算法一直在計算科學和計算實踐中發(fā)揮著重要作用。本書致力于利用算法求解實際問題。為了限度地利用算法，必須深入理解算法背后的邏輯和數(shù)學知識。我們先概要地介紹算法，并探索各種算法設(shè)計技術(shù)。接下來，學習線性規(guī)劃算法、PageRank算法、圖算法以及機器學習算法。本書還包含一些案例（如天氣預(yù)測、推文聚類和電影推薦引擎），用來說明如何才能地應(yīng)用這些算法。通過學習本書，你將對使用算法求解實際計算問題充滿信心。
讀者對象
本書為程序員而寫！無論你是希望深刻理解算法背后的數(shù)學知識的經(jīng)驗豐富的程序員，還是希望了解如何利用經(jīng)過實踐檢驗的算法來改進代碼設(shè)計和編寫方式的經(jīng)驗不足的程序員，閱讀本書都大有裨益。在閱讀本書前必須具有Python編程經(jīng)驗，數(shù)據(jù)科學知識對閱讀本書有幫助，但不是必需的。
本書內(nèi)容
第1章概述算法基礎(chǔ)。1.1節(jié)介紹理解不同算法如何工作所需的基本概念，概述人們初如何用算法以數(shù)學的形式表達特定類型的問題，還提到不同算法的局限性。1.2節(jié)講述描述算法邏輯的各種方法。由于本書用 Python編寫算法，1.3節(jié)說明如何設(shè)置環(huán)境以運行書中給出的例子。1.4節(jié)介紹算法設(shè)計技術(shù)。1.5節(jié)討論如何用不同方法量化算法性能，并與其他算法進行比較。1.6節(jié)討論驗證算法的特定實現(xiàn)的各種方法。
第2章著重講述算法中用于存儲臨時數(shù)據(jù)的內(nèi)存數(shù)據(jù)結(jié)構(gòu)。算法可能是數(shù)據(jù)密集型的，也可能是計算密集型的，或者既是數(shù)據(jù)密集型的又是計算密集型的。對于所有不同類型的算法，選擇恰當?shù)臄?shù)據(jù)結(jié)構(gòu)對其實現(xiàn)而言至關(guān)重要。許多算法具有遞歸和迭代邏輯，因而需要面向這種本征邏輯的專用數(shù)據(jù)結(jié)構(gòu)。由于本書用 Python編寫算法，這一章主要關(guān)注實現(xiàn)書中算法所需的 Python 數(shù)據(jù)結(jié)構(gòu)。
第3章給出用于排序和查找的核心算法。這些算法在后面將作為其他更復(fù)雜算法的基礎(chǔ)。本章先講述不同類型的排序算法，包括各種算法的性能比較。然后，講述各種查找算法，量化這些算法的性能和復(fù)雜度，并進行比較。后，講述這些算法的實際應(yīng)用。
第4章講述設(shè)計各種算法所需的核心概念，闡述各種算法并討論它們的優(yōu)缺點。理解這些概念對設(shè)計的復(fù)雜算法而言至關(guān)重要。這一章先討論不同類型的算法設(shè)計，然后求解著名的旅行商問題。之后討論線性規(guī)劃及其局限性。后，用實例展示如何用線性規(guī)劃進行產(chǎn)量規(guī)劃。
第5章著重講述常見于計算機科學中的圖算法。圖是許多計算問題的模型。本章講述表示和搜索圖的各種方法。搜索圖意味著用系統(tǒng)化的方法沿圖中的邊訪問圖中的頂點。圖搜索算法可以發(fā)現(xiàn)圖的很多結(jié)構(gòu)。很多算法都通過在輸入圖上執(zhí)行搜索算法來獲得結(jié)構(gòu)信息。其他幾個圖算法都是基本圖搜索算法的細化。圖的搜索技術(shù)是圖算法領(lǐng)域的核心。該章首先討論圖的兩種常見的計算表示：鄰接表和鄰接矩陣。接下來，講述廣度優(yōu)先搜索這種簡單的圖搜索算法，并說明如何創(chuàng)建廣度優(yōu)先搜索樹。然后講述深度優(yōu)先搜索，并給出深度優(yōu)先搜索算法訪問頂點順序的標準結(jié)論。
第6章討論無監(jiān)督機器學習算法。之所以被歸類為無監(jiān)督方法，是由于這些模型或算法在無監(jiān)督條件下從給定數(shù)據(jù)中學習固有的結(jié)構(gòu)、模式和關(guān)系。我們先討論聚類方法，這種機器學習方法基于固有的屬性或特征，試圖從數(shù)據(jù)集的數(shù)據(jù)樣本中找出相似性模式和關(guān)系模式，然后把數(shù)據(jù)樣本劃分為集群，使得各個集群內(nèi)的數(shù)據(jù)樣本具有相似性。接下來，討論降維算法，該算法用于處理特征較多的問題。之后，討論關(guān)聯(lián)規(guī)則挖掘算法，它們屬于數(shù)據(jù)挖掘方法，用于檢查和分析大規(guī)模交易數(shù)據(jù)集，以發(fā)現(xiàn)有意義的模式和規(guī)則，而這些模式表示了跨交易的各種商品之間有意義的關(guān)系和關(guān)聯(lián)。后，討論處理異常檢測的算法。
第7章描述與一組機器學習問題相關(guān)的傳統(tǒng)監(jiān)督機器學習算法。這些問題中的標記數(shù)據(jù)集具有輸入屬性和相應(yīng)的輸出標簽或類別。這些輸入和其相應(yīng)的輸出用于學習一個一般性系統(tǒng)，該系統(tǒng)用于預(yù)測不在數(shù)據(jù)集中的其他數(shù)據(jù)點的結(jié)果。我們先從機器學習的角度概述分類的相關(guān)概念。接下來，討論重要的算法之一決策樹，給出決策樹算法的局限性和優(yōu)勢。接著介紹支持向量機和XGBoost這兩種重要的算法。后，討論線性回歸這種簡單的機器學習算法。
第8章首先介紹典型神經(jīng)網(wǎng)絡(luò)這種重要的機器學習技術(shù)的主要概念和組成部分。然后介紹各種神經(jīng)網(wǎng)絡(luò)，并闡述用于實現(xiàn)這些神經(jīng)網(wǎng)絡(luò)的激活函數(shù)。之后，詳細討論反向傳播算法，這是目前應(yīng)用廣泛的訓練神經(jīng)網(wǎng)絡(luò)的收斂算法。接下來，介紹遷移學習技術(shù)，它可以大大簡化模型訓練并部分地使其自動化。后，給出一個學習實例，討論如何在現(xiàn)實世界中利用深度學習進行欺詐檢測。
第9章介紹自然語言處理算法，從理論到實踐循序漸進地展開。首先介紹基礎(chǔ)知識，然后討論背后的數(shù)學知識。接下來，介紹一種流行的神經(jīng)網(wǎng)絡(luò)，它廣泛應(yīng)用于設(shè)計和實現(xiàn)文本數(shù)據(jù)上的重要用例。此外，還介紹自然語言處理算法的局限性。后，給出一個案例，討論如何在自然語言處理領(lǐng)域訓練機器學習模型，以進行電影評論情感分析。
第10章重點討論推薦引擎，它先用與用戶偏好相關(guān)的信息建立模型，然后基于模型和信息向