《大數據時代的算法：機器學習、人工智慧及其典型實例》一書由劉凡平編著，電子工業出版社2017年1月出版
基本介紹
- 書名：大數據時代的算法：機器學習、人工智慧及其典型實例
- 作者：劉凡平
- ISBN：978-7-121-30429-3
- 頁數：220
- 定價：49.00
- 出版社：電子工業出版社
- 出版時間：2017年1月
- 開本：16開
內容提要,目錄,
內容提要
《大數據時代的算法：機器學習、人工智慧及其典型實例》介紹在網際網路行業中經常涉及的算法，包括排序算法、查找算法、資源分配算法、路徑分析算法、相似度分析算法，以及與機器學習相關的算法，包括數據分類算法、聚類算法、預測與估算算法、決策算法、關聯規則分析算法及推薦算法。《大數據時代的算法：機器學習、人工智慧及其典型實例》涉及的相關算法均為解決實際問題中的主流算法，對於工作和學習都有實際參考意義。
《大數據時代的算法：機器學習、人工智慧及其典型實例》是一本算法領域內的技術參考書籍，涵蓋數十種算法，通過由淺入深的介紹基礎算法和機器學習算法相關理論和套用，闡述了各個算法的套用場景及算法複雜度，使讀者對算法的理解不只是停留在表面，還從套用的角度提供了大量實例，使讀者能夠快速、高效進階各類算法，並能夠熟練套用到將來的工作實踐中。
目錄
第1章 算法基礎 1
1.1 基礎算法分析類型 1
1.1.1 分治法 1
1.1.2 動態規劃法 2
1.1.3 回溯法 3
1.1.4 分支限界法 4
1.1.5 貪心法 4
1.2 算法性能分析 5
1.3 機率論與數理統計基礎 6
1.4 距離計算 8
1.4.1 歐氏距離 8
1.4.2 馬氏距離 9
1.4.3 曼哈頓距離 9
1.4.4 切比雪夫距離 9
1.4.5 閔氏距離 9
1.4.6 海明距離 10
1.5 排序算法 10
1.5.1 快速排序 11
1.5.2 歸併排序 11
1.5.3 堆排序 13
1.5.4 基數排序 15
1.5.5 外排序 16
1.6 字元壓縮編碼 17
1.6.1 哈夫曼編碼 17
1.6.2 香農-范諾編碼 21
1.7 本章小結 24
第2章 數據查找與資源分配算法 25
2.1 數值查找算法 25
2.1.1 二分搜尋算法 25
2.1.2 分塊查找算法 27
2.1.3 哈希查找算法 28
2.2 字元串查找算法 30
2.2.1 Knuth-Morris-Pratt算法 31
2.2.2 Boyer-Moore算法 34
2.2.3 Sunday算法 37
2.3 海量數據中的查找 39
2.3.1 基於布隆過濾器查找 39
2.3.2 倒排索引查找 41
2.4 銀行家算法 43
2.5 背包問題 44
2.5.1 0-1背包問題 45
2.5.2 部分背包問題 46
2.6 本章小結 47
第3章 路徑分析算法 49
3.1 基於Dijkstra算法的路徑分析 49
3.1.1 套用示例：極地探險 49
3.1.2 基於Dijkstra的最短路徑規劃 50
3.2 基於Floyd算法的路徑分析 53
3.2.1 套用示例：任意兩個城市之間的最短路徑 53
3.2.2 Floyd原理 54
3.2.3 基於Floyd算法計算兩個城市最短距離 56
3.3 基於A*算法的路徑搜尋 58
3.3.1 套用實例：繞過障礙區到達目的地 58
3.3.2 A*算法與最短距離計算 59
3.4 基於維特比算法的機率路徑 61
3.4.1 套用實例：推斷天氣狀態 61
3.4.2 維特比算法思想 62
3.4.3 計算天氣狀態 62
3.5 最長公共子序列問題 64
3.5.1 概要 64
3.5.2 最長公共子串 64
3.5.3 最長公共子序列原理 66
3.5.4 實例：求兩字元串的最長公共子序列 66
3.6 本章小結 68
第4章 相似度分析算法 69
4.1 套用實例：海量網頁相似度分析 69
4.2 基於Jaccard相似係數的相似度計算 70
4.2.1 計算流程 70
4.2.2 狹義Jaccard相似係數 71
4.2.3 廣義Jaccard相似係數 71
4.3 基於MinHash的相似性算法 71
4.3.1 與Jaccard相似性關係 71
4.3.2 計算網頁文本相似性過程 72
4.4 向量空間模型 73
4.4.1 詞袋模型 73
4.4.2 TF-IDF算法 74
4.5 基於餘弦相似性算法的相似度分析 76
4.5.1 原理基礎 76
4.5.2 公式解析 77
4.5.3 計算網頁文本相似性過程 77
4.6 基於語義主題模型的相似度算法 78
4.7 基於SimHash算法的指紋碼 80
4.7.1 SimHash引入 81
