9787111641544 9787115487360

商品名称：

 人工智能面试笔试宝典

作者：

 猿媛之家  凌峰  等

市场价：

 69.00

ISBN号：

 9787111641544

版次：

 1-1

出版日期：

 2020-01

页数：

 268

字数：

 413

出版社：

 机械工业出版社






《人工智能程序员面试笔试宝典》是一本讲解人工智能面试笔试的百科全书，在写法上，除了讲解常见的面试笔试知识点，还引入了相关示例和笔试题辅以说明，让读者能够更加容易理解。

《人工智能程序员面试笔试宝典》将人工智能面试笔试过程中各类知识点一网打尽，在内容的广度上，通过各种渠道，搜集了近3年来IT企业针对人工智能岗位面试涉及的知识点，包括但不限于人工智能、计算机网络、作系统、算法等，所选择的知识点均为企业招聘考查的知识点。在讲解的深度上，本书由浅入深分析每一个知识点，并提炼归纳，同时，引入相关知识点，并对知识点进行深度剖析，让读者不仅能够理解这个知识点，还能在遇到相似问题的时候，也能游刃有余地解决。本书对知识点进行归纳分类，结构合理，条理清晰，对于读者进行学习与检索意义重大。

《人工智能程序员面试笔试宝典》是一本计算机相关专业毕业生面试、笔试的求职用书，同时也适合期望在计算机软、硬件行业大显身手的计算机爱好者阅读。








前言



1章  走进人工智能的世界1

1.1  人工智能的发展历程1

1.2  人工智能在各行业的应用现状2

1.3  人工智能的职业发展3

1.4  学习资源6

2章  算法工程师基础10

2.1  机器学习简介10

2.1.1  机器学习如何分类10

2.1.2  什么是判别式模型和生成式

模型11

2.2  性能度量11

2.2.1  回归问题常用的性能度量指标有

哪些11

2.2.2  分类问题常用的性能度量指标有

哪些12

2.3  特征工程13

2.3.1  数据预处理主要包括什么14

2.3.2  特征选择主要包括什么15

2.3.3  特征降维主要包括什么17

2.3.4  特征构造主要包括什么18

2.4  过拟合、欠拟合与正则化19

2.4.1  过拟合与欠拟合的区别是什么，

什么是正则化19

2.4.2  解决欠拟合的方法有哪些19

2.4.3  防止过拟合的方法主要有哪些19

2.5  偏差与方差22

2.5.1  试推导泛化误差、偏差、方差与

噪声之间的关系22

2.5.2  导致偏差和方差的原因是什么23

2.6  常用梯度下降法与优化器24

2.6.1  随机梯度下降与小批量随机梯度

下降24

2.6.2  动量算法24

2.6.3  NAG算法（Nesterov动量）25

2.6.4  自适应学习率算法25

2.6.5  试比较牛顿迭代法与梯度

下降法27

2.7  其他问题28

2.7.1  常用的损失函数有哪些28

2.7.2  如何判断函数凸或非凸29

2.7.3  什么是数据不平衡问题，应该如何

解决29

2.7.4  熵、联合熵、条件熵、KL散度、

互信息的定义30

2.7.5  主成分分析和因子分析的区别31

2.7.6  什么是小风险贝叶斯决策32

2.7.7  什么是贝叶斯小错误概率和

小风险32

3章  常见的机器学习算法34

3.1  线性回归与逻辑回归34

3.1.1  线性回归及代码展示34

3.1.2  逻辑回归及代码展示35

3.1.3  逻辑回归模型如何进行多分类38

3.1.4  逻辑回归分类和线性回归的异同点

是什么38

3.2  常用聚类算法38

3.2.1  K均值法及代码展示39

3.2.2  谱聚类及代码展示41

3.2.3  幂迭代算法42

3.2.4  相似度度量公式42

3.3  EM算法43

3.3.1  试详细介绍EM算法43

3.3.2  利用EM算法进行Gauss混合分布的

参数估计44

3.3.3  利用EM算法模拟两个正态分布的

均值估计45

3.4  支持向量机46

3.4.1  试介绍SVM算法中的线性可分

问题，大间隔法47

3.4.2  线性不可分问题49

3.4.3  SVM的非线性映问题50

3.4.4  SVM的优点和缺点51

3.5  决策树与随机森林51

3.5.1  简要介绍决策树是什么51

