百面機器學習 算法工程師帶你去面試簡介，目錄書摘
2020-01-06 12:10
來源：京東
作者：京東
百面機器學習 算法工程師帶你去面試
暫無報價
10萬+評論
99%好評
編輯推薦: 不可不讀的機器學習面試寶典！微軟全球執(zhí)行副總裁、美國工程院院士沈向洋，《浪潮之巔》《數(shù)學之美》作者吳軍，《計算廣告》作者、科大訊飛副總裁劉鵬，聯(lián)袂推薦！
人工智能幾起幾落，最近這次人工智能浪潮起始于近10年，技術(shù)的飛躍發(fā)展，帶來了應用的可能性。未來的幾年，是人工智能技術(shù)全面普及化的時期，也是算法工程師稀缺的時期。
本書旨在幫助對人工智能和機器學習有興趣的朋友們更加深入地了解這個領域的基本技能，幫助每個軟件工程師成為自信的AI實踐者，幫助每個數(shù)據(jù)科學家成為出眾的AI研究者。對每個有志進入此領域的工程師來說，本書會為你鋪設一條快速通往目標的道路。
人工智能幾起幾落，最近這次人工智能浪潮起始于近10年，技術(shù)的飛躍發(fā)展，帶來了應用的可能性。未來的幾年，是人工智能技術(shù)全面普及化的時期，也是算法工程師稀缺的時期。
本書旨在幫助對人工智能和機器學習有興趣的朋友們更加深入地了解這個領域的基本技能，幫助每個軟件工程師成為自信的AI實踐者，幫助每個數(shù)據(jù)科學家成為出眾的AI研究者。對每個有志進入此領域的工程師來說，本書會為你鋪設一條快速通往目標的道路。
內(nèi)容簡介: 人工智能領域正在以超乎人們想象的速度發(fā)展，本書趕在人工智能徹底占領世界之前完成編寫，實屬萬幸。
書中收錄了超過100道機器學習算法工程師的面試題目和解答，其中大部分源于Hulu算法研究崗位的真實場景。本書從日常工作、生活中各種有趣的現(xiàn)象出發(fā)，不僅囊括了機器學習的基本知識，而且還包含了成為出眾算法工程師的相關(guān)技能，更重要的是凝聚了筆者對人工智能領域的一顆熱忱之心，旨在培養(yǎng)讀者發(fā)現(xiàn)問題、解決問題、擴展問題的能力，建立對機器學習的熱愛，共繪人工智能世界的宏偉藍圖。
“不積跬步，無以至千里”，本書將從特征工程、模型評估、降維等經(jīng)典機器學習領域出發(fā)，構(gòu)建一個算法工程師必-備的知識體系；見神經(jīng)網(wǎng)絡、強化學習、生成對抗網(wǎng)絡等新科研進展之微，知深度學習領域勝敗興衰之著；“博觀而約取，厚積而薄發(fā)”，在末一章為讀者展示生活中各種yin領時代的人工智能應用。
書中收錄了超過100道機器學習算法工程師的面試題目和解答，其中大部分源于Hulu算法研究崗位的真實場景。本書從日常工作、生活中各種有趣的現(xiàn)象出發(fā)，不僅囊括了機器學習的基本知識，而且還包含了成為出眾算法工程師的相關(guān)技能，更重要的是凝聚了筆者對人工智能領域的一顆熱忱之心，旨在培養(yǎng)讀者發(fā)現(xiàn)問題、解決問題、擴展問題的能力，建立對機器學習的熱愛，共繪人工智能世界的宏偉藍圖。
“不積跬步，無以至千里”，本書將從特征工程、模型評估、降維等經(jīng)典機器學習領域出發(fā)，構(gòu)建一個算法工程師必-備的知識體系；見神經(jīng)網(wǎng)絡、強化學習、生成對抗網(wǎng)絡等新科研進展之微，知深度學習領域勝敗興衰之著；“博觀而約取，厚積而薄發(fā)”，在末一章為讀者展示生活中各種yin領時代的人工智能應用。
作者簡介: 諸葛越，現(xiàn)任Hulu公司全球研發(fā)副總裁，中國研發(fā)中心總經(jīng)理。曾任Landscape Mobile 公司聯(lián)合創(chuàng)始人兼CEO，前雅虎北京全球研發(fā)中心產(chǎn)品總監(jiān)， 微軟北京研發(fā)中心項目總經(jīng)理，雅虎美國高級軟件架構(gòu)師。諸葛越獲美國斯坦福大學的計算機碩士與博士，紐約州立大學石溪分校的應用數(shù)學碩士，曾就讀于清華大學計算機科學與技術(shù)系。諸葛越的研究結(jié)果獲多項專利，2005年獲美國計算機學會數(shù)據(jù)庫專業(yè)委員會十年z佳論文獎。
葫蘆娃，15位Hulu北京創(chuàng)新實驗室的人才。他們利用擅長的機器學習、深度學習等領域知識和算法模型，建立了一套定制化的機AI平臺，改變著推薦引擎、視頻編解碼、內(nèi)容理解、廣告投放等多項與用戶息息相關(guān)的在線業(yè)務技術(shù)。
