從兒時起，Rishal就著迷於計算機技術並有瘋狂的想法。在整個職業生涯中，他領導過團隊，負責過項目，動手編寫過工程軟件，做過戰略規劃，且曾為各種國際企業設計端到端解決方案。 他在公司、社區和行業內積極發展實用主義文化，幫助團隊學習並掌握更多知識與技能。
Rishal對設計思維、人工智能與哲學充滿熱情，擅長綜合考慮業務機制與戰略，他的團隊不斷壯大。Rishal開發了多種數字產品，成功幫助大量團隊與企業提高生產效率，使其能專注於更重要的事情。 他還曾在數十次全球會議上發表演講，致力於使複雜的概念變得更易於理解，幫助人們提升自我。
前 言
《人工智能算法圖解》一書主要面向希望掌握智能技術的初學者。通過使用類比法、比較法和圖例解釋，結合真實世界中的案例分析，我們希望《人工智能算法圖解》能使人工智能算法更易於理解和實現，並希望在此基礎上幫助讀者掌握利用智能技術解決實際問題的途徑和方法。
《人工智能算法圖解》受眾
《人工智能算法圖解》是為軟件開發人員(或軟件相關行業從業人員)設計的，期望通過實際的例子來揭示人工智能背後的概念和算法，以可視化的方式幫助讀者理解人工智能教材中那些常見的深奧理論與數學證明。
《人工智能算法圖解》的目標讀者是那些對計算機編程基礎概念(包括變量、數據類型、數組、條件語句、迭代器、類和函數)有所了解的人，不要擔心，你只需要掌握任意一門編程語言就足夠了；與此同時，你只需要了解下面這幾個基本的數學概念：變量、函數以及在圖表上繪製變量和函數的方法。
《人工智能算法圖解》的組織結構
《人工智能算法圖解》包含10章，每一章側重於不同的人工智能算法或實踐方法。書中所涉及的概念由淺入深，前面章節的基本算法和概念將會為後面更複雜的算法奠定基礎，以便讀者循序漸進地學習。
第1章——人工智能初印象。該章介紹關於人工智能的基本概念，包括數據含義、問題類型、算法分類以及人工智能技術的典型應用。
第2章——搜索算法基礎。該章介紹初級搜索算法涉及的數據結構、核心理念、實現方法以及典型應用。
第3章——智能搜索。該章在初級搜索算法的基礎上更進一步，引入能尋找更優解決方案的方法——包括如何在競爭環境中尋找解決方案。
第4章——進化算法。該章深入講解遺傳算法的工作原理。通過模仿自然界中的進化過程，算法能反復生成並改進問題的解決方案。
第5章——進化算法(高級篇)。作為上一章的延續，該章深入討論調整遺傳算法中的步驟與參數的方法，以產生更理想的解或解決不同類型的問題。
第6章——群體智能：蟻群優化。該章旨在幫助讀者掌握群體智能算法的基本概念，以螞蟻的生活與工作方式為例，描述蟻群優化算法是如何解決實際難題的。
第7章——群體智能：粒子群優化。該章繼續講解群體智能算法，深入討論優化問題的本質，並幫助讀者掌握使用粒子群優化算法來解決優化問題的方式、方法——群體智能算法常常能在巨大的搜索空間中找到足夠理想的解決方案。
第8章——機器學習。結合數據的準備、處理、建模和測試這一常見的機器學習工作流程，講解如何解決線性回歸問題和決策樹分類問題。
第9章——人工神經網絡。該章揭示訓練並使用人工神經網絡在數據中尋找模式和進行預測的基本原理、邏輯步驟和計算方法，強調人工神經網絡在當代機器學習領域中的地位。
第10章——基於Q-learning的強化學習。該章結合行為心理學講解強化學習算法的設計思路，並以Q-learning 算法為例，闡明智能體是如何學習在環境中作出決策的。
原則上，建議讀者從頭到尾依次閱讀《人工智能算法圖解》的各個章節，並隨著閱讀進度逐步建立起對書中所述概念的理解。在讀完每一章之後，不妨嘗試根據書中所給出的偽代碼實現並運行算法，以在實踐中更好地理解算法原理。
關於代碼
《人工智能算法圖解》以偽代碼的形式給出算法的參考實現——這種方法更加專注於算法背後的原理和邏輯思維。無論你偏好何種編程語言，我們都可確保你理解算法的設計思路。偽代碼是非正式的代碼實現，它更易於理解，或者說更符合人類的閱讀習慣。
