人工智能算法系列圖書以一種數(shù)學(xué)上易于理解的方式講授人工智能相關(guān)概念，這也是本系列圖書英文書名中“for Human”的含義。

本系列圖書的每一卷均可獨(dú)立閱讀，也可作為系列圖書整體閱讀。但需要注意的是，卷1中列出了后續(xù)各卷所使用的各種基本算法，并且這些算法本身既是基礎(chǔ)，也不失實(shí)用性。

?

2020年1月，人工智能算法系列圖書第一卷出版。

?

欲建高樓，必重基礎(chǔ)。本書會講授諸如維度法、距離度量算法、聚類算法、誤差計(jì)算、爬山算法、線性回歸和離散學(xué)習(xí)這樣的人工智能算法。這些算法對應(yīng)于數(shù)據(jù)中特定模式的處理和識別，同時(shí)也是像亞馬遜（Amazon）和網(wǎng)飛（Netflix）這類網(wǎng)站中，各種推薦系統(tǒng)背后的邏輯。

這些算法不僅是后續(xù)各卷所介紹的算法的基礎(chǔ)，其本身也大有用處。在本書中，這些算法的講解均附以可操作性強(qiáng)的數(shù)值計(jì)算示例。

在卷1中給出的網(wǎng)上學(xué)習(xí)資源

首先是可汗學(xué)院，上面收集整理了許多講授各種數(shù)學(xué)概念的YouTube視頻。你要是需要復(fù)習(xí)某個(gè)概念，可汗學(xué)院上很可能就有你需要的視頻講解，讀者可以自行查找。

其次是網(wǎng)站“神經(jīng)網(wǎng)絡(luò)常見問答”。作為一個(gè)純文本資源，上面擁有大量神經(jīng)網(wǎng)絡(luò)和其他人工智能領(lǐng)域的相關(guān)信息：

http://www.faqs.org/faqs/ai-faq/neural-nets/

此外，Encog項(xiàng)目的wiki頁面也有許多機(jī)器學(xué)習(xí)方面的內(nèi)容，并且這些內(nèi)容并不局限于Encog項(xiàng)目：

http://www.heatonresearch.com/wiki/Main_Page

最后，Encog的論壇上也可以討論人工智能和神經(jīng)網(wǎng)絡(luò)相關(guān)話題，這些論壇都非常活躍，你的問題很可能會得到某個(gè)社區(qū)成員甚至是我本人的回復(fù)：

http://www.heatonresearch.com/forum

---

2021年11月，《人工智能算法（卷2）：受大自然啟發(fā)的算法》出版

?

本書的示例采用偽代碼，因此每個(gè)人都可以理解它們。本書的GitHub開源庫提供了幾種編程語言的版本，因此你可以通過實(shí)踐來強(qiáng)化學(xué)習(xí)過程。你可以自行修改這些“無秘密”代碼。這不是“黑盒子”演示。如果你是一名程序員，使用Java、R、Python、C#、C、Scala等語言之一（可能還有更多的語言），那么你可以下載并運(yùn)行所有示例代碼。這些代碼已經(jīng)過測試，能夠正常運(yùn)行。你無須花費(fèi)時(shí)間來調(diào)試代碼，只需享受體驗(yàn)AI學(xué)習(xí)過程。

在本卷中，Jeff介紹了諸如遺傳算法、蟻群優(yōu)化和粒子群優(yōu)化等算法，展示了它們的用途（何時(shí)有用以及為何有用），以及如何實(shí)現(xiàn)它們。這些是重要的主題。他的“人工智能算法”系列圖書介紹了一些令人興奮的主題，許多人會認(rèn)為這些主題令人生畏。這本書是在講腦外科手術(shù)嗎？不是！但是它涉及神經(jīng)網(wǎng)絡(luò)和一些前沿話題，例如深度信念網(wǎng)絡(luò)。請享受本書，享受本系列圖書，享受這場冒險(xiǎn)！

本書介紹了基于基因、鳥類、螞蟻、細(xì)胞和樹的算法。這些算法可用于查找最佳路徑、識別模式、查找數(shù)據(jù)背后的公式，甚至模擬簡單的生命等。

有時(shí)，自然界中的生物會相互配合。如狼會一起狩獵，鳥會成群結(jié)隊(duì)地遷徙。作為程序員，你可以設(shè)計(jì)一組虛擬生物，利用它們一起解決問題。

另一些時(shí)候，自然界中的生物相互競爭。我們可以利用“最適者生存”來指導(dǎo)程序的演化。演化算法允許多種潛在的解決方案競爭、繁殖和演化。經(jīng)過許多代之后，一個(gè)潛在的優(yōu)秀解會被演化出來。

重要的是，要記住我們只是從大自然中尋求靈感，而不追求復(fù)制自然，并且如果需要的話，我們可以偏離生物學(xué)過程。與先進(jìn)的計(jì)算機(jī)能夠模擬的過程相比，實(shí)際的生物過程通常都要復(fù)雜得多。

---

2021年3月，《人工智能算法 卷3 深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)》出版，目前已上新書榜。

?

