●譯者序
前言
關於作者
關於審校者
第一部分基礎與核心算法
第1章算法概述2
1.1什麼是算法2
1.2描述算法邏輯4
1.2.1理解偽代碼4
1.2.2使用代碼片段6
1.2.3制定執行計劃6
1.3Python包簡介7
1.3.1Python包8
1.3.2通過Jupyter Notebook執行Python9
1.4算法設計技術10
1.4.1數據維度11
1.4.2計算維度12
1.5性能分析13
1.5.1空間復雜度分析13
1.5.2時間復雜度分析14
1.5.3性能評估14
1.5.4選擇算法15
1.5.5大O記號15
1.6驗證算法19
1.6.1準確算法、近似算法和隨機算法19
1.6.2可解釋性20
1.7小結20
第2章算法中的數據結構21
2.1Python中的數據結構21
2.1.1列表22
2.組26
2.1.3字典27
2.1.4集合28
2.1.5數據幀30
2.1.6矩陣32
2.2抽像數據類型33
2.2.1向量33
2.2.2棧34
2.2.3隊列36
2.2.4棧和隊列背後的基本思想37
2.2.5樹38
2.3小結40
第3章排序算法和查找算法41
3.1排序算法簡介41
3.1.1在Python中交換變量42
3.1.2冒泡排序42
3.1.3插入排序44
3.1.4歸並排序46
3.1.5希爾排序48
3.1.6選擇排序50
3.2查找算法簡介51
3.2.1線性查找52
3.2.2二分查找52
3.2.3插值查找53
3.3實際應用54
3.4小結56
第4章算法設計57
4.1算法設計基本概念57
4.1.1第一點—所設計算法是否能產生預期的結果58
4.1.2第二點—所設計算法是否是獲取結果的很好方法58
4.1.3第三點—所設計算法在更大的數據集上表現如何61
4.2理解算法策略61
4.2.1分治策略62
4.2.2動態規劃策略64
4.2.3貪心算法64
4.3實際應用—求解TSP65
4.3.1使用蠻力策略66
4.3.2使用貪心算法68
4.4PageRank算法70
4.4.1問題定義70
4.4.2實現PageRank算法70
4.5了解線性規劃73
4.6實例—用線性規劃實現產量規劃73
4.7小結76
第5章圖算法77
5.1圖的表示77
5.1.1圖的類型79
5.1.2特殊類型的邊81
5.1.3自我中心網絡82
5.1.4社交網絡分析82
5.2網絡分析理論簡介83
5.2.1理解最短路徑83
5.2.2創建鄰域84
5.2.3理解中心性度量85
5.2.4用Python計算中心性指標87
5.3理解圖的遍歷88
5.3.1廣度優先搜索89
5.3.2深度優先搜索92
5.4實例—欺詐分析93
5.4.1進行簡單的欺詐分析96
5.4.2瞭望塔欺詐分析法97
5.5小結99
第二部分機器學習算法
第6章無監督機器學習算法102
6.1無監督學習簡介102
6.1.1數據挖掘生命周期中的無監督學習103
6.1.2無監督學習的當前研究趨勢105
6.1.3實例106
6.2理解聚類算法107
6.2.1量化相似性107
6.2.2分層聚類113
6.2.3評估聚類效果115
6.2.4聚類算法的應用115
6.3降維116
6.3.1主成分分析116
6.3.2主成分分析的局限性118
6.4關聯規則挖掘119
6.4.1實例119
6.4.2市場購物籃分析119
6.4.3關聯規則120
6.4.4排序規則122
6.4.5關聯分析算法123
6.5實例—聚類相似推文127
6.5.1主題建模128
6.5.2聚類128
6.6異常檢測算法129
6.6.1基於聚類的異常檢測129
6.6.2基於密度的異常檢測129
6.6.3基於支持向量機的異常檢測129
6.7小結130
第7章傳統監督學習算法131
7.1理解監督機器學習131
7.1.1描述監督機器學習132
7.1.2理解使能條件134
7.1.3區分分類器和回歸器134