話雖如此，對於書中描述的所有算法，你可在Github上獲得能直接運行的Python代碼示例。源代碼中也有安裝說明供你參考。在讀完每一章之後，不妨嘗試運行《人工智能算法圖解》給出的代碼，來鞏固對算法的理解。
需要說明的是，書中給出的Python代碼旨在講解算法實現，因此僅供參考——這些代碼是針對學習而非生產用途而設計的。在《人工智能算法圖解》中，我們以教學為宗旨，嘗試自行編寫代碼(而非簡單調用現存機器學習庫)來幫助讀者更好地理解算法的實現。對於真正以生產為目的的項目，建議使用業界成熟的庫和框架，因為它們通常已經針對性能進行了一系列優化，經過了大量實踐檢驗，並且具備豐富的社區支持。
目 錄
第1章 人工智能初印象 1
1.1 什麼是人工智能？ 1
1.1.1 定義AI 2
1.1.2 理解數據是智能算法的核心 3
1.1.3 把算法看作“菜譜” 4
1.2 人工智能簡史 6
1.3 問題類型與問題解決範式 7
1.4 人工智能概念的直觀印象 9
1.5 人工智能算法的用途 13
1.5.1 農業：植物種植優化 13
1.5.2 銀行業：欺詐檢測 14
1.5.3 網絡安全：攻擊檢測與處理 14
1.5.4 醫療：智能診斷 14
1.5.5 物流：路徑規劃與優化 15
1.5.6 通信：網絡優化 16
1.5.7 遊戲：主體創造 16
1.5.8 藝術：創造杰出作品 17
1.6 本章小結 17
第2章 搜索算法基礎 21
2.1 什麼是規劃與搜索？ 21
2.2 計算成本：需要智能算法的原因 23
2.3 適合用搜索算法的問題 24
2.4 表示狀態：創建一個表示問題空間與解的框架 26
2.4.1 圖：表示搜索問題與解 28
2.4.2 用具體的數據結構表示圖 28
2.4.3 樹：表示搜索結果的具體結構 29
2.5 無知搜索：盲目地找尋解 31
2.6 廣度優先搜索：先看廣度，再看深度 33
2.7 深度優先搜索：先看深度，再看廣度 39
2.8 盲目搜索算法的用例 45
2.9 可選：關於圖的類別 46
2.10 可選：其他表示圖的方法 47
2.10.1 關聯矩陣 47
2.10.2 鄰接表 48
2.11 本章小結 48
第3章 智能搜索 51
3.1 定義啟發式方法：設計有根據的猜測 51
3.2 知情搜索：在指導下尋求解決方案 54
3.2.1 A*搜索 54
3.2.2 知情搜索算法的用例 61
3.3 對抗性搜索：在不斷變化的環境中尋找解決方案 62
3.3.1 一個簡單的對抗性問題 62
3.3.2 最小-最大搜索：模擬行動並選擇最好的未來 63
3.3.3 啟發式 64
3.3.4 阿爾法-貝塔剪枝：僅探索合理的路徑 72
3.3.5 對抗搜索算法的典型案例 75
3.4 本章小結 75
第4章 進化算法 77
4.1 什麼是進化？ 77
4.2 適合用進化算法的問題 80
4.3 遺傳算法的生命周期 84
4.4 對解空間進行編碼 86
4.5 創建解決方案種群 89
4.6 衡量種群中個體的適應度 91
4.7 根據適應度得分篩選親本 93
4.8 由親本繁殖個體 96
4.8.1 單點交叉：從每個親本繼承一部分 97
4.8.2 兩點交叉：從每個親本繼承多個部分 98
4.8.3 均勻交叉：從每個親本繼承多個部分 98
4.8.4 二進制編碼的位串突變 100
4.8.5 二進制編碼的翻轉位突變 101
4.9 繁衍下一代 101
4.9.1 探索與挖掘 102
4.9.2 停止條件 102
4.10 遺傳算法的參數配置 104
4.11 進化算法的用例 105
4.12 本章小結 105
第5章 進化算法(高級篇) 107
5.1 進化算法的生命周期 107
5.2 其他篩選策略 109
5.2.1 排序篩選法：均分賽場 109
5.2.2 聯賽篩選法：分組對抗 110
5.2.3 精英篩選法：只選最好的 111
5.3 實值編碼：處理真實數值 111
5.3.1 實值編碼的核心概念 112
5.3.2 算術交叉：數學化繁殖 113
5.3.3 邊界突變 113
