百面机器学习 算法工程师带你去面试

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 *方差理论

第　2节 PCA *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