百面機器學習：算法工程師帶你去面試

推薦序

前言

機器學習算法工程師的自我修養(yǎng)

第　1章 特征工程

第　1節(jié) 特征歸一化

第　2節(jié) 類別型特征

第3節(jié)　高維組合特征的處理

第4節(jié)　組合特征

第5節(jié)　文本表示模型

第6節(jié)　Word2Vec

第7節(jié)　圖像數據不足時的處理方法

第　2章 模型評估

第　1節(jié) 評估指標的局限性

第　2節(jié) ROC 曲線

第3節(jié)　余弦距離的應用

第4節(jié)　A/B 測試的陷阱

第5節(jié)　模型評估的方法

第6節(jié)　超參數調優(yōu)

第7節(jié)　過擬合與欠擬合

第3章　經典算法

第　1節(jié) 支持向量機

第　2節(jié) 邏輯回歸

第3節(jié)　決策樹

第4章　降維

第　1節(jié) PCA 最大方差理論

第　2節(jié) PCA 最小平方誤差理論

第3節(jié)　線性判別分析

第4節(jié)　線性判別分析與主成分分析

第5章　非監(jiān)督學習

第　1節(jié) K 均值聚類

第　2節(jié) 高斯混合模型

第3節(jié)　自組織映射神經網絡

第4節(jié)　非監(jiān)督學習算法的評估

第6章　概率圖模型

第　1節(jié) 概率圖模型的聯合概率分布

第　2節(jié) 概率圖表示

第3節(jié)　生成式模型與判別式模型

第4節(jié)　馬爾可夫模型

第5節(jié)　主題模型

第7章　優(yōu)化算法

第　1節(jié) 有監(jiān)督學習的損失函數

第　2節(jié) 機器學習中的優(yōu)化問題

第3節(jié)　經典優(yōu)化算法

第4節(jié)　梯度驗證

第5節(jié)　隨機梯度下降法

第6節(jié)　隨機梯度下降法的加速

第7節(jié)　L1 正則化與稀疏性

第8章　采樣

第　1節(jié) 采樣的作用

第　2節(jié) 均勻分布隨機數

第3節(jié)　常見的采樣方法

第4節(jié)　高斯分布的采樣

第5節(jié)　馬爾科夫蒙特卡洛采樣法

第6節(jié)　貝葉斯網絡的采樣

第7節(jié)　不均衡樣本集的重采樣

第9章　前向神經網絡

第　1節(jié) 多層感知機與布爾函數

第　2節(jié) 深度神經網絡中的激活函數

第3節(jié)　多層感知機的反向傳播算法

第4節(jié)　神經網絡訓練技巧

第5節(jié)　深度卷積神經網絡

第6節(jié)　深度殘差網絡

第　10章 循環(huán)神經網絡

第　1節(jié) 循環(huán)神經網絡和卷積神經網絡

第　2節(jié) 循環(huán)神經網絡的梯度消失問題

第3節(jié)　循環(huán)神經網絡中的激活函數

第4節(jié)　長短期記憶網絡

第5節(jié)　Seq2Seq 模型

第6節(jié)　注意力機制

第　11章 強化學習

第　1節(jié) 強化學習基礎

第　2節(jié) 視頻游戲里的強化學習

第3節(jié)　策略梯度

第4節(jié)　探索與利用

第　12章 集成學習

第　1節(jié) 集成學習的種類

第　2節(jié) 集成學習的步驟和例子

第3節(jié)　基分類器

第4節(jié)　偏差與方差

第5節(jié)　梯度提升決策樹的基本原理

第6節(jié)　XGBoost 與GBDT 的聯系和區(qū)別

第　13章 生成式對抗網絡

第　1節(jié) 初識GANs 的秘密

第　2節(jié) WGAN：抓住低維的幽靈

第3節(jié)　DCGAN：當GANs 遇上卷積

第4節(jié)　ALI：包攬推斷業(yè)務

第5節(jié)　IRGAN：生成離散樣本

第6節(jié)　SeqGAN：生成文本序列

第　14章 人工智能的熱門應用

第　1節(jié) 計算廣告

第　2節(jié) 游戲中的人工智能

第3節(jié)　AI 在自動駕駛中的應用

第4節(jié)　機器翻譯

第5節(jié)　人機交互中的智能計算

后記

作者隨筆

參考文獻