程序员必会的50种算法(原书第2版)电子书

Foreword 序

Preface 前言

About the author 作者简介

About the reviewers 审校者简介

Part 1 第一部分 基础算法和核心算法

Chapter 1 第1章 算法概述

1.1 什么是算法

1.2 Python包

1.3 算法设计技巧

1.4 性能分析

1.5 选择算法

1.6 验证算法

1.7 小结

Chapter 2 第2章 算法中的数据结构

2.1 探讨Python中的数据结构

2.2 探索抽象数据类型

2.3 小结

Chapter 3 第3章 排序算法和搜索算法

3.1 排序算法简介

3.2 搜索算法简介

3.3 实际应用

3.4 小结

Chapter 4 第4章 算法设计

4.1 算法设计基本概念简介

4.2 理解算法策略

4.3 实际应用——求解TSP

4.4 PageRank算法

4.5 理解线性规划

4.6 小结

Chapter 5 第5章 图算法

5.1 理解图：简要介绍

5.2 图论与网络分析

5.3 图的表示

5.4 图的机制和类型

5.5 网络分析理论简介

5.6 理解图的遍历

5.7 案例研究：使用SNA进行欺诈检测

5.8 小结

Part 2 第二部分 机器学习算法

Chapter 6 第6章 无监督机器学习算法

6.1 无监督学习简介

6.2 理解聚类算法

6.3 分层聚类的步骤

6.4 编写分层聚类算法

6.5 理解DBSCAN

6.6 在Python中使用DBSCAN创建簇

6.7 评估聚类效果

6.8 降维

6.9 关联规则挖掘

6.10 小结

Chapter 7 第7章 传统的监督学习算法

7.1 理解监督机器学习

7.2 描述监督机器学习

7.3 理解分类算法

7.4 决策树分类算法

7.5 理解集成方法

7.6 逻辑回归

7.7 支持向量机算法

7.8 贝叶斯定理

7.9 各种分类算法的胜者

7.10 线性回归

7.11 各种回归算法的胜者

7.12 实例——如何预测天气

7.13 小结

Chapter 8 第8章 神经网络算法

8.1 神经网络的演变

8.2 理解神经网络

8.3 训练神经网络

8.4 解析神经网络结构

8.5 定义梯度下降

8.6 激活函数

8.7 工具和框架

8.8 选择顺序性模型或功能性模型

8.9 理解神经网络的类型

8.10 迁移学习

8.11 案例研究：使用深度学习实现欺诈检测

8.12 小结

Chapter 9 第9章 自然语言处理算法

9.1 自然语言处理简介

9.2 理解自然语言处理术语

9.3 使用Python清洗数据

9.4 理解术语文档矩阵

9.5 词嵌入简介

9.6 利用Word2Vec实现词嵌入

9.7 案例研究：餐厅评论情感分析

9.8 自然语言处理的应用

9.9 小结

Chapter 10 第10章 理解序列模型

10.1 理解序列数据

10.2 序列模型的数据表示

10.3 循环神经网络简介

10.4 门控循环单元

10.5 长短期记忆网络

10.6 小结

Chapter 11 第11章 高级序列建模算法

11.1 高级序列建模技术的演变

11.2 探索自动编码器

11.3 理解Seq2Seq模型

11.4 理解注意力机制

11.5 深入探讨自注意力

11.6 Transformer：自注意力之后的神经网络演变

11.7 大型语言模型

11.8 底部的表单

11.9 小结

Part 3 第三部分 高级主题

Chapter 12 第12章 推荐引擎

12.1 推荐引擎简介

12.2 推荐引擎的类型

12.3 理解推荐系统的局限性

12.4 实际应用领域

12.5 实例——创建推荐引擎

12.6 小结

Chapter 13 第13章 数据处理的算法策略

13.1 数据算法简介

13.2 CAP定理介绍

13.3 解码数据压缩算法

13.4 实例——AWS中的数据管理：聚焦于CAP定理和压缩算法

13.5 小结

Chapter 14 第14章 密码算法

14.1 密码算法简介

14.2 理解加密技术的类型

14.3 实例——部署机器学习模型时的安全问题

14.4 小结

Chapter 15 第15章 大规模算法

15.1 大规模算法简介

15.2 描述大规模算法的高性能基础设施

15.3 多资源处理的策略制定

15.4 理解并行计算的理论限制

15.5 Apache Spark如何实现大规模的算法处理

15.6 在云计算中使用大规模算法

15.7 小结

Chapter 16 第16章 实际问题

16.1 算法解决方案面临的挑战

16.2 Twitter AI机器人Tay的失败

16.3 算法的可解释性

16.4 理解伦理与算法

16.5 减少模型中的偏差

16.6 何时使用算法

16.7 小结