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，并探索各種算法設計技術。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（如天氣預測、推文聚類和電影推薦引擎），用來說明如何才能地應用這些算法。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)學知識的經驗豐富的程序員，還是希望了解如何利用經過實踐檢驗的算法來改進代碼設計和編寫方式的經驗不足的程序員，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。
本書內容
第1章概述算法基礎。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)說明如何設置環(huán)境以運行書中給出的例子。1.4節(jié)介紹算法設計技術。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)的內存數(shù)據(jù)結構。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)結構對其實現(xiàn)而言至關重要。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)結構。由于本書用 Python編寫算法，這一章主要關注實現(xiàn)書中算法所需的 Python 數(shù)據(jù)結構。
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雜算法的基礎。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雜度，并進行比較。后，講述這些算法的實際應用。
第4章講述設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。理解這些概念對設計的復雜算法而言至關重要。這一章先討論不同類型的算法設計，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)圖的很多結構。很多算法都通過在輸入圖上執(zhí)行搜索算法來獲得結構信息。其他幾個圖算法都是基本圖搜索算法的細化。圖的搜索技術是圖算法領域的核心。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)中學習固有的結構、模式和關系。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系模式，然后把數(shù)據(jù)樣本劃分為集群，使得各個集群內的數(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系和關聯(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的輸出標簽或類別。這些輸入和其相應的輸出用于學習一個一般性系統(tǒng)，該系統(tǒng)用于預測不在數(shù)據(jù)集中的其他數(shù)據(jù)點的結果。我們先從機器學習的角度概述分類的相關概念。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網(wǎng)絡這種重要的機器學習技術的主要概念和組成部分。然后介紹各種神經網(wǎng)絡，并闡述用于實現(xiàn)這些神經網(wǎng)絡的激活函數(shù)。之后，詳細討論反向傳播算法，這是目前應用廣泛的訓練神經網(wǎng)絡的收斂算法。接下來，介紹遷移學習技術，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網(wǎng)絡，它廣泛應用于設計和實現(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的信息建立模型，然后基于模型和信息向