葫蘆娃，15位Hulu北京創(chuàng)新實驗室的人才。他們利用擅長的機器學習、深度學習等領域知識和算法模型，建立了一套定制化的機AI平臺，改變著推薦引擎、視頻編解碼、內(nèi)容理解、廣告投放等多項與用戶息息相關(guān)的在線業(yè)務技術(shù)。
目錄:推薦序
前言
機器學習算法工程師的自我修養(yǎng)
第 1章 特征工程
第 1節(jié) 特征歸一化
第 2節(jié) 類別型特征
第3節(jié) 高維組合特征的處理
第4節(jié) 組合特征
第5節(jié) 文本表示模型
第6節(jié) Word2Vec
第7節(jié) 圖像數(shù)據(jù)不足時的處理方法
第 2章 模型評估
第 1節(jié) 評估指標的局限性
第 2節(jié) ROC 曲線
第3節(jié) 余弦距離的應用
第4節(jié) A/B 測試的陷阱
第5節(jié) 模型評估的方法
第6節(jié) 超參數(shù)調(diào)優(yōu)
第7節(jié) 過擬合與欠擬合
第3章 經(jīng)典算法
第 1節(jié) 支持向量機
第 2節(jié) 邏輯回歸
第3節(jié) 決策樹
第4章 降維
第 1節(jié) PCA 最大方差理論
第 2節(jié) PCA 最小平方誤差理論
第3節(jié) 線性判別分析
第4節(jié) 線性判別分析與主成分分析
第5章 非監(jiān)督學習
第 1節(jié) K 均值聚類
第 2節(jié) 高斯混合模型
第3節(jié) 自組織映射神經(jīng)網(wǎng)絡
第4節(jié) 非監(jiān)督學習算法的評估
第6章 概率圖模型
第 1節(jié) 概率圖模型的聯(lián)合概率分布
第 2節(jié) 概率圖表示
第3節(jié) 生成式模型與判別式模型
第4節(jié) 馬爾可夫模型
第5節(jié) 主題模型
第7章 優(yōu)化算法
第 1節(jié) 有監(jiān)督學習的損失函數(shù)
第 2節(jié) 機器學習中的優(yōu)化問題
第3節(jié) 經(jīng)典優(yōu)化算法
第4節(jié) 梯度驗證
第5節(jié) 隨機梯度下降法
第6節(jié) 隨機梯度下降法的加速
第7節(jié) L1 正則化與稀疏性
第8章 采樣
第 1節(jié) 采樣的作用
第 2節(jié) 均勻分布隨機數(shù)
第3節(jié) 常見的采樣方法
第4節(jié) 高斯分布的采樣
第5節(jié) 馬爾科夫蒙特卡洛采樣法
第6節(jié) 貝葉斯網(wǎng)絡的采樣
第7節(jié) 不均衡樣本集的重采樣
第9章 前向神經(jīng)網(wǎng)絡
第 1節(jié) 多層感知機與布爾函數(shù)
第 2節(jié) 深度神經(jīng)網(wǎng)絡中的激活函數(shù)
第3節(jié) 多層感知機的反向傳播算法
第4節(jié) 神經(jīng)網(wǎng)絡訓練技巧
第5節(jié) 深度卷積神經(jīng)網(wǎng)絡
第6節(jié) 深度殘差網(wǎng)絡
第 10章 循環(huán)神經(jīng)網(wǎng)絡
第 1節(jié) 循環(huán)神經(jīng)網(wǎng)絡和卷積神經(jīng)網(wǎng)絡
第 2節(jié) 循環(huán)神經(jīng)網(wǎng)絡的梯度消失問題
第3節(jié) 循環(huán)神經(jīng)網(wǎng)絡中的激活函數(shù)
第4節(jié) 長短期記憶網(wǎng)絡
第5節(jié) Seq2Seq 模型
第6節(jié) 注意力機制
第 11章 強化學習
第 1節(jié) 強化學習基礎
第 2節(jié) 視頻游戲里的強化學習
第3節(jié) 策略梯度
第4節(jié) 探索與利用
第 12章 集成學習
第 1節(jié) 集成學習的種類
第 2節(jié) 集成學習的步驟和例子
第3節(jié) 基分類器
第4節(jié) 偏差與方差
第5節(jié) 梯度提升決策樹的基本原理
第6節(jié) XGBoost 與GBDT 的聯(lián)系和區(qū)別
第 13章 生成式對抗網(wǎng)絡
第 1節(jié) 初識GANs 的秘密
第 2節(jié) WGAN：抓住低維的幽靈
第3節(jié) DCGAN：當GANs 遇上卷積
第4節(jié) ALI：包攬推斷業(yè)務
第5節(jié) IRGAN：生成離散樣本
第6節(jié) SeqGAN：生成文本序列
第 14章 人工智能的熱門應用
第 1節(jié) 計算廣告
第 2節(jié) 游戲中的人工智能
第3節(jié) AI 在自動駕駛中的應用
第4節(jié) 機器翻譯
