AI（人工知能、AI）は、下位分野の数、いくつかの中から特定のトピックをカバーする本のこのシリーズをカバーする広範な分野であり、この本は、本シリーズの第一巻です。次のいくつかのセクションでは、一連の書籍を提示し、このボリュームを紹介します。
シリーズの本
本のこのシリーズは、人工知能の分野では様々なホットな話題を読者に紹介します。AIが大きく複雑なフィールドであり、そのカバーが成長しているので、この本はまた、人工知能のチュートリアルの膨大な量であることを意図しているので、どんな本は、特定の分野に焦点を当てることができます。
「人間のために」の意味で本のこのシリーズの英語のタイトルである人工知能に教示概念を理解するための数学的な簡単な方法での本のこのシリーズ。さらに：
- 本のこのシリーズは、少なくとも1つのプログラミング言語におけるリーダー堪能を想定します。
- 本のこのシリーズは、読者が代数大学の基本的な理解を持っていると仮定します。
- 本のこのシリーズは、微積分、線形代数、微分方程式や統計関連する概念と数式を使用します。
- しかし、三点目の内容を解釈するには、書籍のこのシリーズは、上記の読者は非常に熟練していることを前提としません。
- すべての概念は、単に数式ではありませんが、また、プログラミング例と擬似コード付き。
対象読者は本のこのシリーズは、少なくとも1つのプログラミング言語でのプログラマ堪能で、マニュアルの例では、プログラミング言語の多様性を形成するために書き直されました。
第1巻人工知能アルゴリズムは、アルゴリズムに基づく疑似コードでのみ与え、コードの特定の例のJava、C＃、R、C置き / C ++ とPython言語のフォームを、コミュニティの維持に加えて、Scalaは言語をサポートしていました。コミュニティメンバーは、あなたが本を得るとき多分、また、お好みのプログラミング言語のサンプルコードのバージョンを持って、より多くの他のプログラミング言語にサンプルコードを変換しようとしています。アクセスブックGitHubのオープンソースの倉庫にはより多くの情報を得るために、我々はまた、私たちは、コードを書き換えると、移植完了ヘルプへのコミュニティのコラボレーションを促進します。あなたがコラボレーションに参加したい場合は、我々は感謝されます。詳細については、本書の付録A.の過程で見つけることができます
プログラムを公開シリーズの本
計画を書かれた本のこのシリーズ：
- ボリューム0：AIの数学をはじめ、
- 第1巻：基本的なアルゴリズム。
- 第2巻：自然ヒューリスティックアルゴリズム。
- 第3巻：ニューラルネットワーク。
- 第4巻：サポートベクターマシン。
- 5巻：確率学習。
5巻の第1巻は、出版が続きます; 0は機会の終わり近くに出版された書籍のこのシリーズを完了するために、「先に計画された続編の」としてロールバックされます。ボリューム5ボリュームへの第1巻は、ボリューム0は、これらの概念の見直し、及びこれに基づいて、いくつかの拡張に注力していきます、必要な数学的概念を説明します。
シーケンシャルボリュームの読み取りは、好ましくは1以降のボリュームの前にある、リーダーの2体積部人が存在するボリューム3の内容を理解する上で、このシリーズの0のボリュームは、書籍の一連のように要約することができる、本の冒頭であってもよいです。図1に示す私たちの勧告の論理的な読み取り順序。
第1巻のアルゴリズムに基づく人工知能アルゴリズム
リア翻訳オーバージェフリー・ヒートン（ジェフリーヒートン）と、
- AIアルゴリズム入門チュートリアルブックは、誰もが本人工知能を読むことができます
- 人工知能アルゴリズムの基礎を説明するためのフルカラー印刷、分かりやすい例
- 複数の言語のサンプル・コード、オンラインリソースの豊富な、とハンズオン実践的な学習を容易にするための拡張
本のこのシリーズの各ボリュームが独立して、だけでなく、読むための本のシリーズ全体として読み取ることができます。しかし、注目すべきことに、第1巻のリストすべての基本的なアルゴリズムは、その後のボリュームに使用され、これらはいずれも実用性を失うことなく、自身のアルゴリズム基づいています。
1つのボリュームフロー読み取りヘッド
基本的なアルゴリズムを導入します
ゆう建上昇は、再基盤をします。この本は、そのような、そのような人工知能アルゴリズムとして寸法、距離測定アルゴリズム、クラスタリングアルゴリズム、誤差計算、山登りアルゴリズム、線形回帰や離散学習などの方法をお教えします。データ処理アルゴリズムに対応し、これらとは、特定のパターンを識別するだけでなく、論理的アマゾン（アマゾン）ネットワークなどと飛ぶ（Netflixの）そのような部位、様々な推薦システムの背後にあります。
これらのアルゴリズムだけでなく、それ自体が非常に有用であり、後続のボリュームに記載のアルゴリズムの基礎です。本書では、これらのアルゴリズムは非常に実行可能な数値計算を説明するために実施例を添付されています。
第1巻コンテンツ構造
第1章は、「AIは、はじめに」、書籍、他のボリュームの本やシリーズの基本的な概念は、人工知能に関連する部分に使用されます導入されました。出力配列を生成するために、入力配列を受け入れるほとんどの人工知能アルゴリズム - 人工知能の問題を解決することができるが、通常はこのようなモデルとして分類されています。内部アルゴリズムのモデルでも、我々は長期記憶を保存するための追加の配列を持っている必要があります。トレーニングアルゴリズムは、実際には、長期記憶の値を調整することによって所定の入力に対応する期待される出力を生成する処理です。
