程序員必會的40種算法

譯者序
前言
關(guān)于作者
關(guān)于審校者
部分　基礎(chǔ)與核心算法
第1章　算法概述2
1.1　什么是算法2
1.2　描述算法邏輯4
1.2.1　理解偽代碼4
1.2.2　使用代碼片段6
1.2.3　制定執(zhí)行計劃6
1.3　Python包簡介7
1.3.1　Python包8
1.3.2　通過Jupyter Notebook執(zhí)行Python9
1.4　算法設(shè)計技術(shù)10
1.4.1　數(shù)據(jù)維度11
1.4.2　計算維度12
1.5　性能分析13
1.5.1　空間復雜度分析13
1.5.2　時間復雜度分析14
1.5.3　性能評估14
1.5.4　選擇算法15
1.5.5　大O記號15
1.6　驗證算法19
1.6.1　精確算法、近似算法和隨機算法19
1.6.2　可解釋性20
1.7　小結(jié)20
第2章　算法中的數(shù)據(jù)結(jié)構(gòu)21
2.1　Python中的數(shù)據(jù)結(jié)構(gòu)21
2.1.1　列表22
2.1.2　元組26
2.1.3　字典27
2.1.4　集合28
2.1.5　數(shù)據(jù)幀30
2.1.6　矩陣32
2.2　抽象數(shù)據(jù)類型33
2.2.1　向量33
2.2.2　棧34
2.2.3　隊列36
2.2.4　棧和隊列背后的基本思想37
2.2.5　樹38
2.3　小結(jié)40
第3章　排序算法和查找算法41
3.1　排序算法簡介41
3.1.1　在Python中交換變量42
3.1.2　冒泡排序42
3.1.3　插入排序44
3.1.4　歸并排序46
3.1.5　希爾排序48
3.1.6　選擇排序50
3.2　查找算法簡介51
3.2.1　線性查找52
3.2.2　二分查找52
3.2.3　插值查找53
3.3　實際應用54
3.4　小結(jié)56
第4章　算法設(shè)計57
4.1　算法設(shè)計基本概念57
4.1.1　點—所設(shè)計算法是否能產(chǎn)生預期的結(jié)果58
4.1.2　第二點—所設(shè)計算法是否是獲取結(jié)果的方法58
4.1.3　第三點—所設(shè)計算法在更大的數(shù)據(jù)集上表現(xiàn)如何61
4.2　理解算法策略61
4.2.1　分治策略62
4.2.2　動態(tài)規(guī)劃策略64
4.2.3　貪心算法64
4.3　實際應用—求解TSP65
4.3.1　使用蠻力策略66
4.3.2　使用貪心算法68
4.4　PageRank算法70
4.4.1　問題定義70
4.4.2　實現(xiàn)PageRank算法70
4.5　了解線性規(guī)劃73
4.6　實例—用線性規(guī)劃實現(xiàn)產(chǎn)量規(guī)劃73
4.7　小結(jié)76
第5章　圖算法77
5.1　圖的表示77
5.1.1　圖的類型79
5.1.2　特殊類型的邊81
5.1.3　自我中心網(wǎng)絡(luò)82
5.1.4　社交網(wǎng)絡(luò)分析82
5.2　網(wǎng)絡(luò)分析理論簡介83
5.2.1　理解短路徑83
5.2.2　創(chuàng)建鄰域84
5.2.3　理解中心性度量85
5.2.4　用Python計算中心性指標87
5.3　理解圖的遍歷88
5.3.1　廣度優(yōu)先搜索89
5.3.2　深度優(yōu)先搜索92
5.4　實例—欺詐分析93
5.4.1　進行簡單的欺詐分析96
5.4.2　瞭望塔欺詐分析法97
5.5　小結(jié)99
第二部分　機器學習算法
第6章　無監(jiān)督機器學習算法102
6.1　無監(jiān)督學習簡介102
6.1.1　數(shù)據(jù)挖掘生命周期中的無監(jiān)督學習103
6.1.2　無監(jiān)督學習的當前研究趨勢105
6.1.3　實例106
6.2　理解聚類算法107
6.2.1　量化相似性107
6.2.2　分層聚類113
6.2.3　評估聚類效果115
6.2.4　聚類算法的應用115
6.3　降維116
6.3.1　主成分分析116
6.3.2　主成分分析的局限性118
6.4　關(guān)聯(lián)規(guī)則挖掘119
6.4.1　實例119
6.4.2　市場購物籃分析119
6.4.3　關(guān)聯(lián)規(guī)則120
6.4.4　排序規(guī)則122
6.4.5　關(guān)聯(lián)分析算法123
6.5　實例—聚類相似推文127
6.5.1　主題建模128
6.5.2　聚類128
6.6　異常檢測算法129
6.6.1　基于聚類的異常檢測129
6.6.2　基于密度的異常檢測129
6.6.3　基于支持向量機的異常檢測129
6.7　小結(jié)130
第7章　傳統(tǒng)監(jiān)督學習算法131
7.1　理解監(jiān)督機器學習131
7.1.1　描述監(jiān)督機器學習132
7.1.2　理解使能條件134
7.1.3　區(qū)分分類器和回歸器134
7.2　理解分類算法135
7.2.1　分類器挑戰(zhàn)性問題135
7.2.2　評估分類器139
7.2.3　分類器的各個階段142
7.2.4　決策樹分類算法143
7.2.5　理解集成方法146
7.2.6　邏輯回歸149
7.2.7　支持向量機算法151
7.2.8　理解樸素貝葉斯算法153
7.2.9　各種分類算法的勝者156
7.3　理解回歸算法156
7.3.1　回歸器挑戰(zhàn)性問題156
7.3.2　線性回歸158
7.3.3　回歸樹算法162
7.3.4　梯度提升回歸算法163
7.3.5　各種回歸算法的勝者163
7.4　實例—預測天氣164
7.5　小結(jié)166
第8章　神經(jīng)網(wǎng)絡(luò)算法167
8.1　理解人工神經(jīng)網(wǎng)絡(luò)168
8.2　人工神經(jīng)網(wǎng)絡(luò)的演化169
8.3　訓練神經(jīng)網(wǎng)絡(luò)171
8.3.1　解析神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)171
8.3.2　定義梯度下降172
8.3.3　激活函數(shù)173
8.4　工具和框架178
8.4.1　Keras178
8.4.2　理解TensorFlow181
8.4.3　理解神經(jīng)網(wǎng)絡(luò)的類型183
8.5　遷移學習185
8.6　實例—用深度學習實現(xiàn)欺詐檢測186
8.7　小結(jié)189
第9章　自然語言處理算法190
9.1　自然語言處理簡介190