人工智能算法圖解 Grokking Artificial Intelligence Algorithms

從兒時起，Rishal就著迷於計算機技術並有瘋狂的想法。
在整個職業生涯中，他領導過團隊，負責過項目，動手編寫過工程軟件，
做過戰略規劃，且曾為各種國際企業設計端到端解決方案。
 他在公司、社區和行業內積極發展實用主義文化，幫助團隊學習並掌握更多知識與技能。
Rishal對設計思維、人工智能與哲學充滿熱情，擅長綜合考慮業務機制與戰略，他的團隊不斷壯大。
Rishal開發了多種數字產品，成功幫助大量團隊與企業提高生產效率，使其能專注於更重要的事情。
 他還曾在數十次全球會議上發表演講，致力於使復雜的概念變得更易於理解，幫助人們提升自我。

第1章  人工智能初印象   1
1.1  什麼是人工智能？ 1
1.1.1  定義AI   2
1.1.2  理解數據是智能算法的核心   3
1.1.3  把算法看作“菜譜”   4
1.2  人工智能簡史   6
1.3  問題類型與問題解決範式   7
1.4  人工智能概念的直觀印象   9
1.5  人工智能算法的用途   13
1.5.1  農業：植物種植優化   13
1.5.2  銀行業：欺詐檢測   14
1.5.3  網絡安全：攻擊檢測與處理   14
1.5.4  醫療：智能診斷   14
1.5.5  物流：路徑規劃與優化   15
1.5.6  通信：網絡優化   16
1.5.7  遊戲：主體創造   16
1.5.8  藝術：創造傑出作品   17
1.6  本章小結   17
第2章  搜索算法基礎   21
2.1  什麼是規劃與搜索？ 21
2.2  計算成本：需要智能算法的原因   23
2.3  適合用搜索算法的問題   24
2.4  表示狀態：創建一個表示問題空間與解的框架   26
2.4.1  圖：表示搜索問題與解   28
2.4.2  用具體的數據結構表示圖   28
2.4.3  樹：表示搜索結果的具體結構   29
2.5  無知搜索：盲目地找尋解   31
2.6  廣度優先搜索：先看廣度，再看深度   33
2.7  深度優先搜索：先看深度，再看廣度   39
2.8  盲目搜索算法的用例   45
2.9  可選：關於圖的類別   46
2.10  可選：其他表示圖的方法   47
2.10.1  關聯矩陣   47
2.10.2  鄰接表   48
2.11  本章小結   48
第3章  智能搜索   51
3.1  定義啟發式方法：設計有根據的猜測   51
3.2  知情搜索：在指導下尋求解決方案   54
3.2.1  A*搜索   54
3.2.2  知情搜索算法的用例   61
3.3  對抗性搜索：在不斷變化的環境中尋找解決方案   62
3.3.1  一個簡單的對抗性問題   62
3.3.2  小-搜索：模擬行動並選擇好的未來   63
3.3.3  啟發式   64
3.3.4  阿爾法-貝塔剪枝：僅探索合理的路徑   72
3.3.5  對抗搜索算法的典型案例   75
3.4  本章小結   75
第4章  進化算法   77
4.1  什麼是進化？ 77
4.2  適合用進化算法的問題   80
4.3  遺傳算法的生命週期   84
4.4  對解空間進行編碼   86
4.5  創建解決方案種群   89
4.6  衡量種群中個體的適應度   91
4.7  根據適應度得分篩選親本   93
4.8  由親本繁殖個體   96
4.8.1  單點交叉：從每個親本繼承一部分   97
4.8.2  兩點交叉：從每個親本繼承多個部分   98
4.8.3  均勻交叉：從每個親本繼承多個部分   98
4.8.4  二進制編碼的位串突變   100
4.8.5  二進制編碼的翻轉位突變   101
4.9  繁衍下一代   101
4.9.1  探索與挖掘   102
4.9.2  停止條件   102
4.10  遺傳算法的參數配置   104
4.11  進化算法的用例   105
4.12  本章小結   105
第5章  進化算法(高級篇)   107
5.1  進化算法的生命週期   107
5.2  其他篩選策略   109
5.2.1  排序篩選法：均分賽場   109
5.2.2  聯賽篩選法：分組對抗   110
5.2.3  精英篩選法：只選好的   111
5.3  實值編碼：處理真實數值   111
5.3.1  實值編碼的核心概念   112
