百面机器学习: 算法工程师带你去面试

Description

人工智能领域正在以超乎人们想象的速度发展，本书赶在人工智能彻底占领世界之前完成编写，实属万幸。 书中收录了超过100道机器学习算法工程师的面试题目和解答，其中大部分源于Hulu算法研究岗位的真实场景。本书从日常工作、生活中各种有趣的现象出发，不仅囊括了机器学习的基本知识 ，而且还包含了成为出众算法工程师的相关技能，更重要的是凝聚了笔者对人工智能领域的一颗热忱之心，旨在培养读者发现问题、解决问题、扩展问题的能力，建立对机器学习的热爱，共绘人工智能世界的宏伟蓝图。 “不积跬步，无以至千里”，本书将从特征工程、模型评估、降维等经典机器学习领域出发，构建一个算法工程师必-备的知识体系；见神经网络、强化学习、生成对抗网络等新科研进展之微，知深度学习领域胜败兴衰之著；“博观而约取，厚积而薄发”，在末一章为读者展示生活中各种引领时代的人工智能应用。 版权信息 内容提要 推荐序 前 言 人工智能的三次浪潮 机器学习算法工程师的自我修养 第1章 特征工程 01 特征归一化 02 类别型特征 03 高维组合特征的处理 04 组合特征 05 文本表示模型 06 Word2Vec 07 图像数据不足时的处理方法 第2章 模型评估 01 评估指标的局限性 02 ROC曲线 03 余弦距离的应用 04 A/B测试的陷阱 05 模型评估的方法 06 超参数调优 07 过拟合与欠拟合 第3章 经典算法 01 支持向量机 02 逻辑回归 03 决策树 第4章 降维 01 PCA最大方差理论 02 PCA最小平方误差理论 03 线性判别分析 04 线性判别分析与主成分分析 第5章 非监督学习 01 K均值聚类 02 高斯混合模型 03 自组织映射神经网络 04 聚类算法的评估 第6章 概率图模型 01 概率图模型的联合概率分布 02 概率图表示 03 生成式模型与判别式模型 04 马尔可夫模型 05 主题模型 第7章 优化算法 01 有监督学习的损失函数 02 机器学习中的优化问题 03 经典优化算法 04 梯度验证 05 随机梯度下降法 06 随机梯度下降法的加速 07 L1正则化与稀疏性 第8章 采样 01 采样的作用 02 均匀分布随机数 03 常见的采样方法 04 高斯分布的采样 05 马尔可夫蒙特卡洛采样法 06 贝叶斯网络的采样 07 不均衡样本集的重采样 第9章 前向神经网络 01 多层感知机与布尔函数 深度神经网络中的激活函数 03 多层感知机的反向传播算法 04 神经网络训练技巧 05 深度卷积神经网络 06 深度残差网络 第10章 循环神经网络 01 循环神经网络和卷积神经网络 02 循环神经网络的梯度消失问题 03 循环神经网络中的激活函数 04 长短期记忆网络 05 Seq2Seq模型 06 注意力机制 第11章 强化学习 01 强化学习基础 02 视频游戏里的强化学习 03 策略梯度 04 探索与利用 第12章 集成学习 01 集成学习的种类 02 集成学习的步骤和例子 03 基分类器 04 偏差与方差 05 梯度提升决策树的基本原理 06 XGBoost与GBDT的联系和区别 第13章 生成式对抗网络 01 初识GANs的秘密 02 WGAN：抓住低维的幽灵 03 DCGAN：当GANs遇上卷积 04 ALI：包揽推断业务 05 IRGAN: 生成离散样本 06 SeqGAN：生成文本序列 第14章 人工智能的热门应用 01 计算广告 02 游戏中的人工智能 03 AI在自动驾驶中的应用 04 机器翻译 05 人机交互中的智能计算 后记 作者随笔 参考文献