万本电子书0元读

万本电子书0元读

顶部广告

百面机器学习 算法工程师带你去面试电子书

不可不读的机器学习面试宝典!微软全球执行副总裁、美国工程院院士沈向洋,《浪潮之巅》《数学之美》作者吴军,《计算广告》作者、科大讯飞副总裁刘鹏,联袂推荐! 人工智能几起几落,*近这次人工智能浪潮起始于近10年,技术的飞跃发展,带来了应用前所未有的可能性。未来的几年,是人工智能技术全面普及化的时期,也是算法工程师稀缺的时期。 本书旨在帮助对人工智能和机器学习有兴趣的朋友们更加深地了解这个领域的基本技能,帮助每个软件工程师成为自信的AI实践者,帮助每个数据科学家成为出众的AI研究者。对每个有志此领域的工程师来说,本书会为你铺设一条快速通往目标的道路。

售       价:¥

纸质售价:¥66.70购买纸书

1930人正在读 | 2人评论 7.4

作       者:诸葛越,葫芦娃

出  版  社:人民邮电出版社

出版时间:2018-08-01

字       数:22.5万

所属分类: 教育 > 外语 > 实用英语

温馨提示:数字商品不支持退换货,不提供源文件,不支持导出打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(1条)
  • 读书简介
  • 目录
  • 累计评论(1条)
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。<br/>【推荐语】<br/>不可不读的机器学习面试宝典!微软全球执行副总裁、美国工程院院士沈向洋,《浪潮之巅》《数学之美》作者吴军,《计算广告》作者、科大讯飞副总裁刘鹏,联袂推荐! 人工智能几起几落,*近这次人工智能浪潮起始于近10年,技术的飞跃发展,带来了应用前所未有的可能性。未来的几年,是人工智能技术全面普及化的时期,也是算法工程师稀缺的时期。 本书旨在帮助对人工智能和机器学习有兴趣的朋友们更加深地了解这个领域的基本技能,帮助每个软件工程师成为自信的AI实践者,帮助每个数据科学家成为出众的AI研究者。对每个有志此领域的工程师来说,本书会为你铺设一条快速通往目标的道路。<br/>【作者】<br/>诸葛越:现任Hulu公司全球研发副总裁,中国研发中心总经理。曾任Landscape Mobile 公司联合创始人兼CEO,前雅虎北京全球研发中心产品总监, 微软北京研发中心项目总经理,雅虎美国高级软件架构师。诸葛越获美国斯坦福大学的计算机硕士与博士,纽约州立大学石溪分校的应用数学硕士,曾就读于清华大学计算机科学与技术系。诸葛越的研究结果获多项专利,2005年获美国计算机学会数据库专业委员会十年论文奖。 葫芦娃:15位Hulu北京创新实验室的人才。他们利用擅长的机器学习、深度学习等领域知识和算法模型,建立了一套定制化的机AI平台,改变着推荐引擎、视频编解码、内容理解、广告投放等多项与用户息息相关的在线业务技术。<br/>
目录展开

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

场景描述

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

累计评论(1条) 2个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部