5.3.2  算術交叉：數學化繁殖   113
5.3.3  邊界突變   113
5.3.4  算術突變   114
5.4  順序編碼：處理序列   114
5.4.1  適應度函數的重要性   116
5.4.2  順序編碼的核心概念   116
5.4.3  順序突變：適用於順序編碼   116
5.5  樹編碼：處理層次結構   117
5.5.1  樹編碼的核心概念   118
5.5.2  樹交叉：繼承樹的分支   119
5.5.3  節點突變：更改節點的值   120
5.6  常見進化算法   120
5.6.1  遺傳編程   120
5.6.2  進化編程   121
5.7  進化算法術語表   121
5.8  進化算法的其他用例   121
5.9  本章小結   122
第6章  群體智能：蟻群優化   125
6.1  什麼是群體智能？ 125
6.2  適合用蟻群優化算法的問題   127
6.3  狀態表達：如何表達螞蟻和路徑？ 130
6.4  蟻群優化算法的生命週期   134
6.4.1  初始化信息素印跡   135
6.4.2  建立螞蟻種群   136
6.4.3  為螞蟻選擇下一個訪問項目   138
6.4.4  更新信息素印跡   145
6.4.5  更新解決方案   149
6.4.6  確定終止條件   150
6.5  蟻群優化算法的用例   152
6.6  本章小結   153
第7章  群體智能：粒子群優化   155
7.1  什麼是粒子群優化？ 155
7.2  優化問題：略偏技術性的觀點   157
7.3  適合用粒子群優化算法的問題   160
7.4  狀態表達：粒子是什麼樣的？ 162
7.5  粒子群優化的生命週期   163
7.5.1  初始化粒子群   164
7.5.2  計算粒子的適應度   166
7.5.3  更新粒子的位置   169
7.5.4  確定終止條件   180
7.6  粒子群優化算法的用例   181
7.7  本章小結   183
第8章  機器學習   185
8.1  什麼是機器學習？ 185
8.2  適合用機器學習的問題   187
8.2.1  監督學習   188
8.2.2  非監督學習   188
8.2.3  強化學習   188
8.3  機器學習的工作流程   188
8.3.1  收集和理解數據：掌握數據背景   189
8.3.2  準備數據：清洗和整理   191
8.3.3  訓練模型：用線性回歸預測   196
8.3.4  測試模型：驗證模型精度   205
8.3.5  提高準確性   208
8.4  分類問題：決策樹   210
8.4.1  分類問題：非此即彼   210
8.4.2  決策樹的基礎知識   211
8.4.3  訓練決策樹   213
8.4.4  用決策樹對實例進行分類   223
8.5  其他常見的機器學習算法   226
8.6  機器學習算法的用例   227
8.7  本章小結   228
第9章  人工神經網絡   231
9.1  什麼是人工神經網絡？ 231
9.2  感知器：表徵神經元   234
9.3  定義人工神經網絡   237
9.4  前向傳播：使用訓練好的人工神經網絡   243
9.5  反向傳播：訓練人工神經網絡   250
9.6  激活函數一覽   259
9.7  設計人工神經網絡   260
9.8  人工神經網絡的類型和用例   263
9.8.1  卷積神經網絡   263
9.8.2  遞歸神經網絡   264
9.8.3  生成對抗網絡   264 
9.9  本章小結   266
第10章  基於Q-learning的強化學習   269
10.1  什麼是強化學習？ 269
10.2  適合用強化學習的問題   272
10.3  強化學習的生命週期   273
10.3.1  模擬與數據：環境重現   274
10.3.2  使用Q-learning模擬訓練   278
10.3.3  模擬並測試Q表   287
10.3.4  衡量訓練的性能   287
10.3.5  無模型和基於模型的學習   288
10.4  強化學習的深度學習方法   289
10.5  強化學習的用例   289
10.5.1  機器人技術   290
10.5.2  推薦引擎   290
10.5.3  金融貿易   290
10.5.4  電子遊戲   291
10.6  本章小結   291