百面机器学习 算法工程师带你去面试
正版新书 新华官方库房直发 可开电子发票
￥ 56.69 5.2折 ￥ 109 全新
库存12件
作者葫芦娃
出版社人民邮电出版社
ISBN9787115487360
出版时间2018-08
版次1
装帧平装
开本16开
纸张胶版纸
页数424页
字数480千字
定价109元
货号SC:9787115487360
上书时间2024-10-31
- 在售商品 暂无
- 平均发货时间 13小时
- 好评率 暂无
商品详情
- 品相描述：全新
- 全新正版 提供发票
- 商品描述
-
作者简介:
诸葛越：现任Hulu公司全球研发副总裁，中国研发中心总经理。曾任Landscape Mobile 公司联合创始人兼CEO，前雅虎北京全球研发中心产品总监， 微软北京研发中心项目总经理，雅虎美国软件架构师。诸葛越获美国斯坦福大学的计算机硕士与博士，纽约州立大学石溪分校的应用数学硕士，曾就读于清华大学计算机科学与技术系。诸葛越的研究结果获多项专利，2005年获美国计算机学会数据库专业委员会十年论文奖。
葫芦娃：15位Hulu北京创新实验室的人才。他们利用擅长的机器学习、深度学习等领域知识和算法模型，建立了一套定制化的机AI平台，改变着推荐引擎、视频编解码、内容理解、广告投放等多项与用户息息相关的在线业务技术。
主编推荐:
机器学习面试宝典！微软全球执行副总裁、美国工程院院士沈向洋，《浪潮之巅》《数学之美》作者吴军，《计算广告》作者、科大讯飞副总裁刘鹏，联袂推荐！
人工智能几起几落，最近这次人工智能浪潮起始于近10年，技术的飞跃发展，带来了应用前suo未有的可能性。未来的几年，是人工智能技术全面普及化的时期，也是算法工程师稀缺的时期。
本书旨在帮助对人工智能和机器学习有兴趣的朋友们更加深入地了解这个领域的基本技能，帮助每个软件工程师成为自信的AI实践者，帮助每个数据科学家成为出众的AI研究者。对每个有志进入此领域的工程师来说，本书会为你铺设一条快速通往目标的道路。
媒体评论:
诸葛越博士主编的此书是Hulu公司里十几位每天做前沿机器学习工作的工程师科学家一起合写的，是原创的、实际的、直接可用的内容。这本书致力于普及人工智能和机器学习，帮助每个软件工程师成为自信的AI实践者，每个数据科学家成为出众的AI研究者。
沈向洋/ 微软全球执行副总裁，美国工程院院士
计算机理论和算法常常让人感到高冷，因为它们和具体的应用之间缺少了一些桥梁。诸葛越博士的这本书，教授大家如何搭建这些桥梁。它可以让计算机的从业者对理论的认识有一个飞跃，也可以让非计算机专业的工程人员了解计算机科学这个强大的工具。
吴军/《浪潮之巅》《数学之美》作者
在越来越多的机器学习专业书籍中，Hulu工程师们的这本专著让我眼前一亮。本书没有拾人牙慧，从学术角度来整理机器学习的理论和算法体系；而是从一线工程师的视角出发，在职业方向、面试重点、模型实战和应用案例等诸方面有精到的介绍。对每个有志进入此领域的工程师来说，本书为你铺设了一条快速通往目标的道路。另外，本书为多位工业界实战专家合作完成，内容却相当连贯系统，实在难能可贵。
刘鹏／《计算广告》作者，科大讯飞副总裁
内容简介:
人工智能领域正在以超乎人们想象的速度发展，本书赶在人工智能占领世界之前完成编写，实属万幸。书中收录了超过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著；“博观而约取，厚积而薄发”，在末一章为读者展示生活中各种引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
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优选方差理论
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
— 没有更多了 —
以下为对购买帮助不大的评价