本书致力于利用算法求解实际问题。第1部分介绍算法的核心内容，探讨什么是算法、如何设计算法，同时学习在算法中使用的数据结构。重点讲解排序算法、查找算法和求解图问题的算法。第二部分讨论各种机器学习算法，包括无监督机器学习算法和传统有监督学习算法，详细讨论一些自然语言处理算法和推荐引擎。第三部分讨论更高级的算法概念，重点介绍了密码算法和大规模算法。本书还包含一些案例分析（如天气预测、推文聚类和电影推荐引擎），用来说明如何才能更好地应用这些算法。

译者序
前言
关于作者
关于审校者
第一部分基础与核心算法
第1章算法概述2
1.1什么是算法2
1.2描述算法逻辑4
1.2.1理解伪代码4
1.2.2使用代码片段6
1.2.3制定执行计划6
1.3Python包简介7
1.3.1Python包8
1.3.2通过Jupyter Notebook执行Python9
1.4算法设计技术10
1.4.1数据维度11
1.4.2计算维度12
1.5性能分析13
1.5.1空间复杂度分析13
1.5.2时间复杂度分析14
1.5.3性能评估14
1.5.4选择算法15
1.5.5大O记号15
1.6验证算法19
1.6.1准确算法、近似算法和随机算法19
1.6.2可解释性20
1.7小结20
第2章算法中的数据结构21
2.1Python中的数据结构21
2.1.1列表22
2.1.2元组26
2.1.3字典27
2.1.4集合28
2.1.5数据帧30
2.1.6矩阵32
2.2抽象数据类型33
2.2.1向量33
2.2.2栈34
2.2.3队列36
2.2.4栈和队列背后的基本思想37
2.2.5树38
2.3小结40
第3章排序算法和查找算法41
3.1排序算法简介41
3.1.1在Python中交换变量42
3.1.2冒泡排序42
3.1.3插入排序44
3.1.4归并排序46
3.1.5希尔排序48
3.1.6选择排序50
3.2查找算法简介51
3.2.1线性查找52
3.2.2二分查找52
3.2.3插值查找53
3.3实际应用54
3.4小结56
第4章算法设计57
4.1算法设计基本概念57
4.1.1第一点—所设计算法是否能产生预期的结果58
4.1.2第二点—所设计算法是否是获取结果的很好方法58
4.1.3第三点—所设计算法在更大的数据集上表现如何61
4.2理解算法策略61
4.2.1分治策略62
4.2.2动态规划策略64
4.2.3贪心算法64
4.3实际应用—求解TSP65
4.3.1使用蛮力策略66
4.3.2使用贪心算法68
4.4PageRank算法70
4.4.1问题定义70
4.4.2实现PageRank算法70
4.5了解线性规划73
4.6实例—用线性规划实现产量规划73
4.7小结76
第5章图算法77
5.1图的表示77
5.1.1图的类型79
5.1.2特殊类型的边81
5.1.3自我中心网络82
5.1.4社交网络分析82
5.2网络分析理论简介83
5.2.1理解最短路径83
5.2.2创建邻域84
5.2.3理解中心性度量85
5.2.4用Python计算中心性指标87
5.3理解图的遍历88
5.3.1广度优先搜索89
5.3.2深度优先搜索92
5.4实例—欺诈分析93
5.4.1进行简单的欺诈分析96
5.4.2瞭望塔欺诈分析法97
5.5小结99
第二部分机器学习算法
第6章无监督机器学习算法102
6.1无监督学习简介102
6.1.1数据挖掘生命周期中的无监督学习103
6.1.2无监督学习的当前研究趋势105
6.1.3实例106
6.2理解聚类算法107
6.2.1量化相似性107
6.2.2分层聚类113
6.2.3评估聚类效果115
6.2.4聚类算法的应用115
6.3降维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关联规则挖掘119
6.4.1实例119
6.4.2市场购物篮分析119
6.4.3关联规则120
6.4.4排序规则122
6.4.5关联分析算法123
6.5实例—聚类相似推文127
6.5.1主题建模128
6.5.2聚类128
6.6异常检测算法129
6.6.1基于聚类的异常检测129
6.6.2基于密度的异常检测129
