自动驾驶汽车、自然语言识别、内容推荐引擎都离不开机器学习算法。 本书借助浅显易懂的案例和动画，用程序员理解的概念和语言讲解机器学习的基本思想、常用算法和模型。所有例子和算法都配有示例代码，帮助读者快速掌握机器学习解决问题的思路，为从事更复杂的机器学习项目打下扎实的基础。内容循序渐进、深入浅出，包括： 遗传算法、粒子群算法、蚁群算法、蒙特卡洛模拟、元胞自动机 借助可视化代码观察算法的学习过程 运用启发式算法解决问题，学习设计适应度函数 运用爬山法、模拟退火算法寻找函数的极值 学习转轮赌选择法和锦标赛法 学习测试代码，用算法解决新问题 熟悉衡量指标和聚类的概念

第1章 逃出纸口袋
1.1 开始
1.1.1 逃出纸口袋
1.2 目标：寻找出路
1.3 帮助乌龟逃脱
1.3.1 乌龟和纸口袋
1.4 拯救乌龟
1.4.1 正方形
1.4.2 角螺旋
1.4.3 该逃脱了
1.5 算法有效吗
1.6 拓展学习
第2章 寻找纸口袋
2.1 从数据中学习
2.1.1 划分数据
2.2 生成决策树的方法
2.2.1 选取最佳特征
2.3 找到纸口袋
2.3.1 寻找分割点
2.3.2 构建决策树
2.3.3 数据分类
2.3.4 将决策树转为规则集
2.4 算法有效吗
2.4.1 如何剪枝
2.5 拓展学习
第3章 遗传算法
3.1 发射炮弹
3.2 解的生成方法
3.2.1 算法的初始化
3.2.2 算法的迭代
3.2.3 如何让解变得更好
3.2.4 最终决策
3.3 发射炮弹
3.3.1 随机初始化
3.3.2 选择过程
3.3.3 交叉
3.3.4 突变
3.4 算法有效吗
3.4.1 画图
3.4.2 记录
3.4.3 突变测试
3.4.4 遗传算法的变体
3.5 拓展学习
第4章 粒子群算法
4.1 控制粒子群
4.1.1 移动单个粒子
4.1.2 移动多个粒子
4.1.3 粒子群
4.2 粒子群的生成
4.2.1 跟随邻近粒子
4.2.2 跟随最好位置
4.3 创建粒子群
4.3.1 跟随邻近粒子
4.3.2 跟随最好位置
4.4 算法有效吗
4.5 拓展学习
第5章 寻找路线
5.1 释放信息素
5.1.1 使用信息素
5.2 怎样生成路线
5.3 让蚂蚁行动起来
5.3.1 随机初始化
5.3.2 画路线
5.3.3 迭代优化路线
5.4 算法有效吗
5.4.1 从同一点出发
5.4.2 随机从不同点出发
5.4.3 α和β的选择
5.4.4 其他参数
5.5 拓展学习
第6章 运用随机模型
6.1 让粒子随机运动
6.1.1 蒙特卡洛模拟
6.1.2 布朗运动
6.1.3 几何布朗运动
6.1.4 跳跃扩散
6.2 如何产生扩散
6.2.1 小随机步长
6.2.2 用 C++画图
6.3 让粒子扩散开
6.3.1 布朗运动
6.3.2 股票价格
6.4 算法有效吗
6.4.1 基于特性的测试
6.5 拓展学习
第7章 蜂群算法
7.1 养蜂
7.1.1 让蜜蜂行动起来
7.1.2 蜜蜂的分工
7.1.3 算法总览
7.2 算法分析
7.2.1 算法细节
7.2.2 摇摆舞
7.3 让蜜蜂飞起来
7.3.1 蜂群算法的实现
7.3.2 蜂群算法的可视化
7.4 算法有效吗
7.5 拓展学习
第8章 元胞自动机
8.1 让元胞活起来
8.2 创造人工生命
8.2.1 算法细节
8.3 实现元胞自动机
8.4 算法有效吗
8.5 拓展学习
第9章 遗传算法与元胞自动机
9.1 找到最好的配置
9.2 遗传算法在元胞自动机上的工作方式
9.3 找到最优初始排列
9.3.1 交叉
9.3.2 突变
9.3.3 运行遗传算法
9.3.4 初等元胞自动机
9.3.5 随机规则
9.4 算法有效吗
9.4.1 初等元胞自动机
9.4.2 随机规则
9.5 拓展学习
第10章 找到最优解
10.1 移动乌龟
10.2 乌龟怎么走
10.2.1 爬山法
10.2.2 模拟退火算法
10.3 寻找口袋底部
10.3.1 用函数表示口袋形状
10.3.2 爬山法
10.3.3 模拟退火算法
10.4 算法有效吗
10.4.1 爬山法
10.4.2 模拟退火算法
10.5 更高维度的情况
10.6 拓展学习
参考文献