書名: 演算法學習手冊|寫出更有效率的程式
作者: 陳仁和
ISBN: 9786263241749
出版社: O’REILLY
書籍開數、尺寸: 18.5x23x1.48
頁數: 264
內文印刷顏色: 單色
#資訊
#編程與軟體開發
#軟體工程與專案管理
定價: 580
售價: 493
庫存: 已售完
LINE US! 詢問這本書 團購優惠、書籍資訊 等
此書籍已售完,調書籍需2-5工作日。建議與有庫存書籍分開下單

付款方式: 超商取貨付款 line pay
信用卡 全支付
線上轉帳 Apple pay
物流方式: 超商取貨
宅配
門市自取

詳細資訊

演算法學習手冊:寫出更有效率的程式 系列名:程式設計/APP開發 ISBN13:9786263241749 出版社:美商歐萊禮 作者:George T. Heineman 譯者:陳仁和 裝訂/頁數:平裝/264頁 規格:23cm*18.5cm*1.5cm (高/寬/厚) 版次:1 出版日:2022/06/22 中國圖書分類:演算法 內容簡介 論及撰寫有效率的程式時,每位軟體專業人士都需要具備有效率的演算法運作知識。在這本實務書籍中,《Algorithms in a Nutshell》作者George Heineman對於多種語言編寫程式時所用的效能改進關鍵演算法,有簡潔而詳實的介紹。軟體開發人員、測試人員、維護人員將理解演算法如何創造性地解決運算問題。    每章都會以前面章節內容為基礎,藉由清晰的圖示和不斷提供的新基本概念,包括演算法分析,對書中介紹的每個演算法做效能分級。你可以將每章所學到的內容,應用到該章最後的挑戰題中,如同模擬在程式術科面試場上的體驗。    閱讀本書,你將可以:  ‧探索電腦科學和軟體工程核心的基本演算法  ‧學習有效率解決問題的常見策略,例如:分治法、動態規劃、貪婪方法  ‧使用Big-O分析與評估程式的時間複雜度  ‧使用現有的Python函式庫和資料結構來解決演算法問題  ‧了解重要演算法的主要步驟   好評推薦   「一本平易近人的著作,可讓你立即應用進而提升程式的執行效率。書中將教你電腦科學中會用到的基本演算法和資料型別。如果你正在找一份程式設計相關的技術工作,這本書可能會在下次的程式面試中幫助你取得好成績。」 — Zvi Galil ,喬治亞理工學院,計算學院Frederick G. Storey主任暨名譽院長    作者介紹 作者簡介   George Heineman   George Heineman 是電腦科學教授,在軟體工程和演算法方面具有20年以上的經驗。他是《Algorithms in a Nutshell》(第2版)作者以及O'Reilly多門直播訓練課程講師(包括Exploring Algorithms in Python、Working with Algorithms in Python)。George是Sujiken謎題(數獨的變化版)與Trexagon謎題發明者。   目錄 第一章 解決問題  何謂演算法?  找出任一串列的最大值  計數關鍵作業  能夠預測演算法效能的模型  找出任一串列的前兩大值  錦標賽演算法  時間複雜度與空間複雜度  本章總結  挑戰題  第二章 演算法分析 以實證模型預測效能  更快的乘法  效能等級  漸近分析  計數所有作業  計數所有位元組  命運之門  二元陣列搜尋  跟π一樣簡單  一舉兩得  整體而言  曲線配適與上限下限  本章總結  挑戰題  第三章 用好雜湊過好生活  值與鍵的關聯  雜湊函式與雜湊值  (鍵, 值)組的雜湊表結構  以線性探測察覺與解決衝突  分別鏈結的鏈結串列  移除鏈結串列的項目  評估  擴充雜湊表  動態雜湊表的效能分析  完美雜湊  疊代處理(鍵, 值)組  本章總結  挑戰題  第四章 堆積向上  最大二元堆積  插入(值, 優先序)  移除優先序最高的值  以陣列表示二元堆積  swim與sink的實作  本章總結  挑戰題  第五章 無魔法的奇妙排序  用交換做排序  選擇排序  二次等級排序演算法的剖析  插入排序與選擇排序的效能分析  遞迴與分治法  合併排序  快速排序  堆積排序  O(N log N)等級演算法的效能比較  Tim 排序  本章總結  挑戰題  第六章 二元樹∼掌握無限  開場  二元搜尋樹  搜尋二元搜尋樹內容值  移除二元搜尋樹內容值  遍歷二元搜尋樹  二元搜尋樹的效能分析  自平衡二元搜尋樹  自平衡二元樹的效能分析  以二元樹實作(鍵, 值)符號表  以二元樹實作優先佇列  本章總結  挑戰題  第七章 圖∼盡在連結  有效率的以圖儲存有用資訊  以深度優先搜尋解開迷宮  採取不同策略的廣度優先搜尋  有向圖  具邊權重的圖  Dijkstra演算法  全點對最短路徑  Floyd-Warshall演算法  本章總結  挑戰題  第八章 本書總結  Python內建資料結構  以Python實作堆疊  以Python實作佇列  堆積與優先佇列的實作  後續的探索