第5節(jié) 人機交互中的智能計算
后記
作者隨筆
參考文獻
前言
機器學習算法工程師的自我修養(yǎng)
第 1章 特征工程
第 1節(jié) 特征歸一化
第 2節(jié) 類別型特征
第3節(jié) 高維組合特征的處理
第4節(jié) 組合特征
第5節(jié) 文本表示模型
第6節(jié) Word2Vec
第7節(jié) 圖像數(shù)據(jù)不足時的處理方法
第 2章 模型評估
第 1節(jié) 評估指標的局限性
第 2節(jié) ROC 曲線
第3節(jié) 余弦距離的應用
第4節(jié) A/B 測試的陷阱
第5節(jié) 模型評估的方法
第6節(jié) 超參數(shù)調(diào)優(yōu)
第7節(jié) 過擬合與欠擬合
第3章 經(jīng)典算法
第 1節(jié) 支持向量機
第 2節(jié) 邏輯回歸
第3節(jié) 決策樹
第4章 降維
第 1節(jié) PCA 最大方差理論
第 2節(jié) PCA 最小平方誤差理論
第3節(jié) 線性判別分析
第4節(jié) 線性判別分析與主成分分析
第5章 非監(jiān)督學習
第 1節(jié) K 均值聚類
第 2節(jié) 高斯混合模型
第3節(jié) 自組織映射神經(jīng)網(wǎng)絡
第4節(jié) 非監(jiān)督學習算法的評估
第6章 概率圖模型
第 1節(jié) 概率圖模型的聯(lián)合概率分布
第 2節(jié) 概率圖表示
第3節(jié) 生成式模型與判別式模型
第4節(jié) 馬爾可夫模型
第5節(jié) 主題模型
第7章 優(yōu)化算法
第 1節(jié) 有監(jiān)督學習的損失函數(shù)
第 2節(jié) 機器學習中的優(yōu)化問題
第3節(jié) 經(jīng)典優(yōu)化算法
第4節(jié) 梯度驗證
第5節(jié) 隨機梯度下降法
第6節(jié) 隨機梯度下降法的加速
第7節(jié) L1 正則化與稀疏性
第8章 采樣
第 1節(jié) 采樣的作用
第 2節(jié) 均勻分布隨機數(shù)
第3節(jié) 常見的采樣方法
第4節(jié) 高斯分布的采樣
第5節(jié) 馬爾科夫蒙特卡洛采樣法
第6節(jié) 貝葉斯網(wǎng)絡的采樣
第7節(jié) 不均衡樣本集的重采樣
第9章 前向神經(jīng)網(wǎng)絡
第 1節(jié) 多層感知機與布爾函數(shù)
第 2節(jié) 深度神經(jīng)網(wǎng)絡中的激活函數(shù)
第3節(jié) 多層感知機的反向傳播算法
第4節(jié) 神經(jīng)網(wǎng)絡訓練技巧
第5節(jié) 深度卷積神經(jīng)網(wǎng)絡
第6節(jié) 深度殘差網(wǎng)絡
第 10章 循環(huán)神經(jīng)網(wǎng)絡
第 1節(jié) 循環(huán)神經(jīng)網(wǎng)絡和卷積神經(jīng)網(wǎng)絡
第 2節(jié) 循環(huán)神經(jīng)網(wǎng)絡的梯度消失問題
第3節(jié) 循環(huán)神經(jīng)網(wǎng)絡中的激活函數(shù)
第4節(jié) 長短期記憶網(wǎng)絡
第5節(jié) Seq2Seq 模型
第6節(jié) 注意力機制
第 11章 強化學習
第 1節(jié) 強化學習基礎
第 2節(jié) 視頻游戲里的強化學習
第3節(jié) 策略梯度
第4節(jié) 探索與利用
第 12章 集成學習
第 1節(jié) 集成學習的種類
第 2節(jié) 集成學習的步驟和例子
第3節(jié) 基分類器
第4節(jié) 偏差與方差
第5節(jié) 梯度提升決策樹的基本原理
第6節(jié) XGBoost 與GBDT 的聯(lián)系和區(qū)別
第 13章 生成式對抗網(wǎng)絡
第 1節(jié) 初識GANs 的秘密
第 2節(jié) WGAN：抓住低維的幽靈
第3節(jié) DCGAN：當GANs 遇上卷積
第4節(jié) ALI：包攬推斷業(yè)務
第5節(jié) IRGAN：生成離散樣本
第6節(jié) SeqGAN：生成文本序列
第 14章 人工智能的熱門應用
第 1節(jié) 計算廣告
第 2節(jié) 游戲中的人工智能
第3節(jié) AI 在自動駕駛中的應用
第4節(jié) 機器翻譯
第5節(jié) 人機交互中的智能計算
后記
作者隨筆
參考文獻
相關(guān)商品
京公網(wǎng)安備 11000002000088號
