机器学习vs复杂系统-图书

推荐0
收藏2
浏览1.2K

机器学习vs复杂系统

许铁 (作者)　

书　　号：978-7-121-34410-7
出版日期：2018-07-09
页　　数：192
开　　本：16(170*240)
出版状态：上市销售
维护人：安娜

纸质版￥59.00

本书从跨学科视角来看待人工智能这个技术性的学科。围绕用数学模型预测未来这一主题，介绍算法，主要包括现在流行的机器学习和深度学习算法，以及算法要解决问题本身的复杂性。复杂的问题，需要复杂的算法，而算法设计背后的老师正是自然界的复杂性本身。最终，我们上升到自然界解决复杂性最有利的工具，即人类智能本身，让读者从神经科学的角度再次理解人工智能这个大主题，理解神经科学是如何启发人工智能的，而人工智能又如何帮助我们理解人类智能本身。

本书既适合具有高中以上数学知识的一般读者，作为他们了解人工智能和复杂系统领域的科普读物；也适合已经在人工智能领域工作的专业人士，使他们从工程视角之外的更大视角去看待这一领域，获得新的启发。

这是一本有关人工智能、机器学习、深度学习、复杂系统的科普读物，让人从不同的视角看这些注定会深刻影响未来的不同学科，获得新的启发。
不得不说，这本书有点烧脑，但确实会让人一看再看。

人工智能是大势所趋，这一主题也成为街头巷尾人们热议的焦点。本书作者的写作初衷是希望能在一个更大的视角下看待人工智能这个技术性的学科。虽然人工智能的技术更多用于工业界，但是其产生的根源，却与人类用数学模型探索世界和自己大脑本身的历程密不可分，因此，本书希望在这个大背景下，从高度跨学科的视角切入人工智能这个大主题。

人人都想预测未来，但是无论科技多么发达，预测未来依然是困难的，比如股市、自然灾害、一个月后的天气预测等，都很难做到精准。究其根本原因，在于无处不在的复杂性。复杂系统这门学科可以帮助我们理解复杂性产生的根源。

大数据时代，数据已成为人们最大幅度减少这种不可预测灾难的工具。然而过度信赖数据，往往会让我们陷入一种新的迷信，或者埋没在噪声里。

算法，主要包括现在流行的机器学习和深度学习算法，可以帮助我们最大程度地从数据里提取信息、剔除噪声，这也成为目前人工智能的基础。从另一个角度看，即从人类智能本身来看待这个问题，会让我们对机器学习和深度学习的本质有着更新的理解，并发现两者内在的相似性，同时看到机器的算法和人脑的算法这两种相似性的根源，即世界本身的复杂性。

本书内容涉及机器学习基本方法、非线性动力学、复杂系统、随机过程、神经网络等正在深刻改变世界的学科，讲述人工智能和复杂系统的基本原理，以及它们是如何影响我们日常生活的方方面面的：小到微信里的语音识别，大到我们到底能不能预测经济危机或金融危机。

我们希望用化繁为简的笔墨，带领读者逐步理解这个大视角下的核心概念，掌握进入更多细分领域的语言和思维体系。我们的使命不是涵盖这一宏大领域的所有知识点，而是希望引发读者的兴趣，去寻找和了解这一激动人心的领域的更多进展。

本书既适合具有高中以上数学知识的一般读者，可作为他们了解人工智能和复杂系统领域的科普读物；也适合利用业余时间充电，正在自学人工智能的工程师，作为他们搭建框架和进入专业领域的开胃菜；还适合已经在人工智能领域从业的专业人士，使他们从工程视角以外的更大视角去
看待这一领域，获得新的启发。

第一部分复杂性
1 复杂系统 ........................................................................................................ 2
2 用复杂网络看世界经济（阅读难度1星）..................................................... 7
3 风险管理策略之复杂科学视角 .................................................................. 11
4 从物理角度看复杂 ...................................................................................... 24

第二部分机器学习
5 白话机器学习（阅读难度1星） .................................................................. 46
6 浅谈贝叶斯分析 .......................................................................................... 53
7 简单贝叶斯分类器（阅读难度1星） .......................................................... 57
8 决策树方法（阅读难度2星） ................................................................... 60
9 感知机：神经网络的基础（阅读难度3星） ....................................... 64
10 降维：应对复杂的通用武器（阅读难度1星） ......................................... 67

第三部分神经网络
11 神经网络不神秘 ........................................................................................ 74
12 CNN 的几个关键词（阅读难度3星） ................................................ 80
13 时间序列与RNN ...................................................................................... 91
14 会遗忘的神经网络（阅读难度3星） ................................................. 96
15 跟着AlphaGo 理解深度强化学习框架（阅读难度3星） ............... 100
16 从阿尔法元看强化学习的更广阔潜力 .................................................. 107

第四部分宇宙间最复杂的就是我们的大脑
17 深层视觉信息的编码机制（阅读难度1星） ........................................... 114
18 大脑的自由能假说——兼论认知科学与机器学习（阅读难度2星） 121
19 大脑中的支持向量机（阅读难度3星） ........................................... 126
20 机器学习是如何巧妙理解我们大脑的工作原理的
（阅读难度2星） ..................................................................................... 133
21 大脑经济学（阅读难度1星） .................................................................. 140
22 人工智能vs 人类智能（阅读难度2星） ............................................. 149

第五部分人工智能应用谈
23 人工智能会取代艺术家的工作吗 .......................................................... 156
24 机器学习预测心理疾病 .......................................................................... 159
25 人机协作决策的两种方式 ...................................................................... 164
26 小数据机器学习 ...................................................................................... 166
27 用深度学习玩图像的七重关卡 .............................................................. 170
28 深度学习助力基因科技 .......................................................................... 174
29 机器学习对战复杂系统 .......................................................................... 176