為您推薦

機器學習演算法動手硬幹:用PyTorch+Jupyter最佳組合達成 (1版)

機器學習演算法動手硬幹:用PyTorch+Jupyter最佳組合達成 (1版)

類似書籍推薦給您

【簡介】 ★★★【機器學習】+【演算法】★★★ ★★★★★【PyTorch】+【Jupyter】★★★★★ 一步一腳印、腳踏實地 機器學習經典演算法全面講解 我們平常視為理所當然的L1、L2、Softmax,Cross Entropy,都是基礎的機器學習所推導出來的,很多人以為不需要學的機器學習演算法,才是站穩腳步的基本大法! 本書就是讓你可以用Python來真正真槍實戰上手機器學習。從最基礎的資料清理、特徵工程開始,一直到資料集遺漏值的研究,包括了特徵變換、建構,降維等具有實用性的技巧,之後說明了模型是什麼,接下來全書就是各種演算法的詳解,最後還有一個難得的中文自然語言處理的案例,不像一般機器學習的書千篇一律MNIST手寫辨識、人臉辨識這麼平凡的東西,難得有深入「機器學習」的動手書,讓你真的可以在人工智慧的領域中走的長長久久。 大集結!聚類演算法 ✪K-means 聚類 ✪系統聚類 ✪譜聚類 ✪模糊聚類 ✪密度聚類 ✪高斯混合模型聚類 ✪親和力傳播聚類 ✪BIRCH 聚類 技術重點 ✪資料探索與視覺化 ✪Python實際資料集特徵工程 ✪模型選擇和評估 ✪Ridge回歸分析、LASSO回歸分析以及Logistic回歸分析 ✪時間序列分析 ✪聚類演算法與異常值檢測 ✪決策樹、隨機森林、AdaBoost、梯度提升樹 ✪貝氏演算法和K-近鄰演算法 ✪支持向量機和類神經網路 ✪關聯規則與文字探勘 ✪PyTorch深度學習框架 【目錄】 01 Python 機器學習入門 1.1 機器學習簡介 1.2 安裝Anaconda(Python) 1.3 Python 快速入門 1.4 Python 基礎函數庫入門實戰 1.5 機器學習模型初探 1.6 本章小結 02 資料探索與視覺化 2.1 遺漏值處理 2.2 資料描述與異常值發現 2.3 視覺化分析資料關係 2.4 資料樣本間的距離 2.5 本章小結 03 特徵工程 3.1 特徵變換 3.2 特徵 3.3 特徵選擇 3.4 特徵提取和降維 3.5 資料平衡方法 3.6 本章小結 04 模型選擇和評估 4.1 模型擬合效果 4.2 模型訓練技巧 4.3 模型的評價指標 4.4 本章小結 05 假設檢驗和回歸分析 5.1 假設檢驗 5.2 一元回歸 5.3 多元回歸 5.4 正規化回歸分析 5.5 Logistic 回歸分析 5.6 本章小結 06 時間序列分析 6.1 時間序列資料的相關檢驗 6.2 移動平均演算法 6.3 ARIMA 模型 6.4 SARIMA 模型 6.5 Prophet 模型預測時間序列 6.6 多元時間序列ARIMAX模型 6.7 時序資料的異常值檢測 6.8 本章小結 07 聚類演算法與異常值檢測 7.1 模型簡介 7.2 資料聚類分析 7.3 資料異常值檢測分析 7.4 本章小結 08 決策樹和整合學習 8.1 模型簡介與資料準備 8.2 決策樹模型 8.3 隨機森林模型 8.4 AdaBoost 模型 8.5 梯度提升樹(GBDT) 8.6 本章小結 09 貝氏演算法和K- 近鄰演算法 9.1 模型簡介 9.2 貝氏分類演算法 9.3 貝氏網路資料分類 9.4 K- 近鄰演算法 9.5 本章小結 10 支持向量機和類神經網路 10.1 模型簡介 10.2 支援向量機模型 10.3 全連接神經網路模型 10.4 本章小結 11 連結規則與文字探勘 11.1 模型簡介 11.2 資料連結規則探勘 11.3 文字資料前置處理 11.4 文字聚類分析 11.5 《三國演義》人物關係分析 11.6 本章小結 12 深度學習入門 12.1 深度學習介紹 12.2 PyTorch 入門 12.3 卷積神經網路辨識草書 12.4 循環神經網路新聞分類 12.5 自編碼網路重構圖像 12.6 本章小結 A 參考文獻

