大数据时代的算法：机器学习、人工智能及其典型实例

资源名称：大数据时代的算法：机器学习、人工智能及其典型实例

内容简介：

《大数据时代的算法：机器学习、人工智能及其典型实例》介绍在互联网行业中经常涉及的算法，包括排序算法、查找算法、资源分配算法、路径分析算法、相似度分析算法，以及与机器学习相关的算法，包括数据分类算法、聚类算法、预测与估算算法、决策算法、关联规则分析算法及推荐算法。《大数据时代的算法：机器学习、人工智能及其典型实例》涉及的相关算法均为解决实际问题中的主流算法，对于工作和学习都有实际参考意义。

《大数据时代的算法：机器学习、人工智能及其典型实例》是一本算法领域内的技术参考书籍，涵盖数十种算法，通过由浅入深的介绍基础算法和机器学习算法相关理论和应用，阐述了各个算法的应用场景及算法复杂度，使读者对算法的理解不只是停留在表面，还从应用的角度提供了大量实例，使读者能够快速、高效进阶各类算法，并能够熟练应用到将来的工作实践中。

资源目录：

第1章　算法基础1

1.1　基础算法分析类型1

1.1.1　分治法1

1.1.2　动态规划法2

1.1.3　回溯法3

1.1.4　分支限界法4

1.1.5　贪心法4

1.2　算法性能分析5

1.3　概率论与数理统计基础6

1.4　距离计算8

1.4.1 欧氏距离8

1.4.2 马氏距离9

1.4.3 曼哈顿距离9

1.4.4 切比雪夫距离9

1.4.5 闵氏距离9

1.4.6 海明距离10

1.5　排序算法10

1.5.1　快速排序11

1.5.2　归并排序11

1.5.3　堆排序13

1.5.4　基数排序15

1.5.5　外排序16

1.6　字符压缩编码17

1.6.1　哈夫曼编码17

1.6.2　香农-范诺编码21

1.7　本章小结24

第2章　数据查找与资源分配算法25

2.1　数值查找算法25

2.1.1　二分搜索算法25

2.1.2　分块查找算法27

2.1.3　哈希查找算法28

2.2　字符串查找算法30

2.2.1　Knuth-Morris-Pratt算法31

2.2.2　Boyer-Moore算法34

2.2.3　Sunday算法37

2.3　海量数据中的查找39

2.3.1　基于布隆过滤器查找39

2.3.2　倒排索引查找41

2.4　银行家算法43

2.5　背包问题44

2.5.1　0-1背包问题45

2.5.2　部分背包问题46

2.6　本章小结47

第3章　路径分析算法49

3.1　基于Dijkstra算法的路径分析49

3.1.1　应用示例：极地探险49

3.1.2　基于Dijkstra的最短路径规划50

3.2　基于Floyd算法的路径分析53

3.2.1　应用示例：任意两个城市之间的最短路径53

3.2.2　Floyd原理54

3.2.3　基于Floyd算法计算两个城市最短距离56

3.3　基于A*算法的路径搜索58

3.3.1　应用实例：绕过障碍区到达目的地58

3.3.2　A*算法与最短距离计算59

3.4　基于维特比算法的概率路径61

3.4.1　应用实例：推断天气状态61

3.4.2　维特比算法思想62

3.4.3　计算天气状态62

3.5　最长公共子序列问题64

3.5.1　概要64

3.5.2　最长公共子串64

3.5.3　最长公共子序列原理66

3.5.4　实例：求两字符串的最长公共子序列66

3.6　本章小结68

第4章　相似度分析算法69

4.1　应用实例：海量网页相似度分析69

4.2　基于Jaccard相似系数的相似度计算70

4.2.1　计算流程70

4.2.2　狭义Jaccard相似系数71

4.2.3　广义Jaccard相似系数71

4.3　基于MinHash的相似性算法71

4.3.1　与Jaccard相似性关系71

4.3.2　计算网页文本相似性过程72

4.4　向量空间模型73

4.4.1　词袋模型73

4.4.2　TF-IDF算法74

4.5　基于余弦相似性算法的相似度分析76

4.5.1　原理基础76

4.5.2　公式解析77

4.5.3　计算网页文本相似性过程77

4.6　基于语义主题模型的相似度算法78

4.7　基于SimHash算法的指纹码80

4.7.1　SimHash引入81

4.7.2　SimHash的计算流程81

4.7.3　计算重复信息83

4.8　相似度算法的差异性84

4.9　本章小结85

