但是，人工智能是一門極富挑戰(zhàn)性的科學(xué)，從事這項(xiàng)工作的人必須懂得計(jì)算機(jī)知識(shí)，心理學(xué)和哲學(xué)。挑戰(zhàn)還是很大的，因此，選擇一份適合自己的學(xué)習(xí)資料也很重要。
近日，猿哥偶然發(fā)現(xiàn)一份非常不錯(cuò)的 AI 資源 ——《AI 算法工程師手冊(cè)》，而且這份資料是開源的，可以免費(fèi)在線閱讀
作者是華校專，曾任阿里巴巴資深算法工程師、智易科技首席算法研究員，現(xiàn)任騰訊高級(jí)研究員，他還是《Python大戰(zhàn)機(jī)器學(xué)習(xí)》的作者，這是一本講述機(jī)器學(xué)習(xí)的算法和Python 編程實(shí)踐。
今天和大家分享的《AI 算法工程師手冊(cè)》，是作者多年以來學(xué)習(xí)總結(jié)的筆記，經(jīng)整理之后開源于世。目前還有約一半的內(nèi)容在陸續(xù)整理中，已經(jīng)整理好的內(nèi)容放置在此。 曾有出版社約稿，但是考慮到出版時(shí)間周期較長(zhǎng)，而且書本購(gòu)買成本高不利于技術(shù)廣泛傳播，因此作者采取開源的形式。
本書主要分為以下5大部分：
數(shù)學(xué)基礎(chǔ)
統(tǒng)計(jì)學(xué)習(xí)
深度學(xué)習(xí)
自然語言處理
工具
數(shù)學(xué)基礎(chǔ)
關(guān)于數(shù)學(xué)基礎(chǔ)知識(shí)方面，本書著重介紹了以下4點(diǎn)內(nèi)容：
線性代數(shù)基礎(chǔ)
概率論基礎(chǔ)
數(shù)值計(jì)算基礎(chǔ)
蒙特卡洛方法與 MCMC 采樣
統(tǒng)計(jì)學(xué)習(xí)
這部分內(nèi)容可以說是本書的重點(diǎn)，占據(jù)了大量的篇幅，主要介紹機(jī)器學(xué)習(xí)中一些主要的算法
機(jī)器學(xué)習(xí)簡(jiǎn)介
線性代數(shù)基礎(chǔ)
支持向量機(jī)
樸素貝葉斯
決策樹
knn
集成學(xué)習(xí)
梯度提升樹
特征工程
模型評(píng)估
降維
聚類
半監(jiān)督學(xué)習(xí)
EM算法
最大熵算法
隱馬爾可夫模型
概率圖與條件隨機(jī)場(chǎng)
邊際概率推斷
主題模型
和大多書籍一樣，開篇先講述原理，由此帶入示例講解，不過原理不會(huì)占據(jù)太大篇幅：
深度學(xué)習(xí)
第三部分主要介紹深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的基本知識(shí)和模型：
深度學(xué)習(xí)簡(jiǎn)介
深度前饋神經(jīng)網(wǎng)絡(luò)
反向傳播算法
正則化
最優(yōu)化基礎(chǔ)
卷積神經(jīng)網(wǎng)絡(luò)
CNN之圖片分類
循環(huán)神經(jīng)網(wǎng)絡(luò)
工程實(shí)踐指導(dǎo)原則
自然處理
這一部分只講一個(gè)內(nèi)容——詞向量。
工具
這部分主要介紹了 AI 常用工具和函數(shù)庫，這部分內(nèi)容也是比較重要的，用好工具也是學(xué)習(xí)人工智能的重要一項(xiàng)內(nèi)容，而且這部分內(nèi)容更側(cè)重于實(shí)踐方面，有較多的代碼示例：
CRF
lightgbm
xgboost
scikit-learn
spark
numpy
scipy
matplotlib
pandas
我們截取深度學(xué)習(xí)中的線性代數(shù)的一小部分內(nèi)容為例：
綜合以上介紹可以看出，這本書的內(nèi)容十分全面，理論知識(shí)和實(shí)戰(zhàn)都兼顧了。附上書籍地址：http://www.huaxiaozhuan.com/
此外，作者在 github 上也有一些內(nèi)容：
"《算法導(dǎo)論》的C++實(shí)現(xiàn)"代碼：https://github.com/huaxz1986/cplusplus-_Implementation_Of_Introduction_to_Algorithms
《Unix 環(huán)境高級(jí)編程第三版》筆記：https://github.com/huaxz1986/APUE_notes
聯(lián)系客服