3.5.2  决策树算法的优点和缺点是什么54

3.5.3  试简要介绍随机森林55

3.5.4  如何做随机森林参数的选择58

3.5.5  试简要介绍随机森林的优缺点58

3.5.6  决策树中C4.5算法优化了ID3

算法的什么缺点59

3.6  集成学习59

3.6.1  什么是集成学习，主要由什么

组成59

3.6.2  试介绍并比较Boosting与Bagging

方法59

3.6.3  AdaBoost算法介绍60

3.6.4  如何理解Adaboost的模型误差

部分62

3.6.5  AdaBoost模型的优缺点是什么62

3.6.6  什么是前向分步算法63

3.7  Xgboost与GBDT65

3.7.1  什么是GBDT算法，与提升树的

区别是什么65

3.7.2  什么是Xgboost算法67

4章  深度学习框架与PyTorch编程

介绍70

4.1  深度学习基础知识70

4.1.1  神经网络发展历程70

4.1.2  常见的深度学习框架都有哪些，

它们都有什么特点71

4.1.3  什么是人工神经网络71

4.1.4  万能近似定理是什么72

4.1.5  激活函数有什么作用，常见的激活

函数都有哪些72

4.1.6  什么是MP模型与感知机73

4.1.7  什么是BP神经网络和反向传播

算法74

4.1.8  BP网络模型的缺陷77

4.1.9  传统神经网络的训练方法为什么

不能用在深度神经网络77

4.2  CNN基础知识与PyTorch实战

部分77

4.2.1  什么是卷积神经网络77

4.2.2  卷积神经网络的优点是什么79

4.2.3  什么是LeNet5网络80

4.2.4  为什么卷积核一般都是3×3而

不是更大82

4.2.5  为什么不使用全连接神经网络，

而是使用卷积神经网络82

4.2.6  什么是AlexNet83

4.2.7  什么是VGG1685

4.3  LSTM基础知识与PyTorch实战

部分88

4.3.1  什么是循环神经网络（RNN）89

4.3.2  RNN的梯度消失问题以及代码

展示91

4.3.3  什么是长短时记忆网络

（LSTM）92

4.3.4  什么是门控循环神经网络

（GRU）95

5章  深度强化学习97

5.1  强化学习重要概念与函数97

5.1.1  简要介绍强化学习中若干基础

概念97

5.1.2  试比较基于值函数与策略函数的

学习方法101

5.1.3  试比较on-policy与off-policy101

5.1.4  强化学习中主要有哪些算法，

如何分类101

5.2  值函数的学习方法102

5.2.1  动态规划算法102

5.2.2  蒙特卡洛算法103

5.2.3  时序差分学习方法103

5.2.4  Q-Learning 算法详解105

5.2.5  Q-Learning算法的代码展示106

5.2.6  DP、MC、TD方法的比较108

5.2.7  如何理解DQN（深度神经

网络）108

5.3  策略函数的学习方法109

5.4  深度强化学习发展综述110

5.4.1  DQN110

5.4.2  Double Q-Learning111

5.4.3  Dueling DQN111

5.4.4  DRQN112

5.4.5  isy Net113

5.4.6  带有experience replay的DQN114

5.4.7  Actor Critic算法115

5.4.8  A3C算法115

5.4.9  Rainbow116

6章  人工智能前沿117

6.1  Attention机制117

6.1.1  Attention机制计算方法117

6.1.2  点乘注意力机制117

6.1.3  多头注意力机制118

6.2  时间卷积网络119

6.2.1  扩张卷积、残差卷积和因果

卷积120

6.2.2  TCN结构120

6.3  生成对抗网络122

6.3.1  GAN的核心思想和算法步骤

是什么122

6.3.2  什么是Conditional GAN126

6.4  图卷积神经网络126

6.4.1  空间域卷积127

6.4.2  谱图卷积128

