新書推薦：
《
陪你的情绪坐一坐
》
售價：NT$
335.0
《
公开的密谋
》
售價：NT$
330.0
《
可怕的战争——美国内战及其创伤（第三版）
》
售價：NT$
829.0
![超能团队：提高团队绩效的30个工具 [英]帕梅拉·汉密尔顿](http://103.6.6.66/upload/mall/productImages/24/15/9787111751304.jpg)
《
超能团队：提高团队绩效的30个工具 [英]帕梅拉·汉密尔顿
》
售價：NT$
386.0
《
渡鸦的文化史
》
售價：NT$
442.0
《
韦伯政治著作选
》
售價：NT$
442.0
《
世界园林艺术史：500年经典绘画中的园林全书
》
售價：NT$
2229.0
《
觉醒（百万畅销书《格局》作者何权峰新作，影响数百万人命运的觉醒之书）
》
售價：NT$
223.0
|
| 編輯推薦： |
人工智能相关领域面试、笔试、经验心得、算法、考点、难点、真题解析一应俱全，获取高薪必备
在这里，有面试笔试常见技巧的提炼与总结；
在这里，有面试笔试高频人工智能领域相关知识点的整理与剖析；
在这里，有面试笔试历年人工智能领域相关真题的解答与拓展。
|
| 內容簡介： |
《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年来知名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、操作系统、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。
|
| 關於作者： |
凌峰
算法工程师，清华大学博士，在一流会议和期刊上发表论文多篇，对机器学习和深度学习有比较深入的研究。主要研究方向为图卷积神经网络和强化学习。目前在某互联网企业从事算法研发工作。
|
| 目錄：
|
前言
第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
第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 什么是最小风险贝叶斯决策32
2.7.7 什么是贝叶斯最小错误概率和最
小风险32
第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，最大间隔法47
3.4.2 线性不可分问题49
3.4.3 SVM的非线性映射问题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
第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33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
第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 Noisy 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
第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
第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
第8章 操作系统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
第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第
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
二叉树中189
9.12 如何从顶部开始逐层打印二叉树
结点数据191
9.13 如何求一棵二叉树的最大子
树和193
9.14 如何找出排序二叉树上任意两个
结点的最近共同父结点195
9.15 如何实现反向DNS查找缓存202
9.16 如何找出数组中第k小的数204
9.17 如何求数组连续最大和207
9.18 如何求数组中两个元素的最小
距离211
9.19 如何求解最小三元组距离213
9.20 如何在不排序的情况下求数组
中的中位数216
9.21 如何获取最好的矩阵链相乘
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最长公共
子串237
9.30 如何求数字的组合240
9.31 如何求拿到最多金币的概率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
最多的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 如何查询最热门的查询串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
|
| 內容試閱：
|
在国务院印发的《新一代人工智能发展规划》中的战略目标明确指出，希望到2030年中国的人工智能理论、技术与应用总体能够达到世界领先水平，成为世界主要人工智能创新中心，人工智能核心产业规模能够超过1万亿元，带动相关产业规模超过10万亿元。随着人工智能领域的蓬勃发展并逐渐影响到各行各业，机器学习算法工程师如今已经是校招时最热门的专业之一，本书的诞生也是为了尽可能多地搜集面试笔试经验并为求职者提供参考。
本书中的面试笔试题目开始主要搜集于近年来年清华、复旦、上交、中科大等多所学校应届毕业生求职时的面试笔试题目，后来为了突出多样性，通过多个平台征集各大高校毕业生的算法工程师面试经验。题目的设计尽可能地满足了高频考查、高质量的要求。
相比同类型的书，本书的主要特点有：1）选取的面试笔试题目更加新颖，更切合工业界的真实需求；2）详细讲解了若干重要的AI前沿算法，例如图卷积神经网络、多头自注意力机制和时间卷积网络等；3）对很多算法都附加了代码展示，因为代码可以更直观地帮助读者理解算法，并且面试笔试中也会非常注重面试者的编写代码能力。
本书内容主要分为两部分：
第一部分是机器学习相关的算法总结（前6章），这部分重点介绍了人工智能领域常见的算法，同时也介绍了机器学习与深度学习相关的知识点。在这6章中3.5、3.6、3.7节由沈安若编写完成；4.1、4.2节部分由中国科学院硕士言有三完成，言有三有着六年多丰富的计算机视觉业界经验；6.5节由算法工程师王晶完成；其余部分由张珂和其他作者协力完成。
第二部分则是介绍了计算机专业的一些非常基础的知识，例如数据库和算法等，这部分基础知识也是在面试或笔试过程中重点考查的内容。
随着机器学习的蓬勃发展，很多非常复杂的算法都可以通过简单的函数调用完成，这也大大降低了机器学习入门的门槛。但如果想在求职者中脱颖而出，仅仅熟练调用函数是远远不够的，还需要求职者有比较扎实的数学基础与编程能力，熟悉常见数据结构算法与机器学习算法，有工业界机器学习项目的实践经历，由于人工智能是个飞速发展的领域，所以能够紧跟并复现AI前沿顶级会议论文也是非常重要的竞争能力。
本书在撰写过程中得到了很多校友的鼓励和支持，在此非常感谢校友们提供的面试经验与信息。由于本人能力有限，书稿虽经反复编校，但难免仍有疏漏之处，希望能够得到读者的谅解。最后欢迎读者们关注微信公众号：AI之城（id： MachineLearning-DL），本公众号由来自清华大学、复旦大学、中国科大的多名研究生创建，主要用于介绍机器学习中的算法与Python编程，研读最新AI顶级会议论文以及与人工智能相关的新闻等。
在阅读过程中有任何疑问，都可以发邮件联系作者（yuancoder@foxmail.com）。
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
