数据认知手册：在数据科学、人工智能等领域使用启发式方法提升创造力 撒迦利亚·沃加里斯

在数据科学研究过程中，能快速解决问题是一项不可或缺的能力。但是数据科学面临的复杂性在于，随着大数据采集的数据量越来越大，以及解算法越来越复杂，很多算法面临着运行非常耗时，有时甚至在现有的资源情况下不可解的状况。

撒迦利亚·沃加里斯博士出生于希腊雅典。他在克里特岛技术大学学习生产工程和管理，通过信息系统与技术硕士学位后转向计算机科学专业，然后通过机器学习博士学位后转向数据科学。他曾在佐治亚理工学院担任研究员，在塞浦路斯的一家电子营销初创公司担任SEO经理，并在Elavon（GA）和G2 Web Services（WA）担任数据科学家。他还曾担任微软的项目经理，负责必应的数据分析管道。目前在GLG（美国格理集团）担任顾问。

适读人群 ：数据科学领域从业者
1. 内容经典。引进的国外经典数据管理图书，原书作者为国际知名的数据治理专家。
2. 译者权威。本书主要译者为DAMA China主席胡本立和《DAMA-DMBOK数据管理知识体系指南》主译者马欢老师，在业内有相当的知名度。其他翻译组成员包含了西部数据、中国软件评测中心、上海市海促会等产学研机构的知名数据管理专家。

本书采用动手实践的方法，通过数据分析、数据科学和人工智能 (AI) 中的启发式方法来解释创造力。本书内容分为5个部分，每个部分都包含了探索和采用启发式方法来解决问题的相应内容。
解决问题的能力在分析项目时是不可或缺的，总有一些问题是现成的算法或公式不能涵盖的，这些需要额外的关注。解决问题还是一项技能，是岗位职责的一部分。但很多问题解决的时候会非常耗时，有时候甚至在现有的资源情况下是不可行的。需要寻求外部的帮助，这样可以节省时间来完成其他事情。
启发式方法可以提供这样的帮助，尤其是当涉及与数据相关的问题时。这些工作不一定与核心分析工作本身有关，有时只需要优化一个数学函数，或者优化一个有可能成为数据管道瓶颈的过程。与在数据科学和人工智能中遇到的其他度量和方法不同，启发式方法还需要有创造力。结合脚踏实地解决方案的工程思维，启发式方法可以成为一种宝贵的资产，为分析专家和问题解决者带来价值。
本书第1部分概述了各种类型的启发式方法。第2部分侧重于面向数据的启发式方法及其在数据科学问题中的应用。第3部分诠释了面向最优化的启发式方法，以及它们如何解决具有挑战性的最优化问题。第4部分是讲解如何设计和实施新的启发式方法，以解决特定问题的相关内容。第5部分介绍了关于启发式方法的补充主题，如局限性和透明度等。
每章的小结部分都强调了各章的要点内容，术语解释了本领域内的重要术语，附录包含了有关启发式方法和相关编程工具的参考资料。此外，有部分章节的实践材料使用了 Julia 语言代码（.jl 文件），本书所有代码可以直接下载，具体下载方法可见本书封底说明。
也许你渴望了解更多关于“启发式方法”的信息，事不宜迟，让我们开始吧！

