百面机器学习

书名：百面机器学习算法工程师带你去面试
作者：诸葛越/葫芦娃
译者：
ISBN：9787115487360
出版社：人民邮电出版社
出版时间：2018-8-1
格式：epub/mobi/azw3/pdf
页数：
豆瓣评分： 8.7

书籍简介：

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。

作者简介：

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z佳论文奖。

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。

书友短评：

@ qwertyuiop123 非常好的总结，只是领域发展太快最新的模型没有纳入 @ Henry 当一个领域出现了面试宝典，那说明这个领域是真火了。书还不错，查漏补缺用。 @ 谷粒粒 之前面试收集的，这本书基本都覆盖了。部分讲得略浅 @ 木之 查漏补缺~ @ 拱卒 继续速读，划出重点。重要话题记笔记，这个时间会有数十倍回报的 @ Lyndos Tversky 是查漏补缺的书，xgboost和GAN那两章看的不是很懂，等上完课再回来看看吧。对很多概念有比较精准的定义和描述，更偏向于手册类型。 @ 逍遥子 立意不错，但不建议对机器学习不是很熟的人读，很多知识没有解释概念，默认是已经了解原理以后的问答，而且面比较广，初学者会有很多地方需要额外补充信息才能看懂，最好有一定经验后再看 @ 芸芸众 好书！ @ Emma 对机器学习的实用算法进行了介绍和讲解，要有数学基础才好看懂此书

推荐序
前言
机器学习算法工程师的自我修养
第1章　特征工程
第1节　特征归一化
第2节　类别型特征
第3节　高维组合特征的处理
第4节　组合特征
第5节　文本表示模型
第6节　Word2Vec
第7节　图像数据不足时的处理方法
第2章　模型评估
第1节　评估指标的局限性
第2节　ROC 曲线
第3节　余弦距离的应用
第4节　A/B 测试的陷阱
第5节　模型评估的方法
第6节　超参数调优
第7节　过拟合与欠拟合
第3章　经典算法
第1节　支持向量机
第2节　逻辑回归
第3节　决策树
第4章　降维
第1节　PCA 最大方差理论
第2节PCA 最小平方误差理论
第3节　线性判别分析
第4节　线性判别分析与主成分分析
第5章　非监督学习
第1节　K均值聚类
第2节　高斯混合模型
第3节　自组织映射神经网络
第4节　非监督学习算法的评估
第6章　概率图模型
第1节　概率图模型的联合概率分布
第2节　概率图表示
第3节　生成式模型与判别式模型
第4节　马尔可夫模型
第5节　主题模型
第7章　优化算法
第1节　有监督学习的损失函数
第2节　机器学习中的优化问题
第3节　经典优化算法
第4节　梯度验证
第5节　随机梯度下降法
第6节　随机梯度下降法的加速
第7节　L1 正则化与稀疏性
第8章　采样
第1节　采样的作用
第2节　均匀分布随机数
第3节　常见的采样方法
第4节　高斯分布的采样
第5节　马尔科夫蒙特卡洛采样法
第6节　贝叶斯网络的采样
第7节　不均衡样本集的重采样
第9章　前向神经网络
第1节　多层感知机与布尔函数
第2节　深度神经网络中的激活函数
第3节　多层感知机的反向传播算法
第4节　神经网络训练技巧
第5节　深度卷积神经网络
第6节　深度残差网络
第10章　循环神经网络
第1节　循环神经网络和卷积神经网络
第2节　循环神经网络的梯度消失问题
第3节　循环神经网络中的激活函数
第4节　长短期记忆网络
第5节　Seq2Seq 模型
第6节　注意力机制
第11章　强化学习
第1节　强化学习基础
第2节　视频游戏里的强化学习
第3节　策略梯度
第4节　探索与利用
第12章　集成学习
第1节　集成学习的种类
第2节　集成学习的步骤和例子
第3节　基分类器
第4节　偏差与方差
第5节　梯度提升决策树的基本原理
第6节　XGBoost与GBDT 的联系和区别
第13章　生成式对抗网络
第1节　初识GANs 的秘密
第2节　WGAN：抓住低维的幽灵
第3节　DCGAN：当GANs 遇上卷积
第4节　ALI：包揽推断业务
第5节　IRGAN：生成离散样本
第6节　SeqGAN：生成文本序列
第14章　人工智能的热门应用
第1节　计算广告
第2节　游戏中的人工智能
第3节　AI 在自动驾驶中的应用
第4节　机器翻译
第5节　人机交互中的智能计算
后记
作者随笔
参考文献
· · · · · ·

添加微信公众号:好书天下获取