[套装书]天才与算法：人脑与AI的数学思维+机器学习算法（原书第2版）（2册）
| 作者 |
| [英] 马库斯·杜·索托伊（Marcus du Sautoy） [意] 朱塞佩·博纳科尔索（Giuseppe Bonaccorso） |
| 丛书名 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9782004162270 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 ---------------------------天才与算法：人脑与AI的数学思维--------------------------- 算法、计算机代码、人工智能、机器学习都是以数学为核心的。如果想了解掌控现代生活的算法完成这些事情的内在机理，那么就需要理解支撑它们的数学规则。 牛津大学著名数学家马库斯?杜?索托伊（Marcus du Sautoy）在数论方面的研究，让他游走在当今人类数学理解力的最前沿。他一直关注跟踪人工智能将如何丰富和改变甚至颠覆我们对于人类创造力意义的理解。在令人困惑的人工智能科学里可以为各位导航的，很难想象还有谁能更出其右。 在本书中，作者思考了人工智能对创造力的未来意味着什么。从洛夫莱斯的预言到AlphaGo与人类博弈并“战胜人类”，小到择偶、大到向公众发布新闻，从数学到文学，从音乐到绘画， Google搜索引擎的“爬虫算法”，网飞公司为用户推荐电影，“波洛克化器”可以制作出波洛克风格的滴画，机器从J?K?罗琳的灵感中衍生出以假乱真的续集，而音乐创作算法“艾米”成功地愚弄了一大帮研究巴赫的专家。人工智能和机器学习的魅影在这些领域里潜行。但是，这些程序只是进行模仿，还是它们已经具备了创造所需的所有条件？ 马库斯认为，要回答这个问题，我们就需要了解驱动它们的算法是如何工作的——这又让他回到了数学的领域。在其中探索算法的谜题、未知却又引人入胜的可能性。 本书为我们展现了人工智能是如何逐步变得强大，怎样支持我们人类的创造力，以及它们开始进行创造性的艺术创作。引导读者去认知人类创造力的本质，探索了算法、数学思维和艺术创作之间的关系，并为未来人类与机器的共生关系描绘出一个更加积极、出人意料的愿景。 牛津大学著名数学家马库斯?杜?索托伊（Marcus du Sautoy）在数论方面的研究，让他游走在当今人类数学理解力的最前沿。他一直关注跟踪人工智能将如何丰富和改变甚至颠覆我们对于人类创造力意义的理解。在令人困惑的人工智能科学里可以为各位导航的，很难想象还有谁能更出其右。 在本书中，作者思考了人工智能对创造力的未来意味着什么。从洛夫莱斯的预言到AlphaGo与人类博弈并“战胜人类”，小到择偶、大到向公众发布新闻，从数学到文学，从音乐到绘画， Google搜索引擎的“爬虫算法”，网飞公司为用户推荐电影，“波洛克化器”可以制作出波洛克风格的滴画，机器从J?K?罗琳的灵感中衍生出以假乱真的续集，而音乐创作算法“艾米”成功地愚弄了一大帮研究巴赫的专家。人工智能和机器学习的魅影在这些领域里潜行。但是，这些程序只是进行模仿，还是它们已经具备了创造所需的所有条件？ 马库斯认为，要回答这个问题，我们就需要了解驱动它们的算法是如何工作的——这又让他回到了数学的领域。在其中探索算法的谜题、未知却又引人入胜的可能性。 本书为我们展现了人工智能是如何逐步变得强大，以及它们如何开始进行创造性的艺术创作。本书引导读者去认知人类创造力的本质，探索了算法、数学思维和艺术创作之间的关系，并为未来人类与机器的共生关系描绘出一个更加积极、出人意料的愿景。 ---------------------------机器学习算法（原书第2版）--------------------------- . 本书介绍了数据科学领域常用的所有重要机器学习算法以及TensorFlow和特征工程等相关内容。涵盖的算法包括线性回归、逻辑回归、支持向量机、朴素贝叶斯、k均值、随机森林等，这些算法可以用于监督学习、非监督学习、强化学习或半监督学习。 在本书中，你将学会如何使用这些算法来解决所遇到的问题，并了解这些算法的工作方式。本书还将介绍自然语言处理和推荐系统，这些内容将帮助大家进行多种算法的实践。 阅读完本书后，面对你所遇到的问题，你将了解如何选择合适的聚类、分类或回归的机器学习算法。 |
