《机器学习vs复杂系统》内容简介

本书从跨学科视角来看待人工智能这个技术性的学科。围绕用数学模型预测未来这一主题，介绍算法，主要包括现在流行的机器学习和深度学习算法，以及算法要解决问题本身的复杂性。复杂的问题，需要复杂的算法，而算法设计背后的老师正是自然界的复杂性本身。最终，我们上升到自然界解决复杂性最有利的工具，即人类智能本身，让读者从神经科学的角度再次理解人工智能这个大主题，让读者理解神经科学是如何启发人工智能的，而人工智能又如何帮助我们理解人类智能本身。
许铁，法国巴黎高师物理硕士，以色列理工大学（以色列85%科技创业人才的摇篮，计算机科学享誉全球）计算神经科学博士，混沌巡洋舰公共号创始人，巡洋舰科技有限公司创始人，曾在香港浸会大学非线性科学中心工作一年。

作品目录

作者简介
内容简介
序
第一部分
复杂性
1、复杂系统
2、用复杂网络看世界经济（阅读难度★）
3、风险管理策略之复杂科学视角
4、从物理角度看复杂
第二部分
机器学习
5、白话机器学习（阅读难度★）
6、浅谈贝叶斯分析
7、简单贝叶斯分类器（阅读难度★）
8、决策树方法（阅读难度★★）
9、感知机：神经网络的基础（阅读难度★★★）
10、降维：应对复杂的通用武器（阅读难度★）
第三部分
神经网络
11、神经网络不神秘
12、CNN的几个关键词（阅读难度★★★）
13、时间序列与RNN
14、会遗忘的神经网络（阅读难度★★★）
15、跟着AlphaGo理解深度强化学习框架（阅读难度★★★）
16、从阿尔法元看强化学习的更广阔潜力
第四部分
宇宙间最复杂的就是我们的大脑
17、深层视觉信息的编码机制（阅读难度★）
18、大脑的自由能假说——兼论认知科学与机器学习（阅读难度★★）
19、大脑中的支持向量机（阅读难度★★★）
20、机器学习是如何巧妙理解我们大脑的工作原理的（阅读难度★★）
21、大脑经济学（阅读难度★）
22、人工智能vs人类智能（阅读难度★★）
第五部分
人工智能应用谈
23、人工智能会取代艺术家的工作吗
24、机器学习预测心理疾病
25、人机协作决策的两种方式
26、小数据机器学习
27、用深度学习玩图像的七重关卡
28、深度学习助力基因科技
29、机器学习对战复杂系统