7.2理解分類算法135
7.2.1分類器挑戰性問題135
7.2.2評估分類器139
7.2.3分類器的各個階段142
7.2.4決策樹分類算法143
7.2.5理解集成方法146
7.2.6邏輯回歸149
7.2.7支持向量機算法151
7.2.8理解樸素貝葉斯算法153
7.2.9各種分類算法的勝者156
7.3理解回歸算法156
7.3.1回歸器挑戰性問題156
7.3.2線性回歸158
7.3.3回歸樹算法162
7.3.4梯度提升回歸算法163
7.3.5各種回歸算法的勝者163
7.4實例—預測天氣164
7.5小結166
第8章神經網絡算法167
8.1理解人工神經網絡168
8.2人工神經網絡的演化169
8.3訓練神經網絡171
8.3.1解析神經網絡結構171
8.3.2定義梯度下降172
8.3.3激活函數173
8.4工具和框架178
8.4.1Keras178
8.4.2理解TensorFlow181
8.4.3理解神經網絡的類型183
8.5遷移學習185
8.6實例—用深度學習實現欺詐檢測186
8.7小結189
第9章自然語言處理算法190
9.1自然語言處理簡介190
9.1.1理解自然語言處理術語191
9.1.2自然語言工具包192
9.2基於詞袋的自然語言處理193
9.3詞嵌入簡介195
9.3.1詞的鄰域195
9.3.2詞嵌入的性質195
9.4用循環神經網絡實現自然語言處理196
9.5用自然語言處理實現情感分析197
9.6實例—電影評論情感分析198
9.7小結200
第10章推薦引擎201
10.1推薦繫統簡介201
10.2推薦引擎的類型202
10.2.1基於內容的推薦引擎202
10.2.2協同過濾推薦引擎204
10.2.3混合推薦引擎205
10.3理解推薦繫統的局限性207
10.3.1冷啟動問題207
10.數據需求207
10.3.3數據稀疏性問題207
10.3.4由社會影響產生的偏差207
10.3.5有限的數據207
10.4實際應用領域208
10.5實例—創建推薦引擎208
10.6小結210
第三部分高 級 主 題
第11章數據算法212
11.1數據算法簡介212
11.2數據存儲算法簡介213
11.3流數據算法簡介216
11.4數據壓縮算法簡介216
11.5實例—推文實時情感分析218
11.6小結221
第12章密碼算法222
12.1密碼算法簡介222
12.1.1理解最薄弱環節的重要性223
12.1.2基本術語223
12.1.3理解安全性需求224
12.1.4理解密碼基本設計225
12.2理解加密技術類型228
12.2.1加密哈希函數228
12.2.2對稱加密231
12.2.3非對稱加密233
12.3實例—機器學習模型部署時的安全問題236
12.3.1MITM攻擊236
12.3.2避免偽裝238
12.3.3數據加密和模型加密238
12.4小結240
第13章大規模算法241
13.1大規模算法簡介241
13.1.1定義精心設計的大規模算法241
13.1.2術語242
13.2並行算法設計242
13.2.1阿姆達爾定律243
13.2.2任務粒度245
13.2.3負載均衡246
13.2.4局部化問題246
13.2.5在Python中啟用並發處理246
13.3制定多資源處理策略246
13.3.1CUDA簡介247
13.3.2集群計算250
13.3.3混合策略251
13.4小結252
第14章實踐中要考慮的要素253
14.1實踐要素簡介253
14.2算法的可解釋性254
14.3理解倫理和算法258
14.3.1使用學習算法易出現的問題258
14.3.2理解倫理因素259
14.4減少模型偏差260
14.5處理NP難問題261
14.5.1簡化問題261
14.5.2改造類似問題的已知求解方案261
14.5.3使用概率方法262
14.6何時使用算法262
14.7小結264
