《AI 算法工程师手册》:从数学基础到统计学习一网打尽

 

《AI 算法工程师手册》:从数学基础到统计学习一网打尽

大数据文摘出品

一名优秀的 AI 算法工程师到底应该拥有什么样的背景知识?

读一个数学或者计算机学位?

资深算法工程师华校专,把他多年以来学习总结的笔记,开源了出来,书中资料非常丰富,从数学基础到统计学习应有尽有 ~

注:华校专曾任阿里巴巴资深算法工程师、智易科技首席算法研究员,现任腾讯高级研究员,《Python 大战机器学习》的作者。

资料地址:

http://www.huaxiaozhuan.com/

书中资料的数学部分包括线性代数基础、概率论基础以及数值计算基础。

整本书大篇幅的介绍统计学习,内容包括机器学习简介、支持向量机、朴素贝叶斯 ......

深度学习专题也有涉及,从深度前馈神经网络到反向传播算法再到正则化、循环神经网络、卷积神经网络都有介绍。

书中还有一些常用的小工具推荐,包括 CRF、lightgbm 以及 Xgboost,工具介绍非常详细,从安装到使用然后再到 Python 接口都有文字介绍。

最后,华校专也在资料中整理了一些 Python 基础,包括 Numpy、scipy、Pandas 等常用的库和包。

数学基础

一位优秀的 AI 算法工程师应该有强大的数学基础,根据资料,线性代数你要会向量操作、矩阵运算以及特殊函数。概率论相关知识点,要掌握概率与分布、期望和方差、大数定律及中心极限定理、常见概率分布、先验分布与后验分布、信息论。

数值计算这门课程你要了解数值稳定性、梯度下降法、二阶导数与海森矩阵、牛顿法、拟牛顿法、约束优化。

当然,蒙特卡洛方法与 MCMC 采样也是必备的。

统计学习

除了常规的降维、聚类、半监督学习、支持向量机、朴素贝叶斯、决策树等。隐马尔可夫模型你需要知道:隐马尔可夫模型 HMM、HMM 基本问题、最大熵马尔科夫模型 MEMM。概率图与条件随机场也要掌握概率图模型、贝叶斯网络、马尔可夫随机场、条件随机场 CRF

边际概率推断也要会精确推断和近似推断。主题模型要掌握 Unigram Model、pLSA Model、LDA Model、LDA 优化、sentence-LDA、模型讨论等。

统计学习这部分,是本资料篇幅最大,内容最丰富的一部分,算上机器学习简介,资料一共 19 个章节。

深度学习

深度学习共有 9 个章节,以深度学习简介开始以工程实践指导原则结束,需要掌握知识点如下所示:

工具部分

Python 基础部分

实习 / 全职编辑记者招聘 ing

加入我们,亲身体验一家专业科技媒体采写的每个细节,在最有前景的行业,和一群遍布全球最优秀的人一起成长。坐标北京 · 清华东门,在大数据文摘主页对话页回复 " 招聘 " 了解详情。简历请直接发送至 zz@bigdatadigest.cn

点「在看」的人都变好看了哦

以上内容由 " 大数据文摘 " 上传发布

大家都在看
评论
没有更多数据了
取消
12 我来说两句…
打开 ZAKER 参与讨论