第5章　数据分类算法86

5.1　基于朴素贝叶斯分类器86

5.1.1　有监督分类与无监督分类87

5.1.2　应用实例：识别车厘子与樱桃88

5.1.3　分类流程归纳91

5.1.4　应用扩展：垃圾邮件识别92

5.1.5　常用评价指标96

5.2　基于AdaBoost分类器100

5.2.1　AdaBoost概述100

5.2.2　AdaBoost算法具体流程101

5.2.3　AdaBoost算法的应用实例102

5.2.4　AdaBoost算法的优点105

5.3　基于支持向量机的分类器105

5.3.1　线性可分与线性不可分106

5.3.2　感知器107

5.3.3　支持向量机108

5.4　基于K邻近算法的分类器109

5.4.1　应用实例：电影观众兴趣发现109

5.4.2　核心思想109

5.4.3　电影观众兴趣发现110

5.5　本章小结113

第6章　数据聚类算法115

6.1　基于系统聚类法115

6.1.1　概述116

6.1.2　最短距离法117

6.1.3　重心聚类法119

6.1.4　动态聚类法120

6.2　基于K-Means聚类算法122

6.2.1　应用实例：新闻聚类122

6.2.2　逻辑流程123

6.2.3　实现新闻聚类分析124

6.2.4　K-Means++128

6.2.5　K-中心点聚类算法129

6.2.6　ISODATA聚类算法130

6.3　基于密度的DBSCAN算法131

6.4　基于BIRCH算法的聚类分析133

6.4.1　聚类特征133

6.4.2　聚类特征树134

6.5　聚类与分类差异135

6.6　本章小结136

第7章　数据预测与估算算法137

7.1　产生式模型与判别式模型137

7.2　基于最大似然估计的预测138

7.3　基于线性回归的估算140

7.3.1　概要140

7.3.2　最小二乘法141

7.4　基于最大期望算法分析143

7.5　基于隐马尔科夫模型预测144

7.5.1　应用实例：高温天气与行为概率144

7.5.2　原理分析145

7.5.3　高温天气与行为概率147

7.6　基于条件随机场的序列预测151

7.6.1　应用实例151

7.6.2　原理分析151

7.6.3　条件随机场的优缺点153

7.7　本章小结154

第8章　数据决策分析算法155

8.1　基于ID3算法的决策分析156

8.1.1　信息量156

8.1.2　信息熵156

8.1.3　信息增益157

8.1.4　ID3算法流程157

8.1.5　ID3算法的应用157

8.2　基于C4.5算法的分类决策树159

8.2.1　概要159

8.2.2　应用实例159

8.3　基于分类回归树的决策划分161

8.3.1　概要162

8.3.2　应用实例：决策划分163

8.3.3　剪枝164

8.4　基于随机森林的决策分类168

8.4.1　随机森林的特点169

8.4.2　随机森林的构造方法169

8.4.3　应用实例：决定车厘子的售价层次170

8.5　本章小结172

第9章　数据关联规则分析算法174

9.1　基于Apriori算法的关联项分析174

9.1.1　应用实例：超市的货架摆放问题175

9.1.2　基本概要175

9.1.3　算法原理176

9.1.4　有效摆放货架176

9.2　基于FP-Growth算法的关联性分析179

9.2.1　构建FP树179

9.2.2　频繁项分析181

9.2.3　与Apripri算法比较184

9.3　基于Eclat算法的频繁项集挖掘184

9.4　本章小结185

第10章　数据推荐算法187

10.1　概要187

10.1.1　推荐算法发展188

10.1.2　协同过滤推荐189

10.2　基于Item-Based协同过滤推荐190

10.2.1　Item-Based基本思想190

10.2.2　Slope One实例：基于评分推荐190

10.3　基于User-Based协同过滤推荐193

10.3.1　应用实例：根据人群的推荐194

10.3.2　User-Based与Item-Based对比197

10.4　基于潜在因子算法的推荐198

10.4.1　应用实例：新闻推荐198

10.4.2　流行度与推荐200

10.5　推荐算法与效果评价201

10.6　本章小结203

资源截图：