人工智能算法系列圖書以一種數學上易于理解的方式講授人工智能相關概念，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中列出了后續各卷所使用的各種基本算法，并且這些算法本身既是基礎，也不失實用性。

?

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。本書會講授諸如維度法、距離度量算法、聚類算法、誤差計算、爬山算法、線性回歸和離散學習這樣的人工智能算法。這些算法對應于數據中特定模式的處理和識別，同時也是像亞馬遜（Amazon）和網飛（Netflix）這類網站中，各種推薦系統背后的邏輯。

這些算法不僅是后續各卷所介紹的算法的基礎，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的數值計算示例。

在卷1中給出的網上學習資源

首先是可汗學院，上面收集整理了許多講授各種數學概念的YouTube視頻。你要是需要復習某個概念，可汗學院上很可能就有你需要的視頻講解，讀者可以自行查找。

其次是網站“神經網絡常見問答”。作為一個純文本資源，上面擁有大量神經網絡和其他人工智能領域的相關信息：

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

此外，Encog項目的wiki頁面也有許多機器學習方面的內容，并且這些內容并不局限于Encog項目：

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網絡相關話題，這些論壇都非常活躍，你的問題很可能會得到某個社區成員甚至是我本人的回復：

http://www.heatonresearch.com/forum

---

2021年11月，《人工智能算法（卷2）：受大自然啟發的算法》出版

?

本書的示例采用偽代碼，因此每個人都可以理解它們。本書的GitHub開源庫提供了幾種編程語言的版本，因此你可以通過實踐來強化學習過程。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行所有示例代碼。這些代碼已經過測試，能夠正常運行。你無須花費時間來調試代碼，只需享受體驗AI學習過程。

在本卷中，Jeff介紹了諸如遺傳算法、蟻群優化和粒子群優化等算法，展示了它們的用途（何時有用以及為何有用），以及如何實現它們。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，許多人會認為這些主題令人生畏。這本書是在講腦外科手術嗎？不是！但是它涉及神經網絡和一些前沿話題，例如深度信念網絡。請享受本書，享受本系列圖書，享受這場冒險！

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

有時，自然界中的生物會相互配合。如狼會一起狩獵，鳥會成群結隊地遷徙。作為程序員，你可以設計一組虛擬生物，利用它們一起解決問題。

另一些時候，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。經過許多代之后，一個潛在的優秀解會被演化出來。

重要的是，要記住我們只是從大自然中尋求靈感，而不追求復制自然，并且如果需要的話，我們可以偏離生物學過程。與先進的計算機能夠模擬的過程相比，實際的生物過程通常都要復雜得多。

---

2021年3月，《人工智能算法 卷3 深度學習和神經網絡》出版，目前已上新書榜。

?

神經網絡的再次興起，是因為Hinton G.（2006）提出了一種全新的深度神經網絡訓練算法。高速圖形處理單元（Graphics Processing Unit，GPU）的最新進展，使程序員可以訓練具有三層或更多層的神經網絡。程序員逐步意識到深層神經網絡的好處，從而促使該技術重新流行。

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

具有許多層的前饋神經網絡變成了深度神經網絡。這本書包含訓練深度網絡的方法，如GPU支持。我們還會探索與深度學習相關的技術，如隨機Dropout、正則化和卷積。最后，我們通過一些深度學習的真實示例來演示這些技術，如預測建模和圖像識別。

神經網絡路線指引

本書包含各種類型的神經網絡。我們將提供這些神經網絡及其示例，展示特定問題域中的神經網絡。并不是所有神經網絡都適用于每一個問題域。作為神經網絡程序員，你需要知道針對特定問題使用哪個神經網絡。

這里提供了通往本書其余部分的高級路線指引，它將指導你閱讀本書中你感興趣的領域。表1展示了本書中的神經網絡類型及其適用的問題域。

?

表1列出的問題域說明如下。

• 聚類：無監督的聚類問題。
• 回歸：回歸問題，神經網絡必須根據輸入，輸出數字。
• 分類：分類問題，神經網絡必須將數據點分為預定義的類別。
• 預測：神經網絡必須及時預測事件，如金融應用程序的信號。
• 機器人：使用傳感器和電機控制的機器人。
• 視覺：計算機視覺（Computer Vision，CV）問題，要求計算機理解圖像。
• 優化：優化問題，要求神經網絡找到最佳排序或一組值以實現目標。

勾選標記（√）的數量給出了每種神經網絡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網絡類型應用于該問題域。

所有神經網絡都有一些共同的特征，如神經元、權重、激活函數和層，它們是神經網絡的構建塊。在本書的第1章中，我們將介紹這些概念，并介紹大多數神經網絡共有的基本特征。

小編祝您閱讀愉快！

總結

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站內容還不錯，歡迎將生活随笔推薦給好友。