AI算法太难入门?看完《AI 算法工程师手册》这本书你就不会这么想

程序员书库(ID:OpenSourceTop) 整编

整理自:http://www.huaxiaozhuan.com/

人工智能这几年的飞速发展我们都有目共睹,随着技术进步和产业化的推进,越来越多的程序员转向这个领域


但是,人工智能是一门极富挑战性的科学,从事这项工作的人必须懂得计算机知识,心理学和哲学。挑战还是很大的,因此,选择一份适合自己的学习资料也很重要。


近日,猿哥偶然发现一份非常不错的 AI 资源 ——《AI 算法工程师手册》,而且这份资料是开源的,可以免费在线阅读


作者是华校专,曾任阿里巴巴资深算法工程师、智易科技首席算法研究员,现任腾讯高级研究员,他还是《Python大战机器学习》的作者,这是一本讲述机器学习的算法和Python 编程实践。


今天和大家分享的《AI 算法工程师手册》,是作者多年以来学习总结的笔记,经整理之后开源于世。目前还有约一半的内容在陆续整理中,已经整理好的内容放置在此。 曾有出版社约稿,但是考虑到出版时间周期较长,而且书本购买成本高不利于技术广泛传播,因此作者采取开源的形式。 


本书主要分为以下5大部分:

  • 数学基础

  • 统计学习

  • 深度学习

  • 自然语言处理

  • 工具



数学基础


关于数学基础知识方面,本书着重介绍了以下4点内容:

  • 线性代数基础

  • 概率论基础

  • 数值计算基础

  • 蒙特卡洛方法与 MCMC 采样




统计学习


这部分内容可以说是本书的重点,占据了大量的篇幅,主要介绍机器学习中一些主要的算法

  • 机器学习简介

  • 线性代数基础

  • 支持向量机

  • 朴素贝叶斯

  • 决策树

  • knn

  • 集成学习

  • 梯度提升树

  • 特征工程

  • 模型评估

  • 降维

  • 聚类

  • 半监督学习

  • EM算法

  • 最大熵算法

  • 隐马尔可夫模型

  • 概率图与条件随机场

  • 边际概率推断

  • 主题模型


和大多书籍一样,开篇先讲述原理,由此带入示例讲解,不过原理不会占据太大篇幅:




深度学习


第三部分主要介绍深度学习神经网络的基本知识和模型:

  • 深度学习简介

  • 深度前馈神经网络

  • 反向传播算法

  • 正则化

  • 最优化基础

  • 卷积神经网络

  • CNN之图片分类

  • 循环神经网络

  • 工程实践指导原则



自然处理


这一部分只讲一个内容——词向量。



工具


这部分主要介绍了 AI 常用工具和函数库,这部分内容也是比较重要的,用好工具也是学习人工智能的重要一项内容,而且这部分内容更侧重于实践方面,有较多的代码示例:

  • CRF

  • lightgbm

  • xgboost

  • scikit-learn

  • spark

  • numpy

  • scipy

  • matplotlib

  • pandas


我们截取深度学习中的线性代数的一小部分内容为例:



综合以上介绍可以看出,这本书的内容十分全面,理论知识和实战都兼顾了。附上书籍地址:http://www.huaxiaozhuan.com/


此外,作者在 github 上也有一些内容:


"《算法导论》的C++实现"代码:https://github.com/huaxz1986/cplusplus-_Implementation_Of_Introduction_to_Algorithms


《Unix 环境高级编程第三版》笔记:https://github.com/huaxz1986/APUE_notes

推荐↓↓↓
程序员书库
上一篇:再来一波算法与数据结构必备书单! 下一篇:豆瓣评分8.5!世界顶级黑客写的这本Web安全指南一定要看《Web之困:现代Web应用安全指南》