推荐序
译者序
前言
第1部分 关于启发式方法
第1章 创造性解决问题
1.1 解决问题
1.2 解决问题过程中的创造力
1.3 人工智能与创造力
1.4 脚踏实地的创造力
1.5 小结
第2章 什么是启发式方法
2.1 启发式方法概述
2.2 启发式度量指标
2.3 启发式算法
2.4 重要注意事项
2.5 小结
第3章 启发式与元启发式方法
3.1 元启发式方法概述
3.2 何时使用元启发式方法
3.3 适合元启发式方法的问题
3.4 重要注意事项
3.5 小结
第4章 特定的指标和方法
4.1 为什么启发式方法不可或缺
4.2 如何践行启发式方法
4.3 何时使用特定指标
4.4 何时使用特定的方法
4.5 小结
第2部分 面向数据的启发式方法
第5章 EDA基本启发式方法
5.1 EDA的启发式方法概述
5.2 EDA中的基本启发式方法
5.2.1 基于范围的相关启发式方法
5.2.2 二元相关启发式方法
5.2.3 你自己的启发式方法
5.3 如何在 EDA 中有效利用这些启发式方法
5.4 重要注意事项
5.5 小结
第6章 EDA高级启发式方法
6.1 为什么需要EDA高级启发式方法
6.2 EDA中特定的高级启发式方法
6.2.1 可辨识指数
6.2.2 密度分析
6.2.3 其他高级启发式
6.3 如何在 EDA 中有效地利用启发式方法
6.4 重要注意事项
6.5 小结
第7章 模型相关的启发式方法
7.1 模型相关的启发式方法概述
7.2 特定模型相关启发式方法
7.2.1 F分数启发式
7.2.2 曲线下面积启发式
7.2.3 基于范围的相关启发式
7.2.4 置信指数启发式
7.2.5 其他模型启发式
7.3 如何有效利用这些启发式方法
7.4 重要注意事项
7.5 小结
第8章 其他启发式方法
8.1 其他启发式方法概述
8.2 熵和反熵启发式方法
8.2.1 熵
8.2.2 反熵
8.2.3 在与数据相关的问题中是否使用熵或反熵
8.3 与距离相关的启发式方法
8.3.1 距离启发式方法
8.3.2 相似性启发式方法
8.3.3 与置信度指数的关系
8.4 重要注意事项
8.5 小结
第3部分 面向最优化的启发式
第9章 人工智能与机器学习最优化
9.1 最优化理论概述
9.2 最优化用例
9.3 最优化算法的关键组成部分
9.4 最优化在人工智能和机器学习中的作用
9.5 重要注意事项
9.6 小结
第10章 最优化中的启发式方法
10.1 一般优化中的启发式方法
10.2 使用启发式的特定优化算法
10.2.1 基于群体的算法
10.2.2 遗传算法
10.2.3 模拟退火算法和变体
10.2.4 其他
10.3 粒子群优化和启发式
10.3.1 概述
10.3.2 PSO算法的伪代码
10.3.3 启发式方法的应用
10.4 重要注意事项
10.5 小结
第11章 复杂的最优化系统
11.1 复杂优化器概述
11.2 遗传算法家族优化器
11.2.1 遗传算法的关键概念
11.2.2 香草味遗传算法及其局限性
11.2.3 精英主义变体（Elitism Variant）
11.2.4 缩放比例修改（Scaling Hack）
11.2.5 约束调整（Constraints Tweak）
11.2.6 其他变体
11.3 应用于遗传算法的启发式方法
11.4 重要注意事项
11.5 小结
第12章 最优化集成
12.1 最优化集成概述
12.2 最优化系统的结构
12.3 启发式方法在最优化集成中的作用
12.4 重要注意事项
12.5 小结
第4部分 设计和实施新的启发式方法
第13章 启发式方法的目标和功能
13.1 启发式方法的目标和功能概述
13.2 定义启发式方法的目标
13.3 确定启发式方法的功能
13.4 优化启发式方法的目标和功能
13.5 重要注意事项
13.6 小结
第14章 度量启发式的参数、输出和可用性
14.1 度量启发式的参数、输出和可用性概述
14.2 定义度量启发式的参数和输出
14.3 确定度量启发式的可用性和范围
14.4 优化度量启发式的可用性
14.5 重要注意事项
14.6 小结
第15章 方法启发式的参数、输出和可用性
15.1 方法启发式的参数、输出和可用性概述
15.2 定义方法启发式的参数和输出
15.3 确定方法启发式的可用性和应用范围
15.4 优化方法启发式的可用性
15.5 重要注意事项
15.6 小结
第16章 开发和优化启发式方法
16.1 开发新启发式方法的过程概述
16.2 定义新启发式方法的目标和功能
16.2.1 概述
16.2.2 一种衡量变量多样性的启发式方法
16.2.3 一种衡量数据点独特性的启发式方法
16.2.4 价值问题
16.2.5 你的立身之地
16.3 定义新启发式方法的参数、输出和可用性
16.3.1 多样性启发式的参数、输出和可用性
16.3.2 独特性指数启发式的参数、输出和可用性
16.3.3 两种启发式方法的应用范围
16.4 重要注意事项
16.5 小结
第5部分 启发式方法补充主题
第17章 启发式方法的局限性
17.1 启发式方法常见局限性概述
17.2 泛化能力局限
17.3 精度限制
17.4 为什么存在这些限制及权衡
17.5 重要注意事项
17.6 小结
第18章 启发式方法的潜力
18.1 启发式方法的潜力概述
18.2 启发式方法在EDA中的潜力
18.3 启发式最优化的潜力
18.4 启发式辅助过程的潜力
18.5 启发式模型构建的潜力
18.6 小结
第19章 启发式和透明度
19.1 透明度在数据科学和AI中的价值
19.2 启发式方法如何帮助提高透明度
19.3 构建更加透明的数据科学框架
19.4 重要注意事项
19.5 小结
第20章 最后的想法
20.1 启发式方法及其价值
20.2 启发式来了，创造力是否有尽头
20.3 用启发式方法开发自己的创造力
20.4 重要注意事项
20.5 在启发式的旅程中，路在何方
术语
附录
附录A启发式的关键组成部分
附录B在计算机上安装和使用