6.6.3基于支持向量机的异常检测129
6.7小结130
第7章传统监督学习算法131
7.1理解监督机器学习131
7.1.1描述监督机器学习132
7.1.2理解使能条件134
7.1.3区分分类器和回归器134
7.2理解分类算法135
7.2.1分类器挑战性问题135
7.2.2评估分类器139
7.2.3分类器的各个阶段142
7.2.4决策树分类算法143
7.2.5理解集成方法146
7.2.6逻辑回归149
7.2.7支持向量机算法151
7.2.8理解朴素贝叶斯算法153
7.2.9各种分类算法的胜者156
7.3理解回归算法156
7.3.1回归器挑战性问题156
7.3.2线性回归158
7.3.3回归树算法162
7.3.4梯度提升回归算法163
7.3.5各种回归算法的胜者163
7.4实例—预测天气164
7.5小结166
第8章神经网络算法167
8.1理解人工神经网络168
8.2人工神经网络的演化169
8.3训练神经网络171
8.3.1解析神经网络结构171
8.3.2定义梯度下降172
8.3.3激活函数173
8.4工具和框架178
8.4.1Keras178
8.4.2理解TensorFlow181
8.4.3理解神经网络的类型183
8.5迁移学习185
8.6实例—用深度学习实现欺诈检测186
8.7小结189
第9章自然语言处理算法190
9.1自然语言处理简介190
9.1.1理解自然语言处理术语191
9.1.2自然语言工具包192
9.2基于词袋的自然语言处理193
9.3词嵌入简介195
9.3.1词的邻域195
9.3.2词嵌入的性质195
9.4用循环神经网络实现自然语言处理196
9.5用自然语言处理实现情感分析197
9.6实例—电影评论情感分析198
9.7小结200
第10章推荐引擎201
10.1推荐系统简介201
10.2推荐引擎的类型202
10.2.1基于内容的推荐引擎202
10.2.2协同过滤推荐引擎204
10.2.3混合推荐引擎205
10.3理解推荐系统的局限性207
10.3.1冷启动问题207
10.3.2元数据需求207
10.3.3数据稀疏性问题207
10.3.4由社会影响产生的偏差207
10.3.5有限的数据207
10.4实际应用领域208
10.5实例—创建推荐引擎208
10.6小结210
第三部分高 级 主 题
第11章数据算法212
11.1数据算法简介212
11.2数据存储算法简介213
11.3流数据算法简介216
11.4数据压缩算法简介216
11.5实例—推文实时情感分析218
11.6小结221
第12章密码算法222
12.1密码算法简介222
12.1.1理解最薄弱环节的重要性223
12.1.2基本术语223
12.1.3理解安全性需求224
12.1.4理解密码基本设计225
12.2理解加密技术类型228
12.2.1加密哈希函数228
12.2.2对称加密231
12.2.3非对称加密233
12.3实例—机器学习模型部署时的安全问题236
12.3.1MITM攻击236
12.3.2避免伪装238
12.3.3数据加密和模型加密238
12.4小结240
第13章大规模算法241
13.1大规模算法简介241
13.1.1定义精心设计的大规模算法241
13.1.2术语242
13.2并行算法设计242
13.2.1阿姆达尔定律243
13.2.2任务粒度245
13.2.3负载均衡246
13.2.4局部化问题246
13.2.5在Python中启用并发处理246
13.3制定多资源处理策略246
13.3.1CUDA简介247
13.3.2集群计算250
13.3.3混合策略251
13.4小结252
第14章实践中要考虑的要素253
14.1实践要素简介253
14.2算法的可解释性254
14.3理解伦理和算法258
14.3.1使用学习算法易出现的问题258
14.3.2理解伦理因素259
14.4减少模型偏差260
14.5处理NP难问题261
14.5.1简化问题261
14.5.2改造类似问题的已知求解方案261
14.5.3使用概率方法262
14.6何时使用算法262
14.7小结264