《百面机器学习：算法工程师带你去面试》是一本为机器学习领域的求职者精心准备的面试宝典，这本书从特征工程的实用技巧开始，逐步展开到模型评估的关键方法，覆盖了机器学习中最核心的主题和高级概念，读者可以通过阅读对经典算法的深入解析，降维技术的应用，非监督学习的细节，以及概率图模型等内容，建立起扎实的机器学习基础，优化算法和采样等进阶话题为读者打开了新的视角，同时，前沿的前向和循环神经网络，强化学习，集成学习，以及引人入胜的生成式对抗网络和人工智能的热门应用案例，都为读者提供了丰富的知识储备和启发性思考，这本书不仅让求职者在技术面试中脱颖而出，也帮助那些希望巩固或拓展他们在机器学习领域知识的人们。
百面机器学习：算法工程师带你去面试
内容介绍
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。
目录
- 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
