本书的编程语言以Python为主，详细介绍了人工智能算法的主流类别，涉及常见的数据特征处理、回归模型、基于实例的算法、树方法、神经网络、自然语言处理、社会网络、遗传算法和推荐算法。本书针对每一大类算法都介绍了该门类下的经典算法，并运用常见算法库以代码实现为目的，以商业分析、金融投资、科研辅助和工程优化等案例为对象，逐步讲解每一种算法的实现方法及在案例分析中的运用，部分案例配备了教学视频，可扫码实时观看。同时，随书还提供了程序源代码、授课用PPT等海量附加学习资源。 本书适用的读者对象包括：商业分析师、高校科研工作者、互联网企业的算法工程师、大中专院校相关专业师生以及其他需要掌握人工智能算法知识的读者。

前言
第1章 无处不在的算法
1.1 人工智能发展的历史
1.2 人工智能算法的分类与流派
第2章 常见的数据特征处理
2.1 常见的数据预处理和特征选择方法
2.1.1 常见的数据预处理
2.1.2 常见的特征选择方法
2.2 主成分分析
2.2.1 PCA算法步骤和特征分解理论
2.2.2 PCA规约MNIST数据集
2.3 高新技术企业行业技术周期数据的可视化和相关性分析
2.3.1 特征的系统性描述
2.3.2 特征的深入观察
第3章 常见的回归模型
3.1 线性回归模型
3.1.1 普通小二乘法的原理
3.1.2 广告投入产出分析案例
3.2 逻辑斯谛回归
3.2.1 逻辑斯谛回归的原理
3.2.2 乳腺癌恶性、良性肿瘤分类预测
3.3 正则化方法
3.3.1 普通小二乘法与岭回归
3.3.2 核岭回归
3.3.3 核岭回归、岭回归和LASSO的区别与联系
3.3.4 常用核函数
3.3.5 社区和犯罪数据集的分析
第4章 基于实例的算法
4.1 K-Means算法
4.1.1 K-Means的算法原理
4.1.2 基于K-Means聚类分析的肥胖原因探索
4.2 KNN算法
4.2.1 KNN的算法原理
4.2.2 手机流量套餐的KNN聚类研究
第5章 树方法
5.1 决策树
5.1.1 决策树的原理
5.1.2 泰坦尼克号的末日求生
5.2 随机森林
5.2.1 随机森林的原理
5.2.2 泰坦尼克号的生存分析
5.3 XGBoost
5.3.1 XGBoost的算法原理
5.3.2 沪深300指数的波动率预测
第6章 神经网络
6.1 多层感知器
6.1.1 线性可分的二分类案例
6.1.2 线性不可分的案例
6.2 深度神经网络
6.2.1 基于Ames House Price数据的XGBoost模型案例
6.2.2 基于Ames House Price数据的深度神经网络案例
6.3 卷积神经网络
6.3.1 随机森林识别mnist数据集
6.3.2 卷积神经网络识别mnist数据集
6.3.3 卷积神经网络识别带有噪声的mnist数据集
6.4 循环神经网络
6.4.1 时间序列的可视化与特征分析
6.4.2 GRU网络结构设计
6.4.3 模型训练与预测
第7章 自然语言处理
7.1 常用的文本处理技巧
7.1.1 文本数据展示和基本性质观察
7.1.2 多个语料库的深入分析
7.2 文本分析和挖掘
7.2.1 Women's Clothing E-Commerce Reviews数据集的分析与观察
7.2.2 基于词向量模型的分类预测
7.2.3 基于词汇的情感分析
7.3 主题建模
7.3.1 潜在语义分析
7.3.2 sklearn库的LDA模型
7.3.3 gensim库的LDA模型
7.4 新闻的内容分析与LDA主题模型的相关性分析
7.4.1 基于内容分析法分析新闻数据
7.4.2 新闻数据的LDA模型分析
第8章 社会网络
8.1 社会网络的介绍和统计
8.1.1 社会网络的基础概念及可视化
8.1.2 社会网络的多种统计指标
8.2 社交网络的数据分析
8.2.1 某在线社交网络分析
8.2.2 贵格会的社交网络分析
第9章 遗传算法
9.1 遗传算法与旅行商问题
9.1.1 旅行商问题在遗传算法中的定义
9.1.2 遗传算法的选择、交叉和变异
9.2 遗传算法与波士顿房价预测
9.2.1 利用经典回归模型预测波士顿房价
9.2.2 利用遗传算法进行特征选择
9.3 Geatpy库的应用实例
9.3.1 啤酒混合策略
9.3.2 房间布局优化问题
第10章 推荐算法
10.1 电影数据集的协同过滤推荐
10.1.1 电影数据集的介绍和可视化
10.1.2 基于电影评分数据的协同过滤推荐算法
10.1.3 基于内容数据的协同过滤推荐算法
10.2 基于巡航数据的模糊控制系统
10.2.1 智能巡航控制系统
10.2.2 小费决策的模糊控制系统