我用夸克网盘分享了「百面机器学习 算法工程师带你去面试.epub」，点击链接即可保存。打开「夸克APP」在线查看，支持多种文档格式转换。

内容简介

人工智能领域正在以超乎人们想象的速度发展，本书赶在人工智能彻底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。

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，雅虎美国高级软件架构师。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z佳论文奖。 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。

网友热评

Henry: 2019-66 目前读到的最好的一本介绍机器学习重要知识点的书籍，讲的也够深入浅出，可以作为床头书，强力推荐。 吉瑟斯の小宇宙: 真的很实用，是《数据科学实战》入门后接下去的进阶读物 谷粒粒: 之前面试收集的，这本书基本都覆盖了。部分讲得略浅 F | Wagon: 从面试题的角度，按照主题和难度对机器学习基础概念、模型、算法、工业界实践做了逐一介绍。 本人小白且数学实在太渣，书中三星以上难度的分析基本只能翻翻飘过。 虽然本书面向机器学习基础用户和从业者，但是不适合作为第一本机器学习入门书籍。 颓废线的颤动: 最初看到这样的书名是嗤之以鼻的，觉得这样针对面试的书无非就是技术类的成功学书籍，靠走捷径投机取巧。后来在朋友的推荐下认真地读了读，发现还是有不少干货的，作为一本查漏补缺型的书，有的地方比一些针对初学者的书讲得还详细，算是不错了。而且在机器学习这样一个热门领域，像这样内容和宣传面向的人群比较吻合的书也算比较难得了，不像有的书拗口得很却标榜“入门”或者只是走马观花却标榜“深入”。

图书目录

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最大方差理论 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 第7节　L1正则化与稀疏性 第8章　采样 第1节　采样的作用 第2节　均匀分布随机数 第3节　常见的采样方法 第4节　高斯分布的采样 第5节　马尔科夫蒙特卡洛采样法 第6节　贝叶斯网络的采样 第7节　不均衡样本集的重采样 第9章　前向神经网络 第1节　多层感知机与布尔函数 第2节　深度神经网络中的激活函数 第3节　多层感知机的反向传播算法 第4节　神经网络训练技巧 第5节　深度卷积神经网络 第6节　深度残差网络 第10章　循环神经网络 第1节　循环神经网络和卷积神经网络 第2节　循环神经网络的梯度消失问题 第3节　循环神经网络中的激活函数 第4节　长短期记忆网络 第5节　Seq2Seq模型 第6节　注意力机制 第11章　强化学习 第1节　强化学习基础 第2节　视频游戏里的强化学习 第3节　策略梯度 第4节　探索与利用 第12章　集成学习 第1节　集成学习的种类 第2节　集成学习的步骤和例子 第3节　基分类器 第4节　偏差与方差 第5节　梯度提升决策树的基本原理 第6节　XGBoost与GBDT的联系和区别 第13章　生成式对抗网络 第1节　初识GANs的秘密 第2节　WGAN：抓住低维的幽灵 第3节　DCGAN：当GANs遇上卷积 第4节　ALI：包揽推断业务 第5节　IRGAN：生成离散样本 第6节　SeqGAN：生成文本序列 第14章　人工智能的热门应用 第1节　计算广告 第2节　游戏中的人工智能 第3节　AI在自动驾驶中的应用 第4节　机器翻译 第5节　人机交互中的智能计算 后记 作者随笔 参考文献