神經(jīng)網(wǎng)絡(luò)的再次興起，是因?yàn)镠inton G.（2006）提出了一種全新的深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法。高速圖形處理單元（Graphics Processing Unit，GPU）的最新進(jìn)展，使程序員可以訓(xùn)練具有三層或更多層的神經(jīng)網(wǎng)絡(luò)。程序員逐步意識到深層神經(jīng)網(wǎng)絡(luò)的好處，從而促使該技術(shù)重新流行。

為了奠定本書其余部分的基礎(chǔ)，我們從分析經(jīng)典的神經(jīng)網(wǎng)絡(luò)開始，這些經(jīng)典的神經(jīng)網(wǎng)絡(luò)對各種任務(wù)仍然有用。我們的分析包括一些概念，如自組織映射（Self-Organizing Map，SOM）、霍普菲爾德神經(jīng)網(wǎng)絡(luò)（Hopfield neural network）和玻爾茲曼機(jī)（Boltzmann machine）。我們還介紹了前饋神經(jīng)網(wǎng)絡(luò)（FeedForward Neural Network，FFNN），并展示了幾種訓(xùn)練它的方法。

具有許多層的前饋神經(jīng)網(wǎng)絡(luò)變成了深度神經(jīng)網(wǎng)絡(luò)。這本書包含訓(xùn)練深度網(wǎng)絡(luò)的方法，如GPU支持。我們還會探索與深度學(xué)習(xí)相關(guān)的技術(shù)，如隨機(jī)Dropout、正則化和卷積。最后，我們通過一些深度學(xué)習(xí)的真實(shí)示例來演示這些技術(shù)，如預(yù)測建模和圖像識別。

神經(jīng)網(wǎng)絡(luò)路線指引

本書包含各種類型的神經(jīng)網(wǎng)絡(luò)。我們將提供這些神經(jīng)網(wǎng)絡(luò)及其示例，展示特定問題域中的神經(jīng)網(wǎng)絡(luò)。并不是所有神經(jīng)網(wǎng)絡(luò)都適用于每一個(gè)問題域。作為神經(jīng)網(wǎng)絡(luò)程序員，你需要知道針對特定問題使用哪個(gè)神經(jīng)網(wǎng)絡(luò)。

這里提供了通往本書其余部分的高級路線指引，它將指導(dǎo)你閱讀本書中你感興趣的領(lǐng)域。表1展示了本書中的神經(jīng)網(wǎng)絡(luò)類型及其適用的問題域。

?

表1列出的問題域說明如下。

• 聚類：無監(jiān)督的聚類問題。
• 回歸：回歸問題，神經(jīng)網(wǎng)絡(luò)必須根據(jù)輸入，輸出數(shù)字。
• 分類：分類問題，神經(jīng)網(wǎng)絡(luò)必須將數(shù)據(jù)點(diǎn)分為預(yù)定義的類別。
• 預(yù)測：神經(jīng)網(wǎng)絡(luò)必須及時(shí)預(yù)測事件，如金融應(yīng)用程序的信號。
• 機(jī)器人：使用傳感器和電機(jī)控制的機(jī)器人。
• 視覺：計(jì)算機(jī)視覺（Computer Vision，CV）問題，要求計(jì)算機(jī)理解圖像。
• 優(yōu)化：優(yōu)化問題，要求神經(jīng)網(wǎng)絡(luò)找到最佳排序或一組值以實(shí)現(xiàn)目標(biāo)。

勾選標(biāo)記（√）的數(shù)量給出了每種神經(jīng)網(wǎng)絡(luò)類型對該特定問題的適用性。如果沒有勾選，則說明無法將該神經(jīng)網(wǎng)絡(luò)類型應(yīng)用于該問題域。

所有神經(jīng)網(wǎng)絡(luò)都有一些共同的特征，如神經(jīng)元、權(quán)重、激活函數(shù)和層，它們是神經(jīng)網(wǎng)絡(luò)的構(gòu)建塊。在本書的第1章中，我們將介紹這些概念，并介紹大多數(shù)神經(jīng)網(wǎng)絡(luò)共有的基本特征。

小編祝您閱讀愉快！

總結(jié)

以上是生活随笔為你收集整理的这套人工智能算法书已经出版了3卷，其中卷3深度学习和神经网络最受程序员喜欢的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。