4.7.2 SimHash的計算流程 81
4.7.3 計算重複信息 83
4.8 相似度算法的差異性 84
4.9 本章小結 85
第5章 數據分類算法 86
5.1 基於樸素貝葉斯分類器 86
5.1.1 有監督分類與無監督分類 87
5.1.2 套用實例：識別車厘子與櫻桃 88
5.1.3 分類流程歸納 91
5.1.4 套用擴展：垃圾郵件識別 92
5.1.5 常用評價指標 96
5.2 基於AdaBoost分類器 100
5.2.1 AdaBoost概述 100
5.2.2 AdaBoost算法具體流程 101
5.2.3 AdaBoost算法的套用實例 102
5.2.4 AdaBoost算法的優點 105
5.3 基於支持向量機的分類器 105
5.3.1 線性可分與線性不可分 106
5.3.2 感知器 107
5.3.3 支持向量機 108
5.4 基於K鄰近算法的分類器 109
5.4.1 套用實例：電影觀眾興趣發現 109
5.4.2 核心思想 109
5.4.3 電影觀眾興趣發現 110
5.5 本章小結 113
第6章 數據聚類算法 115
6.1 基於系統聚類法 115
6.1.1 概述 116
6.1.2 最短距離法 117
6.1.3 重心聚類法 119
6.1.4 動態聚類法 120
6.2 基於K-Means聚類算法 122
6.2.1 套用實例：新聞聚類 122
6.2.2 邏輯流程 123
6.2.3 實現新聞聚類分析 124
6.2.4 K-Means++ 128
6.2.5 K-中心點聚類算法 129
6.2.6 ISODATA聚類算法 130
6.3 基於密度的DBSCAN算法 131
6.4 基於BIRCH算法的聚類分析 133
6.4.1 聚類特徵 133
6.4.2 聚類特徵樹 134
6.5 聚類與分類差異 135
6.6 本章小結 136
第7章 數據預測與估算算法 137
7.1 產生式模型與判別式模型 137
7.2 基於最大似然估計的預測 138
7.3 基於線性回歸的估算 140
7.3.1 概要 140
7.3.2 最小二乘法 141
7.4 基於最大期望算法分析 143
7.5 基於隱馬爾科夫模型預測 144
7.5.1 套用實例：高溫天氣與行為機率 144
7.5.2 原理分析 145
7.5.3 高溫天氣與行為機率 147
7.6 基於條件隨機場的序列預測 151
7.6.1 套用實例 151
7.6.2 原理分析 151
7.6.3 條件隨機場的優缺點 153
7.7 本章小結 154
第8章 數據決策分析算法 155
8.1 基於ID3算法的決策分析 156
8.1.1 信息量 156
8.1.2 信息熵 156
8.1.3 信息增益 157
8.1.4 ID3算法流程 157
8.1.5 ID3算法的套用 157
8.2 基於C4.5算法的分類決策樹 159
8.2.1 概要 159
8.2.2 套用實例 159
8.3 基於分類回歸樹的決策劃分 161
8.3.1 概要 162
8.3.2 套用實例：決策劃分 163
8.3.3 剪枝 164
8.4 基於隨機森林的決策分類 168
8.4.1 隨機森林的特點 169
8.4.2 隨機森林的構造方法 169
8.4.3 套用實例：決定車厘子的售價層次 170
8.5 本章小結 172
第9章 數據關聯規則分析算法 174
9.1 基於Apriori算法的關聯項分析 174
9.1.1 套用實例：超市的貨架擺放問題 175
9.1.2 基本概要 175
9.1.3 算法原理 176
9.1.4 有效擺放貨架 176
9.2 基於FP-Growth算法的關聯性分析 179
9.2.1 構建FP樹 179
9.2.2 頻繁項分析 181
9.2.3 與Apripri算法比較 184
9.3 基於Eclat算法的頻繁項集挖掘 184
9.4 本章小結 185
第10章 數據推薦算法 187
10.1 概要 187
10.1.1 推薦算法發展 188
10.1.2 協同過濾推薦 189
10.2 基於Item-Based協同過濾推薦 190
10.2.1 Item-Based基本思想 190
10.2.2 Slope One實例：基於評分推薦 190
10.3 基於User-Based協同過濾推薦 193
10.3.1 套用實例：根據人群的推薦 194
10.3.2 User-Based與Item-Based對比 197
10.4 基於潛在因子算法的推薦 198
10.4.1 套用實例：新聞推薦 198
10.4.2 流行度與推薦 200
10.5 推薦算法與效果評價 201
10.6 本章小結 203
