详情
本书收集了超过100道机器学习的题目，这些题目大部分在近年算法工程师的笔试、面试中出现过，作者试图从实际应用出发，给出详细的解答，打通从理论到应用的障碍。书中还讲述了很多算法背后的小故事，增加读者对问题的理解。
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 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
