程序员必会的40种算法

图书标准信息

• 作者 [加]伊姆兰·艾哈迈德（Imran Ahmad） 著；赵海霞 译
• 出版社 机械工业出版社
• 出版时间 2021-09
• 版次 1
• ISBN 9787111690337
• 定价 99.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 280页

【内容简介】

本书致力于利用算法求解实际问题，分为三部分。第一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，还深入讲解排序算法、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监督学习算法，详细讨论一些自然语言处理算法，以及推荐引擎。第三部分讨论更高级的算法，重点讨论密码算法和大规模算法，还探讨在算法实现时应该考虑的实际因素。此外，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），用来说明如何才能最佳地应用这些算法。

 

【作者简介】

伊姆兰·艾哈迈德（Imran Ahmad） 是一名经过认证的谷歌讲师，多年来一直在谷歌和学习树(Learning Tree)任教，主要教授Python、机器学习、算法、大数据和深度学习。他在攻读博士学位期间基于线性规划方法提出了名为ATSRA的新算法，用于云计算环境中资源的优化分配。近4年来，他一直在加拿大联邦政府的高级分析实验室参与一个备受关注的机器学习项目。该项目旨在开发机器学习算法，使移民过程自动化。他目前正致力于开发最*地使用GPU来训练复杂的机器学习模型的算法。

 

【目录】

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 
11 什么是算法2 
12 描述算法逻辑4 
121 理解伪代码4 
122 使用代码片段6 
123 制定执行计划6 
13 Python包简介7 
131 Python包8 
132 通过Jupyter Notebook执行Python9 
14 算法设计技术10 
141 数据维度11 
142 计算维度12 
15 性能分析13 
151 空间复杂度分析13 
152 时间复杂度分析14 
153 性能评估14 
154 选择算法15 
155 大O记号15 
16 验证算法19 
161 精确算法、近似算法和随机算法19 
162 可解释性20 
17 小结20 
第2章 算法中的数据结构21 
21 Python中的数据结构21 
211 列表22 
212 元组26 
213 字典27 
214 集合28 
215 数据帧30 
216 矩阵32 
22 抽象数据类型33 
221 向量33 
222 栈34 
223 队列36 
224 栈和队列背后的基本思想37 
225 树38 
23 小结40 
第3章 排序算法和查找算法41 
31 排序算法简介41 
311 在Python中交换变量42 
312 冒泡排序42 
313 插入排序44 
314 归并排序46 
315 希尔排序48 
316 选择排序50 
32 查找算法简介51 
321 线性查找52 
322 二分查找52 
323 插值查找53 
33 实际应用54 
34 小结56 
第4章 算法设计57 
41 算法设计基本概念57 
411 第一点―所设计算法是否能产生预期的结果58 
412 第二点―所设计算法是否是获取结果的最佳方法58 
413 第三点―所设计算法在更大的数据集上表现如何61 
42 理解算法策略61 
421 分治策略62 
422 动态规划策略64 
423 贪心算法64 
43 实际应用―求解TSP65 
431 使用蛮力策略66 
432 使用贪心算法68 
44 PageRank算法70 
441 问题定义70 
442 实现PageRank算法70 
45 了解线性规划73 
46 实例―用线性规划实现产量规划73 
47 小结76 
第5章 图算法77 
51 图的表示77 
511 图的类型79 
512 特殊类型的边81 
513 自我中心网络82 
514 社交网络分析82 
52 网络分析理论简介83 
521 理解最短路径83 
522 创建邻域84 
523 理解中心性度量85 
524 用Python计算中心性指标87 
53 理解图的遍历88 
531 广度优先搜索89 
532 深度优先搜索92 
54 实例―欺诈分析93 
541 进行简单的欺诈分析96 
542 t望塔欺诈分析法97 
55 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 
61 无监督学习简介102 
611 数据挖掘生命周期中的无监督学习103 
612 无监督学习的当前研究趋势105 
613 实例106 
62 理解聚类算法107 
621 量化相似性107 
622 分层聚类113 
623 评估聚类效果115 
624 聚类算法的应用115 
63 降维116 
631 主成分分析116 
632 主成分分析的局限性118 
64 关联规则挖掘119 
641 实例119 
642 市场购物篮分析119 
643 关联规则120 
644 排序规则122 
645 关联分析算法123 
65 实例―聚类相似推文127 
651 主题建模128 
652 聚类128 
66 异常检测算法129 
661 基于聚类的异常检测129 
662 基于密度的异常检测129 
663 基于支持向量机的异常检测129 
67 小结130 
第7章 传统监督学习算法131 
71 理解监督机器学习131 
711 描述监督机器学习132 
712 理解使能条件134 
713 区分分类器和回归器134 
72 理解分类算法135 
721 分类器挑战性问题135 
722 评估分类器139 
723 分类器的各个阶段142 
724 决策树分类算法143 
725 理解集成方法146 
726 逻辑回归149 
727 支持向量机算法151 
728 理解朴素贝叶斯算法153 
729 各种分类算法的胜者156 
73 理解回归算法156 
731 回归器挑战性问题156 
732 线性回归158 
733 回归树算法162 
734 梯度提升回归算法163 
735 各种回归算法的胜者163 
74 实例―预测天气164 
75 小结166 
第8章 神经网络算法167 
81 理解人工神经网络168 
82 人工神经网络的演化169 
83 训练神经网络171 
831 解析神经网络结构171 
832 定义梯度下降172 
833 激活函数173 
84 工具和框架178 
841 Keras178 
842 理解TensorFlow181 
843 理解神经网络的类型183 
85 迁移学习185 
86 实例―用深度学习实现欺诈检测186 
87 小结189 
第9章 自然语言处理算法190 
91 自然语言处理简介190