描述
开 本: 16开纸 张: 胶版纸包 装: 平装-胶订是否套装: 否国际标准书号ISBN: 9787111688129丛书名: 智能科学与技术丛书
内容简介
本书全面介绍了人工智能(AI)和机器学习(ML)的理论和应用。与仅仅从理论或实践的角度来看待这个领域不同，本书将这两个角度结合在了一起，给予全面的理解。第1部分介绍了人工智能和ML的概念以及它们的起源和现状。第2和第3部分深入探讨了静态ML技术和动态ML技术的概念和理论方面。第4部分描述了所提出的技术可以应用的实际应用。第5部分向用户介绍了解决现实ML问题的一些实现策略。
目 录
序
前言
致谢
部分 简 介
第1章 人工智能和机器学习简介 2
1.1 引言 2
1.2 什么是人工智能 2
1.3 什么是机器学习 3
1.4 本书的结构 3
1.4.1 简介 4
1.4.2 机器学习 4
1.4.3 构建端到端管道 4
1.4.4 人工智能 4
1.4.5 实现 5
1.4.6 结语 5
第2章 人工智能和机器学习的基本概念 6
2.1 引言 6
2.2 大数据和非大数据 6
2.2.1 什么是大数据 6
2.2.2 为什么我们应该区别对待大数据 6
2.3 学习类型 7
2.3.1 监督学习 7
2.3.2 无监督学习 7
2.3.3 强化学习 8
2.4 基于时间的机器学习方法 8
2.4.1 静态学习 8
2.4.2 动态学习 8
2.5 维数 8
2.6 线性和非线性 10
2.7 奥卡姆剃刀原理 12
2.8 “没有免费的午餐”定理 14
2.9 收益递减规律 14
2.10 机器学习的早期趋势 14
2.11 小结 15
第3章 数据的理解、表示和可视化 16
3.1 引言 16
3.2 理解数据 16
3.2.1 理解实体 17
3.2.2 理解属性 17
3.2.3 理解数据类型 18
3.3 数据的表示和可视化 19
3.3.1 主成分分析 19
3.3.2 线性判别分析 21
3.4 小结 22
第二部分 机 器 学 习
第4章 线性方法 26
4.1 引言 26
4.2 线性模型和广义线性模型 27
4.3 线性回归 27
4.3.1 定义问题 27
4.3.2 解决问题 27
4.4 正则化的线性回归 28
4.4.1 正则化 28
4.4.2 岭回归 29
4.4.3 Lasso回归 29
4.5 广义线性模型 30
4.6 k近邻算法 30
4.6.1 KNN的定义 31
4.6.2 分类和回归 32
4.6.3 KNN的其他变体 32
4.7 小结 32
第5章 感知器和神经网络 34
5.1 引言 34
5.2 感知器 34
5.3 多层感知器或人工神经网络 35
5.3.1 前馈操作 35
5.3.2 非线性多层感知器或非线性人工神经网络 36
5.3.3 训练多层感知器 36
5.3.4 隐藏层 38
5.4 径向基函数网络 38
5.5 过度拟合与正则化 40
5.5.1 L1和L2正则化 40
5.5.2 丢弃正则化 41
5.6 小结 41
第6章 决策树 42
6.1 引言 42
6.2 为什么使用决策树 43
6.3 构建决策树的算法 43
6.4 回归树 44
6.5 分类树 45
6.6 决策指标 45
6.6.1 误分类误差 46
6.6.2 基尼指数 46
6.6.3 交叉熵或偏差 46
6.7 卡方自动交叉检验 47
6.8 训练决策树 47
6.9 集成决策树 48
6.10 Bagging集成树 48
6.11 随机森林 49
6.12 Boosted集成树 49
6.12.1 AdaBoost 50
6.12.2 梯度提升 50
6.13 小结 50
第7章 支持向量机 51
7.1 引言 51
7.2 动机和范围 51
7.2.1 扩展到多元分类 51
7.2.2 非线性情况的扩展 53
7.3 支持向量机理论 53
7.4 可分离性和间隔 54
7.4.1 正则化和软间隔SVM 54
7.4.2 松弛变量的使用 54
7.5 非线性与核函数的使用 55
7.5.1 径向基函数 55
7.5.2 多项式函数 56
7.5.3 Sigmoid 56
7.6 风险小化 56
7.7 小结 56
第8章 概率模型 57
8.1 引言 57
8.2 判别模型 58
8.2.1 似然估计 58
8.2.2 贝叶斯方法 58
8.2.3 似然估计和贝叶斯方法的比较 59
