數據認知手冊：在數據科學、人工智能等領域使用啟發(fā)式方法提升創(chuàng)造力

推薦序
譯者序
前言
第1部分 關于啟發(fā)式方法
第1章 創(chuàng)造性解決問題
   1.1 解決問題
   1.2 解決問題過程中的創(chuàng)造力
   1.3 人工智能與創(chuàng)造力
   1.4 腳踏實地的創(chuàng)造力
   1.5 小結
第2章 什么是啟發(fā)式方法
   2.1 啟發(fā)式方法概述
   2.2 啟發(fā)式度量指標
   2.3 啟發(fā)式算法
   2.4 重要注意事項
   2.5 小結
第3章 啟發(fā)式與元啟發(fā)式方法
   3.1 元啟發(fā)式方法概述
   3.2 何時使用元啟發(fā)式方法
   3.3 適合元啟發(fā)式方法的問題
   3.4 重要注意事項
   3.5 小結
第4章 特定的指標和方法
   4.1 為什么啟發(fā)式方法不可或缺
   4.2 如何踐行啟發(fā)式方法
   4.3 何時使用特定指標
   4.4 何時使用特定的方法
   4.5 小結
第2部分 面向數據的啟發(fā)式方法
第5章 EDA基本啟發(fā)式方法
   5.1 EDA的啟發(fā)式方法概述
   5.2 EDA中的基本啟發(fā)式方法
       5.2.1 基于范圍的相關啟發(fā)式方法
       5.2.2 二元相關啟發(fā)式方法
       5.2.3 你自己的啟發(fā)式方法
   5.3 如何在 EDA 中有效利用這些啟發(fā)式方法
   5.4 重要注意事項
   5.5 小結
第6章 EDA高級啟發(fā)式方法
   6.1 為什么需要EDA高級啟發(fā)式方法
   6.2 EDA中特定的高級啟發(fā)式方法
       6.2.1 可辨識指數
       6.2.2 密度分析
       6.2.3 其他高級啟發(fā)式
   6.3 如何在 EDA 中有效地利用啟發(fā)式方法
   6.4 重要注意事項
   6.5 小結
第7章 模型相關的啟發(fā)式方法
   7.1 模型相關的啟發(fā)式方法概述
   7.2 特定模型相關啟發(fā)式方法
       7.2.1 F分數啟發(fā)式
       7.2.2 曲線下面積啟發(fā)式
       7.2.3 基于范圍的相關啟發(fā)式
       7.2.4 置信指數啟發(fā)式
       7.2.5 其他模型啟發(fā)式
   7.3 如何有效利用這些啟發(fā)式方法
   7.4 重要注意事項
   7.5 小結
第8章 其他啟發(fā)式方法
   8.1 其他啟發(fā)式方法概述
   8.2 熵和反熵啟發(fā)式方法
       8.2.1 熵 
       8.2.2 反熵 
       8.2.3 在與數據相關的問題中是否使用熵或反熵
   8.3 與距離相關的啟發(fā)式方法
       8.3.1 距離啟發(fā)式方法
       8.3.2 相似性啟發(fā)式方法
       8.3.3 與置信度指數的關系
   8.4 重要注意事項
   8.5 小結
第3部分 面向最優(yōu)化的啟發(fā)式
第9章 人工智能與機器學習最優(yōu)化
   9.1 最優(yōu)化理論概述
   9.2 最優(yōu)化用例
   9.3 最優(yōu)化算法的關鍵組成部分
   9.4 最優(yōu)化在人工智能和機器學習中的作用
   9.5 重要注意事項
   9.6 小結
第10章 最優(yōu)化中的啟發(fā)式方法
   10.1 一般優(yōu)化中的啟發(fā)式方法
   10.2 使用啟發(fā)式的特定優(yōu)化算法
       10.2.1 基于群體的算法
       10.2.2 遺傳算法
       10.2.3 模擬退火算法和變體
       10.2.4 其他
   10.3 粒子群優(yōu)化和啟發(fā)式
       10.3.1 概述
       10.3.2 PSO算法的偽代碼
       10.3.3 啟發(fā)式方法的應用
   10.4 重要注意事項
   10.5 小結
第11章 復雜的最優(yōu)化系統