第2章“数据归一化”，描述了大多数人工智能算法对原始数据的预处理流程。数据需要以一个输入数组的形式传递给算法，但实践中获取到的数据并不一定都是数值型的，也有一些是类别信息，比如颜色、形状、性别、物种抑或其他一些非数值型的描述性特征。此外，就算是现成的数值型数据，也必须在一定范围内归一化，并且通常是归一化到 (-1, 1) 区间。
第3章“距离度量”，展示了我们比较数据的方法，说起来这种比较方法其实跟在地图上标识出两点间的距离十分相像。人工智能通常以数值数组的形式处理数据，包括输入数据、输出数据、长期记忆、短期记忆和其他很多数据都是如此，这些数组很多时候也被称作“向量”。我们可以像计算两点间距离一样，计算出两个数据之间的差异（二维和三维的点可以分别看作长度为二和三的向量）。当然，在人工智能领域，我们经常要处理的是更高维空间中的数据。
第4章“随机数生成”，讲解了人工智能算法中随机数的生成和使用。本章由关于均匀随机数和正态随机数的讨论切入——出现这种不同的根源在于有的时候算法要求随机数具有等可能性，而有的时候又需要它们服从某种既定的分布。此外本章还讨论了生成随机数的方法。
第5章“K均值聚类算法”，详述了将数据按相似度分类的方法。K均值算法本身可以用来将数据按共性分组，同时也可以被用于组成更复杂的算法——比如遗传算法就利用K均值算法对种群按特征归类，各路网商也利用聚类算法划分顾客，依照同类型顾客的消费习惯调整销售策略。
第6章“误差计算”，演示了评估人工智能算法效果的方法。误差计算的过程由一个用以评估算法最终效果的评分函数执行，其结果决定了算法的效果。一类常用的评分函数只需要给定输入向量和预期输出向量，也就是所谓的“训练数据”，算法的效果则是由实际输出与预期输出间的差异决定的。
第7章“迈向机器学习”，概述了可以从数据中学习特征来优化结果的简单机器学习算法。大多数人工智能算法是用权值向量将输入向量转化为期望的输出向量，这些权值向量构成了算法的长期记忆，“训练”就是一个调整长期记忆以产生预期输出的过程。本章会演示几个具有学习能力的简单模型的构建方法，也会介绍一些简单但却行之有效的训练算法，能够调整这种长期记忆（权重向量）并优化输出结果，简单随机漫步和爬山算法正是其中之二。
第8章“优化训练”，在前面章节的基础上进行了一定的拓展，介绍了像模拟退火算法和Nelder-Mead法[2]这样用来快速优化人工智能模型权重的算法。本章还说明了如何通过一定的调整，将这些优化算法应用于之前提到过的部分模型。
第9章“离散优化”，解释了如何优化非数值型的类别型数据。并非所有优化问题都是数值型的，还有离散型和类别型问题，比如背包问题和旅行商问题。本章将说明模拟退火算法可以用于处理这两个问题，并且该算法既适用于连续的数值型问题，也适用于离散的类别型问题。
第10章“线性回归”，讲解了如何用线性和非线性方程来学习趋势并做出预测。本章将介绍简单线性回归，并演示如何用它来拟合数据为线性模型。此外还将介绍可以拟合非线性数据的广义线性模型（General Linear Model，GLM）。
目录结构：
第 1 章 AI 入门 1
1．1 与人类大脑的联系 2
1．2 对问题建模 6
1．3 对输入/ 输出建模 11
1．4 理解训练过程 21
1．5 本章小结 23
第 2 章 数据归一化 25
2．1 计量尺度 25
2．2 观测值归一化 29
2．3 其他归一化方法 38
2．4 本章小结 45
第3 章 距离度量 47
3．1 理解向量 47
3．2 计算向量距离 49
3．3 光学字符识别 54
3．4 本章小结 57
第4 章 随机数生成 59
4．1 伪随机数生成算法的概念 60
4．2 随机数分布类型 61
4．3 轮盘模拟法 64
4．4 伪随机数生成算法 65
4．5 用蒙特卡洛方法估算PI 值 72
4．6 本章小结 74
第5 章 K 均值聚类算法 75
5．1 理解训练集 77
5．2 理解K 均值算法 80
5．3 K 均值算法的初始化 84
5．4 本章小结 90
第6 章 误差计算 91
6．1 方差和误差 92
6．2 均方根误差 93
6．3 均方误差 93
6．4 误差计算方法的比较 94
6．5 本章小结 96
第7 章 迈向机器学习 97
7．1 多项式系数 99
7．2 训练入门 101
7．3 径向基函数网络 103
7．4 本章小结 115
第8 章 优化训练 117
8．1 爬山算法 117
8．2 模拟退火算法 121
8．3 Nelder-Mead 算法 128
8．4 Nelder-Mead 算法的终止条件 133
8．5 本章小结 134
第9 章 离散优化 135
9．1 旅行商问题 135
9．2 环形旅行商问题 138
9．3 背包问题 139
9．4 本章小结 143
第 10 章 线性回归 144
10．1 线性回归 144
10．2 广义线性模型 152
10．3 本章小结 155
附录A 示例代码使用说明 157
A．1 “读懂人工智能”系列书简介 157
A．2 保持更新 157
A．3 获取示例代码 158
A．4 示例代码的内容 159
A．5 如何为项目做贡献 163
参考资料 164