8.3 生成模型 61
8.3.1 混合方法 62
8.3.2 贝叶斯网络 62
8.4 一些有用的概率分布 62
8.4.1 正态分布或高斯分布 63
8.4.2 伯努利分布 64
8.4.3 二项分布 65
8.4.4 伽马分布 66
8.4.5 泊松分布 67
8.5 小结 70
第9章 动态规划和强化学习 71
9.1 引言 71
9.2 动态规划的基本方程 71
9.3 动态规划下的问题类别 72
9.4 强化学习 73
9.4.1 强化学习的特点 73
9.4.2 框架和算法 73
9.5 探索和开发 74
9.6 强化学习应用示例 75
9.7 强化学习理论 76
9.8 小结 77
第10章 演化算法 78
10.1 引言 78
10.2 传统方法的瓶颈 78
10.3 达尔文的进化论 80
10.4 遗传规划 80
10.5 群体智能 82
10.6 蚁群优化 83
10.7 模拟退火 84
10.8 小结 84
第11章 时间序列模型 85
11.1 引言 85
11.2 平稳性 85
11.3 自回归和移动平均模型 87
11.3.1 自回归过程 87
11.3.2 移动平均过程 88
11.3.3 自回归移动平均过程 88
11.4 差分自回归移动平均模型 88
11.5 隐马尔可夫模型 89
11.6 条件随机场 91
11.7 小结 92
第12章 深度学习 93
12.1 引言 93
12.2 现代深度学习的起源 94
12.3 卷积神经网络 95
12.3.1 一维卷积 95
12.3.2 二维卷积 95
12.3.3 CNN的架构 96
12.3.4 训练CNN 98
12.4 循环神经网络 98
12.4.1 RNN的局限性 99
12
前言
致谢
部分 简 介
第1章 人工智能和机器学习简介 2
1.1 引言 2
1.2 什么是人工智能 2
1.3 什么是机器学习 3
1.4 本书的结构 3
1.4.1 简介 4
1.4.2 机器学习 4
1.4.3 构建端到端管道 4
1.4.4 人工智能 4
1.4.5 实现 5
1.4.6 结语 5
第2章 人工智能和机器学习的基本概念 6
2.1 引言 6
2.2 大数据和非大数据 6
2.2.1 什么是大数据 6
2.2.2 为什么我们应该区别对待大数据 6
2.3 学习类型 7
2.3.1 监督学习 7
2.3.2 无监督学习 7
2.3.3 强化学习 8
2.4 基于时间的机器学习方法 8
2.4.1 静态学习 8
2.4.2 动态学习 8
2.5 维数 8
2.6 线性和非线性 10
2.7 奥卡姆剃刀原理 12
2.8 “没有免费的午餐”定理 14
2.9 收益递减规律 14
2.10 机器学习的早期趋势 14
2.11 小结 15
第3章 数据的理解、表示和可视化 16
3.1 引言 16
3.2 理解数据 16
3.2.1 理解实体 17
3.2.2 理解属性 17
3.2.3 理解数据类型 18
3.3 数据的表示和可视化 19
3.3.1 主成分分析 19
3.3.2 线性判别分析 21
3.4 小结 22
第二部分 机 器 学 习
第4章 线性方法 26
4.1 引言 26
4.2 线性模型和广义线性模型 27
4.3 线性回归 27
4.3.1 定义问题 27
4.3.2 解决问题 27
4.4 正则化的线性回归 28
4.4.1 正则化 28
4.4.2 岭回归 29
4.4.3 Lasso回归 29
4.5 广义线性模型 30
4.6 k近邻算法 30
4.6.1 KNN的定义 31
4.6.2 分类和回归 32
4.6.3 KNN的其他变体 32
4.7 小结 32
第5章 感知器和神经网络 34
5.1 引言 34
5.2 感知器 34
5.3 多层感知器或人工神经网络 35
5.3.1 前馈操作 35
5.3.2 非线性多层感知器或非线性人工神经网络 36
5.3.3 训练多层感知器 36
5.3.4 隐藏层 38
5.4 径向基函数网络 38
5.5 过度拟合与正则化 40
5.5.1 L1和L2正则化 40
5.5.2 丢弃正则化 41
5.6 小结 41
第6章 决策树 42
6.1 引言 42
6.2 为什么使用决策树 43
6.3 构建决策树的算法 43
6.4 回归树 44
6.5 分类树 45
6.6 决策指标 45