| 目录 |
---------------------------天才与算法：人脑与AI的数学思维--------------------------- 赞誉 第1章 洛夫莱斯测试 001 第2章 激发创造力 009 创造力教得会吗 014 第3章 向人类宣战 019 非凡的游戏男孩 023 首战告捷 029 精妙绝伦 031 人类的反击 034 山头还是主峰 039 第4章 算法，网络时代的生活秘诀 043 荒岛算法 047 数学，幸福婚姻的秘诀 055 书商之战 059 第5章 从“自上而下”到“自下而上” 063 看还是不看 067 算法的幻觉 072 第6章 算法的进化 077 如果你喜欢…… 079 如何训练算法 085 偏见和盲点 087 机器之间的战争 090 第7章 数字绘画 095 什么是艺术 099 生物的创造力 105 可视化编码 108 分形：大自然的代码 111 从“亚伦”到“绘画傻瓜” 115 第8章 站在巨人的肩膀上 123 复活伦勃朗 127 创造力竞争 132 算法如何思考 142 算法就是一门艺术 145 第9章 数学的艺术 149 数学证明的游戏 152 数学的起源 154 证明的起源 159 第10章 数学家的望远镜 165 Coq证明助手 169 人脑的极限 171 沃沃斯基的愿景 175 第11章 音乐：声响的数学之旅 179 巴赫：首位音乐程序员 183 艾米：人工智能作曲家 188 模拟游戏：音乐图灵测试 193 “深度巴赫”：从头开始再生作曲家 198 第12章 歌曲的创作公式 203 普希金、诗歌和概率 205 “续作者”：第一个人工智能即兴爵士作曲演奏者 209 “心流机” 211 量子作曲 217 人为何创作音乐 220 第13章 深度数学 223 Mizar的数学 226 数学图灵测试 228 巴别数学图书馆 231 数学寓言 234 意料之外的故事 236 数学的叙述艺术 238 第14章 语言游戏 241 《危险边缘》 248 “华生”的工作模式 251 在翻译中迷失 255 机器人术语 258 受阻于“中文房间”试验 259 第15章 人工智能讲故事 263 如何在一个月内完成一部小说 271 哈利·波特和死亡波特尼克 273 假如…… 275 伟大的“自动化”数学家 279 人工智能新闻 281 第16章 为什么要创造：思想的交流 287 ---------------------------机器学习算法（原书第2版）--------------------------- 译者序 前言 第1章机器学习简介 1.1简介——经典机器和自适应的机器 1.1.1描述性分析 1.1.2预测性分析 1.2关于学习 1.2.1监督学习 1.2.2无监督学习 1.2.3半监督学习 1.2.4强化学习 1.2.5计算神经科学 1.3超越机器学习——深度学习和基于生物启发的适应系统 1.4机器学习和大数据 1.5本章小结 第2章机器学习的重要元素 2.1数据格式 2.2可学习性 2.2.1欠拟合和过拟合 2.2.2误差度量和成本函数 2.2.3PAC学习 2.3统计学习方法介绍 2.3.1最大后验概率学习 2.3.2最大似然学习 2.4类平衡 2.4.1可置换的重采样 2.4.2合成少数类过采样 2.5信息论的要素 2.5.1熵 2.5.2交叉熵和互信息 2.5.3两个概率分布的散度 2.6本章小结 第3章特征选择与特征工程 3.1scikit-learn的toy数据集 3.2创建训练集和测试集 3.3管理分类数据 3.4管理缺失特征 3.5数据缩放和归一化 3.6特征选择和过滤 3.7主成分分析 3.7.1非负矩阵分解 3.7.2稀疏PCA 3.7.3核PCA 3.8独立成分分析 3.9原子提取和字典学习 3.10使用t-SNE可视化高维数据集 3.11本章小结 第4章回归算法 4.1线性模型 4.2一个二维的例子 4.3基于scikit-learn的线性回归和更高维 4.3.1决定系数 