原價: 880 售價: 792 現省: 88元
立即查看
程式設計與演算法的學習繪本<博碩>

程式設計與演算法的學習繪本<博碩>

類似書籍推薦給您

原價: 280 售價: 238 現省: 42元
立即查看
最好懂的機器學習書:使用Python了解原理、演算法及實戰案例 (1版)

最好懂的機器學習書:使用Python了解原理、演算法及實戰案例 (1版)

類似書籍推薦給您

原價: 780 售價: 702 現省: 78元
立即查看
強化式學習:打造最強 AlphaZero 通用演算法

強化式學習:打造最強 AlphaZero 通用演算法

類似書籍推薦給您

內容介紹 人工智慧的發展就是要讓電腦具備獨立思考的能力,而強化式學習(Reinforcement Learning)就是訓練 AI 如何決策的一套方法,是最具產業發展潛力的熱門技術,可以有效解決生活中許多難以突破的問題,包括產業自動化、自動駕駛、電玩競技遊戲以及機器人等。 Deepmind 將強化式學習應用於開發圍棋 AI 上,打造出 AlphaGo,並連續擊敗李世乭、柯潔等世界第一流的圍棋高手,這段情節想必你並不陌生。而接續發展出來的 AlphaZero 不僅實力更強大,而且不侷限於單一棋類,可以從零開始訓練、不需要人類棋譜,被視為是 AGI 通用式人工智慧,震撼了整個 AI 產業界。 以強化式學習為主幹的 AlphaZero 雖然備受矚目,但對於多數讀者而言,要讀懂 AlphaZero 的論文並不容易,而且論文中並未公開程式碼,紙上談兵就要了解相關細節實在難如登天,本書將透過實作帶您揭開 AlphaZero 神秘的面紗。不用棋譜 (訓練資料) 怎麼進行訓練?強化式學習在 AlphaZero 扮演甚麼角色?為甚麼一套演算法可以適用不同規則的棋類或遊戲?論文沒有講清楚的都在這裡! 在這本書中,你將學到: ● 從深度學習開始,打下紮實基礎,包括 Artificial Neural Network、CNN、ResNet。 ● 各類強化式學習演算法的精髓,包括:ϵ-Greedy、UCB1、Policy Gradient、Q-Learning、SARSA、Deep Q-Network (DQN)。 ● 理解人工智慧中做出最優決策的方法 - 賽局樹演算法,包括 Minimax Algorithm、Alpha-beta Pruning、Monte Carlo method、Monte Carlo tree search。 ● 用 Python 實作 AGI 通用演算法 - AlphaZero,只需修改規則就能稱霸井字遊戲、四子棋、黑白棋、動物棋等不同遊戲。 目錄 第1章 AlphaZero 與機器學習概要 1-0 AlphaGo、AlphaGo Zero 與 AlphaZero 1-1 深度學習基礎 1-2 強化式學習基 1-3 賽局樹演算法基礎 第2章 準備 Python 開發環境 2-0 Google Colab 之概要 2-1 Google Colab 的使用方法 2-2 建構本地端的 Python 開發環境 第3章 深度學習 3-0 利用神經網路進行手寫數字辨識 3-1 利用神經網路預測住宅價格 3-2 利用卷積神經網路(CNN)進行影像辨識 3-3 利用殘差網路 (ResNet) 進行影像辨識 第4章 強化式學習 4-0 多臂拉霸機範例 4-1 利用策略梯度法 (Policy Gradient) 進行迷宮遊戲 4-2 利用 Sarsa 與 Q - Learning 進行迷宮遊戲 4-3 利用 Deep Q-Network 遊玩木棒平衡台車 第5章 賽局樹演算法 5-0 利用 Minimax 演算法進行井字遊戲 5-1 利用 Alpha-beta 剪枝進行井字遊戲 5-2 利用蒙地卡羅法進行井字遊戲 5-3 利用蒙地卡羅樹搜尋法進行井字遊戲 第6章 AlphaZero 的機制 6-0 利用 Tic-tac-toe 進行井字遊戲 6-1 對偶網路 6-2 策略價值蒙地卡羅樹搜尋法 6-3 自我對弈模組 6-4 訓練模組 6-5 評估模組 6-6 評估最佳玩家 6-7 執行訓練循環 第7章 人類與 AI 的對戰 7-0 建立執行 UI 的本機端開發環境 7-1 利用 Tkinter 建立 GUI 7-2 人類與 AI 的對戰 第8章 將 AlphaZero 演算法套用到不同遊戲上 8-0 四子棋 8-1 黑白棋 8-2 動物棋

原價: 780 售價: 702 現省: 78元
立即查看
機器學習工程師面試全破解:嚴選124道AI演算法決勝題完整剖析

機器學習工程師面試全破解:嚴選124道AI演算法決勝題完整剖析

類似書籍推薦給您

原價: 650 售價: 553 現省: 97元
立即查看