6.6.1 误分类误差 46
6.6.2 基尼指数 46
6.6.3 交叉熵或偏差 46
6.7 卡方自动交叉检验 47
6.8 训练决策树 47
6.9 集成决策树 48
6.10 Bagging集成树 48
6.11 随机森林 49
6.12 Boosted集成树 49
6.12.1 AdaBoost 50
6.12.2 梯度提升 50
6.13 小结 50
第7章 支持向量机 51
7.1 引言 51
7.2 动机和范围 51
7.2.1 扩展到多元分类 51
7.2.2 非线性情况的扩展 53
7.3 支持向量机理论 53
7.4 可分离性和间隔 54
7.4.1 正则化和软间隔SVM 54
7.4.2 松弛变量的使用 54
7.5 非线性与核函数的使用 55
7.5.1 径向基函数 55
7.5.2 多项式函数 56
7.5.3 Sigmoid 56
7.6 风险小化 56
7.7 小结 56
第8章 概率模型 57
8.1 引言 57
8.2 判别模型 58
8.2.1 似然估计 58
8.2.2 贝叶斯方法 58
8.2.3 似然估计和贝叶斯方法的比较 59
8.3 生成模型 61
8.3.1 混合方法 62
8.3.2 贝叶斯网络 62
8.4 一些有用的概率分布 62
8.4.1 正态分布或高斯分布 63
8.4.2 伯努利分布 64
8.4.3 二项分布 65
8.4.4 伽马分布 66
8.4.5 泊松分布 67
8.5 小结 70
第9章 动态规划和强化学习 71
9.1 引言 71
9.2 动态规划的基本方程 71
9.3 动态规划下的问题类别 72
9.4 强化学习 73
9.4.1 强化学习的特点 73
9.4.2 框架和算法 73
9.5 探索和开发 74
9.6 强化学习应用示例 75
9.7 强化学习理论 76
9.8 小结 77
第10章 演化算法 78
10.1 引言 78
10.2 传统方法的瓶颈 78
10.3 达尔文的进化论 80
10.4 遗传规划 80
10.5 群体智能 82
10.6 蚁群优化 83
10.7 模拟退火 84
10.8 小结 84
第11章 时间序列模型 85
11.1 引言 85
11.2 平稳性 85
11.3 自回归和移动平均模型 87
11.3.1 自回归过程 87
11.3.2 移动平均过程 88
11.3.3 自回归移动平均过程 88
11.4 差分自回归移动平均模型 88
11.5 隐马尔可夫模型 89
11.6 条件随机场 91
11.7 小结 92
第12章 深度学习 93
12.1 引言 93
12.2 现代深度学习的起源 94
12.3 卷积神经网络 95
12.3.1 一维卷积 95
12.3.2 二维卷积 95
12.3.3 CNN的架构 96
12.3.4 训练CNN 98
12.4 循环神经网络 98
12.4.1 RNN的局限性 99
12
前 言
有史以来伟大的物理学家之一、诺贝尔奖获得者理查德·费曼（Richard Feynman）博士曾经被他的同行要求解释当时刚刚发现的费米–狄拉克（Fermi-Dirac）统计的一个性质。费曼迅速说道：
我不仅会向你们解释它，而且还将为新手准备一个关于它的讲座。
然而，很不寻常的是，几天后，他回来承认：
我做不到。我无法将解释简化为新手水平。那意味着我们真的不理解它。
甚至连费曼博士也说出了这种言论。然而，除了费米–狄拉克统计本身的话题外，它还暗示着我们对一般事物理解的深刻思考。这里的新手水平基本上意味着可以直接使用数学或物理中的基本原理推导出来的东西。这种想法总是使我有意识地尝试用基本原理来解释我声称理解的所有事物，尝试从概念上解释所有事物，而不仅仅是使用复杂的方程组。
在过去的十年里，人工智能和机器学习领域发展迅猛。随着广泛的普及，该领域的核心概念时而被淡化，时而被重新诠释。随着该领域的指数级增长，该领域的范围也在不断地增长。这个领域的新手很快就会发现这个话题令人生畏和困惑。人们总是可以从网络上搜索相关主题或者只是从维基百科开始了解相关内容，但通常情况下，每一个主题都会给你带来越来越多的新概念和未知的概念，很容易让你迷失方向。而且，机器学习中的大多数概念都深深植根于数学和统计学中。没有理论数学和统计学的扎实背景，定理和引理的复杂推导会使人们对该领域感到困惑和无趣。