6.5  深度学习在运筹优化中的应用130

6.5.1  指针网络131

6.5.2  指针网络PyTorch代码实现133

6.5.3  强化学习训练138

6.5.4  搜索策略141

6.5.5  简化Encoder求解VRP141

7章  数据库144

7.1  SQL语言144

7.2  事务146

7.3  存储过程147

7.3.1  什么是存储过程，它有什么

优点147

7.3.2  存储过程和函数的区别是什么149

7.4  触发器149

7.5  UNION和UNION ALL151

7.6  索引152

8章  作系统154

8.1  进程管理154

8.1.1  进程与线程154

8.1.2  线程同步有哪些机制155

8.1.3  内核线程和用户线程155

8.2  内存管理156

8.2.1  内存管理方式156

8.2.2  虚拟内存157

8.2.3  内存碎片157

8.2.4  虚拟地址、逻辑地址、线性地址和

物理地址158

8.2.5  Cache替换算法158

9章  算法161

9.1  如何实现链表的逆序161

9.2  如何对链表进行重新排序165

9.3  如何找出单链表中的倒数

k个元素168

9.4  如何检测一个较大的单链表是

否有环171

9.5  如何把链表以k个结点为一组

进行翻转174

9.6  如何实现栈177

9.7  如何设计一个排序系统180

9.8  如何实现队列182

9.9  如何根据入栈序列判断可能的

出栈序列185

9.10  如何实现LRU缓存方案187

9.11  如何把一个有序整数数组放到

二树中189

9.12  如何从顶部开始逐层打印二树

结点数据191

9.13  如何求一棵二树的大子

树和193

9.14  如何找出排序二树上任意两个

结点的近共同父结点195

9.15  如何实现反向DNS查找缓存202

9.16  如何找出数组中k小的数204

9.17  如何求数组连续大和207

9.18  如何求数组中两个元素的小

距离211

9.19  如何求解小三元组距离213

9.20  如何在不排序的情况下求数组

中的中位数216

9.21  如何获取好的矩阵链相乘

方法218

9.22  如何对有大量重复数字的数组

排序220

9.23  如何在有规律的二维数组中

进行高效的数据查找223

9.24  如何从三个有序数组中找出

它们的公共元素225

9.25  如何求一个字符串的所有

排列226

9.26  如何消除字符串的内嵌括号230

9.27  如何求字符串的编辑距离231

9.28  如何实现字符串的匹配233

9.29  如何求两个字符串的长公共

子串237

9.30  如何求数字的组合240

9.31  如何求拿到多金币的概率242

9.32  如何求正整数n所有可能的

整数组合244

9.33  如何用一个随机函数得到另外

一个随机函数245

9.34  如何等概率地从大小为n的数组

中选取m个整数246

9.35  如何求组合1、2、5这三个数

使其和为100的组合个数247

9.36  如何判断还有几盏灯泡亮着249

9.37  如何从大量的url中找出

相同的url250

9.38  如何从大量数据中找出

高频词251

9.39  如何找出访问百度

多的IP252

9.40  如何在大量的数据中找出不

重复的整数252

9.41  如何在大量的数据中判断一个

数是否存在253

9.42  如何查询热门的查询串253

9.43  如何统计不同电话号码的

个数254

9.44  如何从5亿个数中找出中

位数255

9.45  如何按照query的频度排序257

9.46  如何找出排名前500的数257

参考文献

百面机器学习 算法工程师带你去面试

内容简介
　　人工智能领域正在以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着；“博观而约取，厚积而薄发”，在末一章为读者展示生活中各种yin领时代的人工智能应用。

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