商品簡介
本書從跨學科視角來看待人工智能這個技術性的學科。圍繞用數學模型預測未來這一主題，介紹算法，主要包括現在流行的機器學習和深度學習算法，以及算法要解決問題本身的複雜性。複雜的問題，需要複雜的算法，而算法設計背後的老師正是自然界的複雜性本身。最終，我們上升到自然界解決複雜性最有利的工具，即人類智能本身，讓讀者從神經科學的角度再次理解人工智能這個大主題，理解神經科學是如何啟發人工智能的，而人工智能又如何幫助我們理解人類智能本身。本書既適合具有高中以上數學知識的一般讀者，作為他們瞭解人工智能和複雜系統領域的科普讀物；也適合已經在人工智能領域工作的專業人士，使他們從工程視角之外的更大視角去看待這一領域，獲得新的啟發。
名人推薦
這是一本有關人工智能、機器學習、深度學習、複雜系統的科普讀物，讓人從不同的視角看這些註定會深刻影響未來的不同學科，獲得新的啟發。
不得不說，這本書有點燒腦，但確實會讓人一看再看。
序
人工智能是大勢所趨，這一主題也成為街頭巷尾人們熱議的焦點。本書作者的寫作初衷是希望能在一個更大的視角下看待人工智能這個技術性的學科。雖然人工智能的技術更多用於工業界，但是其產生的根源，卻與人類用數學模型探索世界和自己大腦本身的歷程密不可分，因此，本書希望在這個大背景下，從高度跨學科的視角切入人工智能這個大主題。
人人都想預測未來，但是無論科技多麼發達，預測未來依然是困難的，比如股市、自然災害、一個月後的天氣預測等，都很難做到精准。究其根本原因，在於無處不在的複雜性。複雜系統這門學科可以幫助我們理解複雜性產生的根源。
大數據時代，數據已成為人們最大幅度減少這種不可預測災難的工具。然而過度信賴數據，往往會讓我們陷入一種新的迷信，或者埋沒在噪聲裡。
算法，主要包括現在流行的機器學習和深度學習算法，可以幫助我們最大程度地從數據裡提取信息、剔除噪聲，這也成為目前人工智能的基礎。從另一個角度看，即從人類智能本身來看待這個問題，會讓我們對機器學習和深度學習的本質有著更新的理解，並發現兩者內在的相似性，同時看到機器的算法和人腦的算法這兩種相似性的根源，即世界本身的複雜性。
本書內容涉及機器學習基本方法、非線性動力學、複雜系統、隨機過程、神經網絡等正在深刻改變世界的學科，講述人工智能和複雜系統的基本原理，以及它們是如何影響我們日常生活的方方面面的：小到微信裡的語音識別，大到我們到底能不能預測經濟危機或金融危機。
我們希望用化繁為簡的筆墨，帶領讀者逐步理解這個大視角下的核心概念，掌握進入更多細分領域的語言和思維體系。我們的使命不是涵蓋這一宏大領域的所有知識點，而是希望引發讀者的興趣，去尋找和瞭解這一激動人心的領域的更多進展。
本書既適合具有高中以上數學知識的一般讀者，可作為他們瞭解人工智能和複雜系統領域的科普讀物； 也適合利用業餘時間充電，正在自學人工智能的工程師，作為他們搭建框架和進入專業領域的開胃菜； 還適合已經在人工智能領域從業的專業人士，使他們從工程視角以外的更大視角去
看待這一領域，獲得新的啟發。
目次
第一部分 複雜性
1 複雜系統 ........................................................................................................ 2
2 用複雜網絡看世界經濟（閱讀難度1星）..................................................... 7
3 風險管理策略之複雜科學視角 .................................................................. 11
4 從物理角度看複雜 ...................................................................................... 24
第二部分 機器學習
5 白話機器學習（閱讀難度1星） .................................................................. 46
6 淺談貝葉斯分析 .......................................................................................... 53
7 簡單貝葉斯分類器（閱讀難度1星） .......................................................... 57
8 決策樹方法（閱讀難度2星） ................................................................... 60
9 感知機：神經網絡的基礎（閱讀難度3星） ....................................... 64
10 降維：應對複雜的通用武器（閱讀難度1星） ......................................... 67
第三部分 神經網絡
11 神經網絡不神秘 ........................................................................................ 74
12 CNN 的幾個關鍵詞（閱讀難度3星） ................................................ 80
13 時間序列與RNN ...................................................................................... 91
14 會遺忘的神經網絡（閱讀難度3星） ................................................. 96
15 跟著AlphaGo 理解深度強化學習框架（閱讀難度3星） ............... 100
16 從阿爾法元看強化學習的更廣闊潛力 .................................................. 107
第四部分 宇宙間最複雜的就是我們的大腦
17 深層視覺信息的編碼機制（閱讀難度1星） ........................................... 114
18 大腦的自由能假說――兼論認知科學與機器學習（閱讀難度2星） 121
19 大腦中的支持向量機（閱讀難度3星） ........................................... 126
20 機器學習是如何巧妙理解我們大腦的工作原理的
（閱讀難度2星） ..................................................................................... 133
21 大腦經濟學（閱讀難度1星） .................................................................. 140
22 人工智能vs 人類智能（閱讀難度2星） ............................................. 149
第五部分 人工智能應用談
23 人工智能會取代藝術家的工作嗎 .......................................................... 156
24 機器學習預測心理疾病 .......................................................................... 159
25 人機協作決策的兩種方式 ...................................................................... 164
26 小數據機器學習 ...................................................................................... 166
27 用深度學習玩圖像的七重關卡 .............................................................. 170
28 深度學習助力基因科技 .......................................................................... 174
29 機器學習對戰複雜系統 .......................................................................... 176
