查看: 3473|回复: 3

人工智能算法：基础算法 [美]杰弗瑞·希顿(Jeffery Heaton)著

字体大小: 正常放大

普大帝

1197 主题	34 听众	5万积分

TA的每日心情

	奋斗 2025-9-17 16:27

签到天数: 624 天

[LV.9]以坛为家II

网络挑战赛参赛者

自我介绍: 我是普大帝，拼搏奋进，一往无前。

电梯直达

1^#

发表于 2024-5-5 16:21 |只看该作者 |倒序浏览

|招呼Ta 关注Ta

你好！我是陪你一起进阶人生的范老师！愿你成才！助你成长！
大家好！我是数学中国范老师，本书介绍了人工智能的基础算法，全书共10章，涉及维度法、距离度量算法、K均值聚类算法、误差计算、爬山算法、模拟退火算法、Nelder-Mead算法和线性回归算法等。书中所有算法均配以具体的数值计算来进行讲解，读者可以自行尝试。每章都配有程序示例，GitHub上有多种语言版本的示例代码可供下载。有更详细按照章节的千字介绍内容，请点击链接查看帖子下方。

注册登录后，右上角点击签到就会随机赠送10点左右的体力值！点击文件图标可以立即下载文件
新用户注册，可以联系我们的工作人员QQ南方：3242420264 乔叶：1470495151 淡妆：1917509892，帮你快速审核+修改用户组后，可以右上角签到获取体力值,一次注册，日后大量数学建模资源即刻拥有。

人工智能算法卷1：基础算法_[美]希顿_人民邮电_2020.1.pdf (56.91 MB, 下载次数: 9, 售价: 2 点体力)

2024数学中国“认证杯”数学建模网络挑战赛，第二阶段开放报名中，每个阶段都有独立证书，未参加一阶段也可以直接参加二阶段。比赛的获奖证书由内蒙古数学学会颁发，二阶段赛题难度等同于国赛，适合验证参加国赛的水平，同时我们会给出免费评语，指引参赛队伍的后续提升方向。
二阶段报名官网：http://www.tzmcm.cn/shiti.html
注：已报名一阶段的无需重复报名二阶段
网站图.png

详细介绍：
本书适合作为人工智能入门读者以及对人工智能算法感兴趣的读者阅读参考。
基本算法介绍
欲建高楼，必重基础。本书会讲授诸如维度法、距离度量算法、聚类算法、误差计算、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，同时也是亚马逊(Amazon)和网飞(Netflix)这类网站中，各种推荐系统背后的逻辑。
这些算法不仅是后续各卷所介绍的算法的基础，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计算示例。
本书内容结构
第1章“AI入门”，介绍了本书或本系列图书其他各卷中会用到的部分人工智能相关的基本概念。大多数人工智能算法是接受一个输入数组，从而产生一个输出数组一人工智能所能解决的问题通常被归化为此类模型。而在算法模型内部，还需要有额外的数组来存储长短期记忆。算法的训练实际上就是通过调整长期记忆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。数据需要以一个输入数组的形式传递给算法，但实践中获取到的数据并不一定都是数值型的，也有一些是类别信息，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征。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，并且通常是归一化到(-1,1)区间。
第3章“距离度量”，展示了我们比较数据的方法，说起来这种比较方法其实跟在地图上标识出两点间的距离十分相像。人工智能通常以数值数组的形式处理数据，包括输入数据、输出数据、长期记忆、短期记忆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”。我们可以像计算两点间距离一样，计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，我们经常要处理的是更高维空间中的数据。
第4章“随机数生成”，讲解了人工智能算法中随机数的生成和使用。本章由关于均匀随机数和正态随机数的讨论切入一出现这种不同的根源在于有的时候算法要求随机数具有等可能性，而有的时候又需要它们服从某种既定的分布。此外本章还讨论了生成随机数的方法。
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复杂的算法一比如遗传算法就利用K均值算法对种群按特征归类，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惯调整销售策略。
第6章“误差计算”，演示了评估人工智能算法效果的方法。误差计算的过程由一个用以评估算法最终效果的评分函数执行，其结果决定了算法的效果。一类常用的评分函数只需要给定输入向量和预期输出向量，也就是所谓的“训练数据”;算法的效果则由实际输出与预期输出间的差异决定。
第7章“迈向机器学习”，概述了可以从数据中学习特征来优化结果的简单机器学习算法。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记忆，“训练”就是一个调整长期记忆以产生预期输出的过程。本章会演示几个具有学习能力的简单模型的构建方法，也会介绍一些简单但却行之有效的训练算法，能够调整这种长期记忆(权重向量)并优化输出结果一一简单随机漫步和爬山算法正是其中之二。
第8章“优化训练”，在前面章节的基础上进行了一定的拓展，介绍了像模拟退火算法和Nelder-Mead法“这样用来快速优化人工智能模型权重的算法。本章还说明了如何通过一定的调整，将这些优化算法应用于之前提到过的部分模型。
第9章“离散优化”，解释了如何优化非数值型的类别型数据。并非所有优化问题都是数值型的，还有离散型和类别型问题，比如背包问题和旅行商问题。本章将说明模拟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，也适用于离散的类别型问题。
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。本章将介绍简单线性回归，并演示如何用它来拟合数据为线性模型。此外还将介绍可以拟合非线性数据的广义线性模型(General Linear Model，GLM)。

算法通关.png