我在这里尝试介绍机器学习及其应用中基本的主题，以直观和概念性的方式构建人工智能解决方案。有时会使用一些数学指导，如果没有这些指导，概念就不够清晰，但我已经尽量避免复杂的推导和证明，以便让那些不具有强大数学背景的读者更容易理解书中的内容。根据费曼博士的说法，在这个过程中，我还要确保自己理解了它们。就一般的数学和统计要求而言，我认为一般的本科水平应该足够了。而且，随着开源领域中机器学习库的激增和标准化，人们不需要对该理论进行多么深入的数学理解就可以实现的机器学习模型，从而得到的智能解决方案。
当尝试解决给定应用程序中的问题时，引起混乱的主要根源之一是算法的选择。通常，这里介绍的每种算法都源自某个特定的问题，但是该算法通常不限于仅解决该问题。然而，即使对于一个具有强大数学背景的博士生来说，为给定的问题选择正确的算法也并非易事。为了区分两者，我已经把这两个方面分成了独立的部分来介绍。这将使读者更容易理解。
建议读者从部分开始，然后根据需要选择第二部分或第三部分。对于学生来说，按顺序学习本书是理想的选择，而具有专业背景的该领域的新手则更适合从第三部分开始，以便理解或专注于手头的精确应用，然后根据需要在第二部分深入研究算法的理论细节。第四部分和第五部分应随后学习。我已经在两个部分之间添加了足够的交叉引用，以使过渡平滑。
在我看来，除非人们能看到模型在真实数据上的作用，否则就无法完全理解。因此，在详细介绍算法和应用程序之后，我添加了另一部分内容，以介绍使用免费和开源选项的模型的基本实现。完成这部分内容的学习将使读者能够使用的机器学习技术解决人工智能中的现实问题！
我不仅会向你们解释它，而且还将为新手准备一个关于它的讲座。
然而，很不寻常的是，几天后，他回来承认：
我做不到。我无法将解释简化为新手水平。那意味着我们真的不理解它。
甚至连费曼博士也说出了这种言论。然而，除了费米–狄拉克统计本身的话题外，它还暗示着我们对一般事物理解的深刻思考。这里的新手水平基本上意味着可以直接使用数学或物理中的基本原理推导出来的东西。这种想法总是使我有意识地尝试用基本原理来解释我声称理解的所有事物，尝试从概念上解释所有事物，而不仅仅是使用复杂的方程组。
在过去的十年里，人工智能和机器学习领域发展迅猛。随着广泛的普及，该领域的核心概念时而被淡化，时而被重新诠释。随着该领域的指数级增长，该领域的范围也在不断地增长。这个领域的新手很快就会发现这个话题令人生畏和困惑。人们总是可以从网络上搜索相关主题或者只是从维基百科开始了解相关内容，但通常情况下，每一个主题都会给你带来越来越多的新概念和未知的概念，很容易让你迷失方向。而且，机器学习中的大多数概念都深深植根于数学和统计学中。没有理论数学和统计学的扎实背景，定理和引理的复杂推导会使人们对该领域感到困惑和无趣。
我在这里尝试介绍机器学习及其应用中基本的主题，以直观和概念性的方式构建人工智能解决方案。有时会使用一些数学指导，如果没有这些指导，概念就不够清晰，但我已经尽量避免复杂的推导和证明，以便让那些不具有强大数学背景的读者更容易理解书中的内容。根据费曼博士的说法，在这个过程中，我还要确保自己理解了它们。就一般的数学和统计要求而言，我认为一般的本科水平应该足够了。而且，随着开源领域中机器学习库的激增和标准化，人们不需要对该理论进行多么深入的数学理解就可以实现的机器学习模型，从而得到的智能解决方案。
当尝试解决给定应用程序中的问题时，引起混乱的主要根源之一是算法的选择。通常，这里介绍的每种算法都源自某个特定的问题，但是该算法通常不限于仅解决该问题。然而，即使对于一个具有强大数学背景的博士生来说，为给定的问题选择正确的算法也并非易事。为了区分两者，我已经把这两个方面分成了独立的部分来介绍。这将使读者更容易理解。
建议读者从部分开始，然后根据需要选择第二部分或第三部分。对于学生来说，按顺序学习本书是理想的选择，而具有专业背景的该领域的新手则更适合从第三部分开始，以便理解或专注于手头的精确应用，然后根据需要在第二部分深入研究算法的理论细节。第四部分和第五部分应随后学习。我已经在两个部分之间添加了足够的交叉引用，以使过渡平滑。
在我看来，除非人们能看到模型在真实数据上的作用，否则就无法完全理解。因此，在详细介绍算法和应用程序之后，我添加了另一部分内容，以介绍使用免费和开源选项的模型的基本实现。完成这部分内容的学习将使读者能够使用的机器学习技术解决人工智能中的现实问题！
Ameet Joshi
美国华盛顿州雷德蒙德
2019年3月
评论
还没有评论。