人工智慧算法：【基礎算法+大自然啟發的算法+深度學習和神經網路】

《人工智能算法卷1基礎算法》

內容簡介

欲建高樓，必重基礎。 本書講授諸如維度法、距離度量算灋、聚類演算法、誤差計算、爬山算灋、類比退火演算法、Nelder-Mead算灋和線性回歸算灋等人工智慧基礎算灋。 本書中所有算灋均配以具體的數值計算示例。

“人工智慧算灋”系列圖書的目標讀者是那些沒有良好數學基礎，又對人工智慧感興趣的人。 本書讀者只需具有基本的大學代數和電腦程式設計知識，任何超出這個範圍的內容都會在書中詳細說明。 本書為讀者提供配套的示例程式碼，當前已有Java、C#、R、C/C++和Python的語言版本，還有社區支持維護的Scala語言版本。

《人工智能算法卷2受大自然啟發的算法》

編輯推薦

1.實例講解易於理解的人工智慧基礎算灋：本書介紹了基於基因、鳥類、螞蟻、細胞和樹的算灋，這些算灋可用於查找*路徑、識別模式、查找數據背後的公式，甚至類比簡單的生命等； 2.豐富的示例代碼和線上資源，方便動手實踐與拓展學習； 3.提供線上實驗環境，原始程式碼下載； 4.全彩印刷。 5.《人工智能算法卷2受大自然啟發的算法》是系列圖書第二本，卷1《人工智能算法卷1基礎算法》已在人民郵電出版社出版； 大自然為人類的發明創造提供了源源不斷的靈感。 本書介紹了一些在人工智慧場景提供解決方案的算灋，涉及交叉和突變、遺傳演算法、粒子群優化、細胞自動機等問題——它們無一不受到基因、鳥類、螞蟻、細胞或樹的啟發。 雖然算灋的靈感來源是大自然，但讀者不必具備生物學知識也能讀懂本書。 “人工智慧算灋”系列圖書的目標讀者是那些對人工智慧感興趣，但苦於沒有良好的數學基礎的人。 讀者只需要對大學代數課程有基本瞭解即可，而微積分、線性代數、微分方程等課程中的複雜公式都會在必要時介紹。 本書為讀者提供配套的示例程式碼，現時已有Java、C#、Python和Scala版本。

內容簡介

算灋是人工智慧科技的覈心，大自然是人工智慧算灋的重要靈感來源。 本書介紹了受到基因、鳥類、螞蟻、細胞和樹影響的算灋，這些算灋為多種類型的人工智慧場景提供了實際解決方法。 全書共10章，涉及種群、交叉和突變、遺傳演算法、物種形成、粒子群優化、蟻群優化、細胞自動機、人工生命和建模等問題。 書中所有算灋均配以具體的數值計算來進行講解，每章都配有程式示例，讀者可以自行嘗試。

《人工智能算法卷3深度學習和神經網絡（全彩印刷）》

內容簡介

自早期以來，神經網路就一直是人工智慧的支柱。 現在，令人興奮的新技術（例如深度學習和卷積）正在將神經網路帶入一個全新的方向。 在本書中，我們將演示各種現實世界任務中的神經網路，例如圖像識別和數據科學。 我們研究了當前的神經網路技術，包括ReLU啟動、隨機梯度下降、交叉熵、正則化、Dropout及視覺化等。

作者簡介

[美]傑弗瑞·希頓（Jeffery Heaton）他既是一比特活躍的科技博主、開源貢獻者，也是十多本圖書的作者。 他的專業領域包括數據科學、預測建模、資料挖掘、大數據、商務智能和人工智慧等。 他擁有華盛頓大學資訊管理學碩士學位，是IEEE的高級會員、Sun認證Java程式師、開源機器學習框架Encog的首席開發人員。

