●前言 章 走進人工智能的世界 1.1 人工智能的發展歷程 1.2 人工智能在各行業的應用現狀 1.3 人工智能的職業發展 1.4 學習資源 第2章 算法工程師基礎 2.1 機器學習簡介 2.1.1 機器學習如何分類 2.1.2 什麼是判別式模型和生成式模型 2.2 性能度量 2.2.1 回歸問題常用的性能度量指標有哪些 2.2.2 分類問題常用的性能度量指標有哪些 2.3 特征工程 2.3.1 數據預處理主要包括什麼 2.3.2 特征選擇主要包括什麼 2.3.3 特征降維主要包括什麼 2.3.4 特征構造主要包括什麼 2.4 過擬合、欠擬合與正則化 2.4.1 過擬合與欠擬合的區別是什麼，什麼是正則化 2.4.2 解決欠擬合的方法有哪些 2.4.3 防止過擬合的方法主要有哪些 2.5 偏差與方差 2.5.1 試推導泛化誤差、偏差、方差與噪聲之間的關繫 2.5.2 導致偏差和方差的原因是什麼 2.6 常用梯度下降法與優化器 2.6.1 隨機梯度下降與小批量隨機梯度下降 2.6.2 動量算法 2.6.3 NAG算法（Nesterov動量） 2.6.4 自適應學習率算法 2.6.5 試比較牛頓迭代法與梯度下降法 2.7 其他問題 2.7.1 常用的損失函數有哪些 2.7.2 如何判斷函數凸或非凸 2.7.3 什麼是數據不平衡問題，應該如何解決 2.7.4 熵、聯合熵、條件熵、KL散度、互信息的定義 2.7.5 主成分分析和因子分析的區別 2.7.6 什麼是小貝葉斯決策 2.7.7 什麼是貝葉斯小概率和小風險 第3章 常見的機器學習算法 3.1 線性回歸與邏輯回歸 3.1.1 線性回歸及代碼展示 3.1.2 邏輯回歸及代碼展示 3.1.3 邏輯回歸模型如何進行多分類 3.1.4 邏輯回歸分類和線性回歸的異同點是什麼 3.2 常用聚類算法 3.2.1 K均值法及代碼展示 3.2.2 譜聚類及代碼展示 3.2.3 冪迭代算法 3.2.4 相似度度量公式 3.3 EM算法 3.3.1 試詳細介紹EM算法 3.3.2 利用EM算法進行Gauss混合分布的參數估計 …… 第4章 深度學習框架與PyTorch編程介紹 第5章 深度強化學習 第6章 人工智能前沿 第7章 數據庫 第8章 操作 第9章 算法 參考文獻
內容簡介
本書是一本講解人工智能面試筆試的百科全書，在寫法上，除了講解常見的面試筆試知識點，還引入了相關示例和筆試題輔以說明，讓讀者能夠更加容易理解。 本書將人工智能面試筆試過程中各類知識點一網打盡，在內容的廣度上，通過各種渠道，搜集了近3年來很好IT企業針對人工智能崗位面試涉及的知識點，包括但不限於人工智能、計算機網絡、操作繫統、算法等，所選擇的知識點均為企業招聘考查的知識點。在講解的深度上，本書由淺入深分析每一個知識點，並提煉歸納，同時，引入相關知識點，並對知識點進行深度剖析，讓讀者不僅能夠理解這個知識點，還能在遇到相似問題的時候，也能遊刃有餘地解決。本書對知識點進行歸納分類，結構合理，條理清晰，對於讀者進行學習與檢索意義重大。 本書是一本計算機相關專業畢業生面試、筆試的求職用書，同時也適合期望在計算機軟、硬件行業大顯身手的計算機愛好者閱讀。
