本系列图书将向读者先容人工智能领域的各种热门主题。由于人工智能是一个弘大而繁杂的领域，并且其涵盖的内容进步神速，任何一本书都只可能专注于特定领域，因此本书也无意成为一本年夜小靡遗的人工智能教程。
本系列图书以一种数学上易于理解的办法讲授人工智能干系观点，这也是本系列图书英文书名中“for Human”的含义。此外：
本系列图书假定读者精通至少一门编程措辞；本系列图书假定读者对大学代数课程有基本的理解；本系列图书将利用微积分、线性代数、微分方程与统计学中的干系观点和公式；但是在阐明上述第3点的干系内容时，本系列图书并不会假定读者对上述内容十分闇练；所有观点都不仅有数学公式，还附有编程实例和伪代码。本系列图书的目标读者是精通至少一门编程措辞的程序员，且书中示例均已改写为多种编程措辞的形式。
前两卷已经由公民邮电出版社异步社区出版，还有一卷估量明年第一季度可以与大家见面。
第1章“AI入门”，先容了本书或系列图书其他各卷中会用到的部分人工智能干系的基本观点。大多数人工智能算法是接管一个输入数组，从而产生一个输出数组——人工智能所能办理的问题常日被归为此类模型。而在算法模型内部，还须要有额外的数组来存储是非期影象。算法的演习实际上便是通过调度长期影象的值来产生对应于给定输入的预期输出的一个过程。
第2章“数据归一化”，描述了大多数人工智能算法对原始数据的预处理流程。数据须要以一个输入数组的形式通报给算法，但实践中获取到的数据并不一定都是数值型的，也有一些是种别信息，比如颜色、形状、性别、物种抑或其他一些非数值型的描述性特色。此外，就算是现成的数值型数据，也必须在一定范围内归一化，并且常日是归一化到 (-1, 1) 区间。
第3章“间隔度量”，展示了我们比较数据的方法，提及来这种比较方法实在跟在舆图上标识出两点间的间隔十分相像。人工智能常日以数值数组的形式处理数据，包括输入数据、输出数据、长期影象、短期影象和其他很多数据都是如此，这些数组很多时候也被称作“向量”。我们可以像打算两点间间隔一样，打算出两个数据之间的差异（二维和三维的点可以分别看作长度为二和三的向量）。当然，在人工智能领域，我们常常要处理的是更高维空间中的数据。
第4章“随机数天生”，讲解了人工智能算法中随机数的天生和利用。本章由关于均匀随机数和正态随机数的谈论切入——涌现这种不同的根源在于有的时候算法哀求随机数具有等可能性，而有的时候又须要它们服从某种既定的分布。此外本章还谈论了天生随机数的方法。
第5章“K均值聚类算法”，详述了将数据按相似度分类的方法。K均值算法本身可以用来将数据按共性分组，同时也可以被用于组成更繁芜的算法——比如遗传算法就利用K均值算法对种群按特色归类，各路网商也利用聚类算法划分顾客，依照同类型顾客的消费习气调度发卖策略。
第6章“偏差打算”，演示了评估人工智能算法效果的方法。偏差打算的过程由一个用以评估算法终极效果的评分函数实行，其结果决定了算法的效果。一类常用的评分函数只须要给定输入向量和预期输出向量，也便是所谓的“演习数据”，算法的效果则是由实际输出与预期输出间的差异决定的。
第7章“迈向机器学习”，概述了可以从数据中学习特色来优化结果的大略机器学习算法。大多数人工智能算法是用权值向量将输入向量转化为期望的输出向量，这些权值向量构成了算法的长期影象，“演习”便是一个调度长期影象以产生预期输出的过程。本章会演示几个具有学习能力的大略模型的构建方法，也会先容一些大略但却行之有效的演习算法，能够调度这种长期影象（权重向量）并优化输出结果，大略随机溜达和爬山算法正是个中之二。
第8章“优化演习”，在前面章节的根本上进行了一定的拓展，先容了像仿照退火算法和Nelder-Mead法[2]这样用来快速优化人工智能模型权重的算法。本章还解释了如何通过一定的调度，将这些优化算法运用于之条件到过的部分模型。
第9章“离散优化”，阐明了如何优化非数值型的种别型数据。并非所有优化问题都是数值型的，还有离散型和种别型问题，比如背包问题和旅行商问题。本章将解释仿照退火算法可以用于处理这两个问题，并且该算法既适用于连续的数值型问题，也适用于离散的种别型问题。
第10章“线性回归”，讲解了如何用线性和非线性方程来学习趋势并做出预测。本章将先容大略线性回归，并演示如何用它来拟合数据为线性模型。此外还将先容可以拟合非线性数据的广义线性模型（General Linear Model，GLM）。
卷2：《人工智能算法 卷1 根本算法》第1章 “种群、计分和选择”引入本书别的部分将要利用的观点。受大自然启示 的算法通过形成解的种群来办理问题。评分许可算法评估种群成员的有效性。
第2章 “交叉和突变”先容几种交叉和突变的方法，种群成员可以为下一代创建潜在的更好的解。交叉许可两个或多个潜在解结合其特色，产生下一代的解。突变让个体可以为下一代创建其自奂的稍有变革的版本。
第3章 “遗传算法”将第1章和第2章的思想组合成一个详细的算法。遗传算法通过蜕变来优化定长数组，以供应更好的结果。本章将展示如何利用定长数组找到旅行商问题的办理方案，以及如何利用花朵的丈量值来预测鸢尾花种类。
第4章 “遗传编程”展示了蜕变算法的解数组不一定总是固定长度的。实际上，利用这些想法，可以将打算机程序表示为树，这些树可以蜕变并天生其他程序，以更好地实行其预期任务。
第5章“ 物种形成”谈论如何将种群划分为一个物种。就像交叉是通过种群中两个个体的组合来创造后代一样，物种形成也通过相似办理方案的交配而产生后代。程序员从大自然中借用了这个观点，只有同一物种的生物才可以配对并繁殖。
第6章“ 粒子群优化”利用粒子组搜索最优解。打算机软件中的这种分组本能是根据自然建模的。“牛群”“昆虫群”“鸟群”和“鱼群”等例子表明，有机体自然方向成群出行，将成群出行作为对付捕食者的最佳办理方案。
第7章 “ 蚁群优化”谈论蚂蚁的信息素追踪如何为打算机程序员供应灵感。随着越来越多的蚂蚁跟随其差错留下的化学物质提高，足迹变得越来越强。打算机程序可以采取类似的技能来找到最优解。
第8章“ 细胞自动机”利用大略的规则来产生非常繁芜的结果和模式。创建有趣的细胞自动机的关键，是找到一些可以利用基于遗传算法进行蜕变的大略规则。
第9章“ 人工生命”旨在反响出真实生命的特色，个中包含本书的一个重点项目。本章将创建一个仿照植物成长的程序。为了帮助读者查看进度，本章将该程序划分为3个里程碑，并供应代码。
第10章 "建模"谈论数据科学如何利用受大算然启示的算法。本章还包含了本书的第二个重点项目。本书将利用自Kaggle教程竞赛之一的数据集，向读者展示如何创建模型来预测泰坦尼克号上的搭客是幸存还是去世亡。本章也会用3个里程碑展示这个项目，以便读者验证进度。
卷3 人工智能算法（卷3）：深度学习和神经网络（2021年上半年出版）本书中，我们将演示各种现实天下任务中的神经网络，例如图像识别和数据科学。我们研究了当前的神经网络技能，包括 ReLU 激活、随机梯度低落、交叉熵、正则化，Dropout 和可视化。