   11.1 復雜優(yōu)化器概述
   11.2 遺傳算法家族優(yōu)化器
       11.2.1 遺傳算法的關鍵概念
       11.2.2 香草味遺傳算法及其局限性
       11.2.3 精英主義變體（Elitism Variant）
       11.2.4 縮放比例修改（Scaling Hack）
       11.2.5 約束調整（Constraints Tweak）
       11.2.6 其他變體
   11.3 應用于遺傳算法的啟發(fā)式方法 
   11.4 重要注意事項 
   11.5 小結
第12章 最優(yōu)化集成
   12.1 最優(yōu)化集成概述
   12.2 最優(yōu)化系統的結構
   12.3 啟發(fā)式方法在最優(yōu)化集成中的作用
   12.4 重要注意事項
   12.5 小結
第4部分 設計和實施新的啟發(fā)式方法
第13章 啟發(fā)式方法的目標和功能
   13.1 啟發(fā)式方法的目標和功能概述
   13.2 定義啟發(fā)式方法的目標
   13.3 確定啟發(fā)式方法的功能
   13.4 優(yōu)化啟發(fā)式方法的目標和功能
   13.5 重要注意事項
   13.6 小結
第14章 度量啟發(fā)式的參數、輸出和可用性
   14.1 度量啟發(fā)式的參數、輸出和可用性概述
   14.2 定義度量啟發(fā)式的參數和輸出
   14.3 確定度量啟發(fā)式的可用性和范圍
   14.4 優(yōu)化度量啟發(fā)式的可用性
   14.5 重要注意事項
   14.6 小結
第15章 方法啟發(fā)式的參數、輸出和可用性
   15.1 方法啟發(fā)式的參數、輸出和可用性概述
   15.2 定義方法啟發(fā)式的參數和輸出
   15.3 確定方法啟發(fā)式的可用性和應用范圍
   15.4 優(yōu)化方法啟發(fā)式的可用性
   15.5 重要注意事項
   15.6 小結
第16章 開發(fā)和優(yōu)化啟發(fā)式方法
   16.1 開發(fā)新啟發(fā)式方法的過程概述
   16.2 定義新啟發(fā)式方法的目標和功能
       16.2.1 概述
       16.2.2 一種衡量變量多樣性的啟發(fā)式方法 
       16.2.3 一種衡量數據點獨特性的啟發(fā)式方法
       16.2.4 價值問題
       16.2.5 你的立身之地
   16.3 定義新啟發(fā)式方法的參數、輸出和可用性
       16.3.1 多樣性啟發(fā)式的參數、輸出和可用性
       16.3.2 獨特性指數啟發(fā)式的參數、輸出和可用性
       16.3.3 兩種啟發(fā)式方法的應用范圍
   16.4 重要注意事項
   16.5 小結
第5部分 啟發(fā)式方法補充主題
第17章 啟發(fā)式方法的局限性
   17.1 啟發(fā)式方法常見局限性概述
   17.2 泛化能力局限
   17.3 精度限制
   17.4 為什么存在這些限制及權衡
   17.5 重要注意事項
   17.6 小結
第18章 啟發(fā)式方法的潛力
   18.1 啟發(fā)式方法的潛力概述
   18.2 啟發(fā)式方法在EDA中的潛力
   18.3 啟發(fā)式最優(yōu)化的潛力
   18.4 啟發(fā)式輔助過程的潛力
   18.5 啟發(fā)式模型構建的潛力
   18.6 小結
第19章 啟發(fā)式和透明度
   19.1 透明度在數據科學和AI中的價值
   19.2 啟發(fā)式方法如何幫助提高透明度
   19.3 構建更加透明的數據科學框架
   19.4 重要注意事項
   19.5 小結
第20章 最后的想法
   20.1 啟發(fā)式方法及其價值
   20.2 啟發(fā)式來了，創(chuàng)造力是否有盡頭
   20.3 用啟發(fā)式方法開發(fā)自己的創(chuàng)造力
   20.4 重要注意事項
   20.5 在啟發(fā)式的旅程中，路在何方
術語
附錄
附錄A啟發(fā)式的關鍵組成部分
附錄B在計算機上安裝和使用