目錄

《人工智能算法卷1基礎算法》

第1章AI入門1

1.1與人類大腦的聯系2

1.2對問題建模6

1.3對輸入/輸出建模11

1.4理解訓練過程21

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

2.3其他歸一化方法38

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

3.3光學字元識別54

3.4本章小結57

第4章亂數生成59

4.1偽亂數生成算灋的概念60

4.2亂數分佈類型61

4.3輪盤類比法64

4.4偽亂數生成算灋65

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平均值聚類演算法75

5.1理解訓練集77

5.2理解K平均值算灋80

5.3 K平均值算灋的初始化84

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徑向基函數網絡103

7.4本章小結115

第8章優化訓練117

8.1爬山算灋117

8.2類比退火演算法121

8.3 Nelder-Mead算灋128

8.4 Nelder-Mead算灋的終止條件133

8.5本章小結134

第9章離散優化135

9.1旅行商問題135

9.2環形旅行商問題138

9.3背包問題139

9.4本章小結143

第10章線性回歸144

10.1線性回歸144

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如何為項目做貢獻163

參考資料164

《人工智能算法卷2受大自然啟發的算法》

第1章種群、計分和選擇1

1.1理解種群2

1.2對種群計分6

1.3從種群中選擇7

1.4截斷選擇8

1.5聯賽選擇9

1.6如何選擇輪數12

1.7適應度比例選擇13

1.8隨機遍歷抽樣15

1.9本章小結18

第2章交叉和突變20

2.1演化算灋21

2.2解編碼22

2.3交叉23

2.4突變28

2.5為什麼需要精英33

2.6本章小結34

第3章遺傳演算法35

3.1離散問題的遺傳演算法35

3.2連續問題的遺傳演算法42

3.3遺傳演算法的其他應用45

3.4本章小結49

第4章遺傳程式設計50

4.1程式作為樹50

4.2樹突變67

4.3樹交叉68

4.4擬合公式70

4.5本章小結73

第5章物種形成75

5.1物種形成實現76

5.2遺傳演算法中的物種79

5.3遺傳程式設計中的物種79

5.4使用物種形成80

5.5本章小結81

第6章粒子群優化83

6.1群聚83

6.2粒子群優化86

6.3本章小結91

第7章蟻群優化93

7.1離散蟻群優化95

7.2連續蟻群優化103

7.3本章小結110

第8章細胞自動機111

8.1基本細胞自動機112

8.2康威的《生命遊戲》116

8.3演化自己的細胞自動機121

理解合併物理學125

8.4本章小結129

第9章人工生命130

9.1里程碑1：繪製植物131

9.2里程碑2：創建植物生長動畫134

9.3里程碑3：演化植物140

給植物計分141

9.4本章小結142

第10章建模144

10.1 Kaggle競賽145

10.2里程碑1：整理數據148

10.3里程碑2：建立模型152

10.4里程碑3：提交測試回復156

10.5本章小結157

附錄A示例代碼使用說明159

參考資料166

《人工智能算法卷3深度學習和神經網絡（全彩印刷）》

第1章神經網路基礎1

1.1神經元和層2

1.2神經元的類型5

1.3啟動函數10

1.4修正線性單元（ReLU）13

1.5神經網路邏輯19

1.6本章小結22

第2章自組織映射23

2.1自組織映射24

2.2本章小結33

第3章Hopfield網絡和玻爾茲曼機34

3.1 Hopfield神經網路34

3.2 Hopfield-Tank網絡41

3.3玻爾茲曼機42

3.4應用玻爾茲曼機45

3.5本章小結51

第4章前饋神經網路53

4.1前饋神經網路結構54

4.2計算輸出56

4.3初始化權重60

4.4徑向基函數網絡63

4.5規範化數據67

4.6本章小結75

第5章訓練與評估77

5.1評估分類78

5.2評估回歸88

5.3模擬退火訓練89

5.4本章小結92

第6章反向傳播訓練93

6.1理解梯度93

6.2計算輸出節點增量98

6.3計算剩餘節點增量99

6.4啟動函數的導數100

6.5應用反向傳播103

6.6本章小結108

第7章其他傳播訓練110

7.1彈性傳播110

7.2 RPROP參數111

7.3資料結構113

7.4理解RPROP 114

7.5 Levenberg-Marquardt算灋116

7.6 Hessian矩陣的計算119

7.7具有多個輸出的LMA 120

7.8 LMA過程概述122

7.9本章小結122

第8章NEAT，CPPN和HyperNEAT 124

8.1 NEAT網絡125

8.2 CPPN網絡134

8.3 HyperNEAT網絡138

8.4本章小結142

第9章深度學習143

9.1深度學習組件143

9.2部分標記的數據144

9.3修正線性單元145

9.4卷積神經網路145

9.5神經元Dropout 146

9.6 GPU訓練147

9.7深度學習工具149

9.8深度信念神經網路152

9.9本章小結164

第10章卷積神經網路165

10.1 LeNET-5 166

10.2卷積層168

10.3最大池層170

10.4稠密層172

10.5針對MNIST數据集的ConvNets 172

10.6本章小結174

第11章剪枝和模型選擇175

11.1理解剪枝176

11.2剪枝算灋177

11.3模型選擇179

11.4本章小結185

第12章Dropout和正則化186

12.1 L1和L2正則化187

12.2 Dropout層190

12.3使用Dropout 194

12.4本章小結195

第13章時間序列和迴圈網絡197

13.1時間序列編碼198

13.2簡單迴圈神經網路204

13.3本章小結213

第14章架構神經網路214

14.1評估神經網路215

14.2訓練參數215

14.3常規超參數220

14.4 LeNet-5超參數223

14.5本章小結224

第15章視覺化226

15.1混淆矩陣227

15.2 t-SNE降維229

15.3本章小結236

第16章用神經網路建模237

16.0.1挑戰賽的經驗241

16.0.2挑戰賽取勝的方法242

16.0.3我們在挑戰賽中的方法244

16.1用深度學習建模245

16.2本章小結250

附錄A示例代碼使用說明252

A.1系列圖書簡介252

A.2保持更新252

A.3獲取示例代碼253

A.3.1下載壓縮檔253

A.3.2尅隆Git倉庫254

A.4示例代碼的內容255

A.5如何為項目做貢獻257

參考資料259