5.3.4 算術突變 114
5.4 順序編碼：處理序列 114
5.4.1 適應度函數的重要性 116
5.4.2 順序編碼的核心概念 116
5.4.3 順序突變：適用於順序編碼 116
5.5 樹編碼：處理層次結構 117
5.5.1 樹編碼的核心概念 118
5.5.2 樹交叉：繼承樹的分支 119
5.5.3 節點突變：更改節點的值 120
5.6 常見進化算法 120
5.6.1 遺傳編程 120
5.6.2 進化編程 121
5.7 進化算法術語表 121
5.8 進化算法的其他用例 121
5.9 本章小結 122
第6章 群體智能：蟻群優化 125
6.1 什麼是群體智能？ 125
6.2 適合用蟻群優化算法的問題 127
6.3 狀態表達：如何表達螞蟻和路徑？ 130
6.4 蟻群優化算法的生命周期 134
6.4.1 初始化信息素印跡 135
6.4.2 建立螞蟻種群 136
6.4.3 為螞蟻選擇下一個訪問項目 138
6.4.4 更新信息素印跡 145
6.4.5 更新最佳解決方案 149
6.4.6 確定終止條件 150
6.5 蟻群優化算法的用例 152
6.6 本章小結 153
第7章 群體智能：粒子群優化 155
7.1 什麼是粒子群優化？ 155
7.2 優化問題：略偏技術性的觀點 157
7.3 適合用粒子群優化算法的問題 160
7.4 狀態表達：粒子是什麼樣的？ 162
7.5 粒子群優化的生命周期 163
7.5.1 初始化粒子群 164
7.5.2 計算粒子的適應度 166
7.5.3 更新粒子的位置 169
7.5.4 確定終止條件 180
7.6 粒子群優化算法的用例 181
7.7 本章小結 183
第8章 機器學習 185
8.1 什麼是機器學習？ 185
8.2 適合用機器學習的問題 187
8.2.1 監督學習 188
8.2.2 非監督學習 188
8.2.3 強化學習 188
8.3 機器學習的工作流程 188
8.3.1 收集和理解數據：掌握數據背景 189
8.3.2 準備數據：清洗和整理 191
8.3.3 訓練模型：用線性回歸預測 196
8.3.4 測試模型：驗證模型精度 205
8.3.5 提高準確性 208
8.4 分類問題：決策樹 210
8.4.1 分類問題：非此即彼 210
8.4.2 決策樹的基礎知識 211
8.4.3 訓練決策樹 213
8.4.4 用決策樹對實例進行分類 223
8.5 其他常見的機器學習算法 226
8.6 機器學習算法的用例 227
8.7 本章小結 228
第9章 人工神經網絡 231
9.1 什麼是人工神經網絡？ 231
9.2 感知器：表征神經元 234
9.3 定義人工神經網絡 237
9.4 前向傳播：使用訓練好的人工神經網絡 243
9.5 反向傳播：訓練人工神經網絡 250
9.6 激活函數一覽 259
9.7 設計人工神經網絡 260
9.8 人工神經網絡的類型和用例 263
9.8.1 卷積神經網絡 263
9.8.2 遞歸神經網絡 264
9.8.3 生成對抗網絡 264
9.9 本章小結 266
第10章 基於Q-learning的強化學習 269
10.1 什麼是強化學習？ 269
10.2 適合用強化學習的問題 272
10.3 強化學習的生命周期 273
10.3.1 模擬與數據：環境重現 274
10.3.2 使用Q-learning模擬訓練 278
10.3.3 模擬並測試Q表 287
10.3.4 衡量訓練的性能 287
10.3.5 無模型和基於模型的學習 288
10.4 強化學習的深度學習方法 289
10.5 強化學習的用例 289
10.5.1 機器人技術 290
10.5.2 推薦引擎 290
10.5.3 金融貿易 290
10.5.4 電子遊戲 291
10.6 本章小結 291
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。