4.3.2可解释方差 4.3.3回归的解析表达 4.4Ridge回归、Lasso回归和ElasticNet 4.4.1Ridge回归 4.4.2Lasso回归 4.4.3ElasticNet 4.5稳健回归 4.5.1随机抽样一致算法 4.5.2Huber回归 4.6贝叶斯回归 4.7多项式回归 4.8保序回归 4.9本章小结 第5章线性分类算法 5.1线性分类 5.2逻辑回归 5.3实现和优化 5.4随机梯度下降算法 5.5被动攻击算法 5.6通过网格搜索找到最优超参数 5.7评估分类的指标 5.7.1混淆矩阵 5.7.2精确率 5.7.3召回率 5.7.4F-Beta 5.7.5Kappa系数 5.7.6分类报告 5.7.7学习曲线 5.8ROC曲线 5.9本章小结 第6章朴素贝叶斯和判别分析 6.1贝叶斯定理 6.2朴素贝叶斯分类器 6.3scikit-learn中的朴素贝叶斯 6.3.1伯努利朴素贝叶斯 6.3.2多项式朴素贝叶斯 6.3.3高斯朴素贝叶斯 6.4判别分析 6.5本章小结 第7章支持向量机 7.1线性支持向量机 7.2scikit-learn实现 7.3基于内核的分类 7.3.1径向基函数 7.3.2多项式核 7.3.3Sigmoid核 7.3.4自定义核 7.3.5非线性例子 7.4受控支持向量机 7.5支持向量回归 7.6半监督支持向量机简介 7.7本章小结 第8章决策树和集成学习 8.1二元决策树 8.1.1二元决策 8.1.2不纯度的衡量 8.1.3特征重要度 8.2基于scikit-learn的决策树分类 8.3决策树回归 8.4集成学习简介 8.4.1随机森林 8.4.2AdaBoost 8.4.3梯度树提升 8.4.4投票分类器 8.5本章小结 第9章聚类原理 9.1聚类基础 9.2k-NN算法 9.3高斯混合 9.4k-means 9.5基于样本标记的评价方法 9.5.1同质性 9.5.2完整性 9.5.3修正兰德指数 9.6本章小结 第10章高级聚类 10.1DBSCAN 10.2谱聚类 10.3在线聚类 10.3.1mini-batch k-means 10.3.2BIRCH 10.4双聚类 10.5本章小结 第11章层次聚类 11.1分层策略 11.2凝聚聚类 11.2.1树形图 11.2.2scikit-learn中的凝聚聚类 11.2.3连接限制 11.3本章小结 第12章推荐系统介绍 12.1朴素的基于用户的系统 12.2基于内容的系统 12.3无模式（或基于内存的）协同过滤 12.4基于模型的协同过滤 12.4.1奇异值分解策略 12.4.2交替最小二乘法策略 12.4.3用Apache Spark MLlib实现交替最小二乘法策略 12.5本章小结 第13章自然语言处理简介 13.1NLTK和内置语料库 13.2词袋策略 13.2.1标记 13.2.2停止词的删除 13.2.3词干抽取 13.2.4向量化 13.3词性 13.4示例文本分类器 13.5本章小结 第14章NLP中的主题建模与情感分析 14.1主题建模 14.1.1隐性语义分析 14.1.2概率隐性语义分析 14.1.3隐性狄利克雷分配 14.2使用Gensim的Word2vec简介 14.3情感分析 14.4本章小结 第15章神经网络介绍 15.1深度学习简介 15.2基于Keras的MLP 15.3本章小结 第16章高级深度学习模型 16.1深层结构 16.2基于Keras的深度卷积网络示例 16.3基于Kears的LSTM网络示例 16.4TensorFlow简介 16.4.1梯度计算 16.4.2逻辑回归 16.4.3用多层感知器进行分类 16.4.4图像卷积 16.5本章小结 第17章创建机器学习架构 17.1机器学习框架 17.1.1数据收集 17.1.2归一化 17.1.3降维 17.1.4数据扩充 17.1.5数据转换 17.1.6建模、网格搜索和交叉验证 17.1.7可视化 17.1.8GPU支持 17.1.9分布式架构简介 17.2用于机器学习架构的scikit-learn工具 17.2.1管道 17.2.2特征联合 17.3本章小结 |
有问题微信扫码联系