環形旅行商問題 138

9.3 背包問題 139

9.3.1 背包問題簡要說明 140

9.3.2 背包問題求解的實現 141

9.4 本章小結 143


第 10 章 線性回歸 144

10.1 線性回歸 144

10.1.1 最小二乘法擬合 146

10.1.2 最小二乘法擬合示例 148

10.1.3 安斯庫姆四重奏 149

10.1.4 鮑魚資料集 151

10.2 廣義線性模型 152

10.3 本章小結 155


附錄A 示例代碼使用說明 157

A.1 “讀懂人工智慧”系列書簡介 157

A.2 保持更新 157

A.3 獲取示例代碼 158

A.4 示例代碼的內容 159

A.5 如何為專案做貢獻 163

參考資料 164