算法工程师的必备学习资料，《AI算法工程师手册》正式开源了

2019-05-14 23:41:00

前言

最近前阿里的一位工程师开源了一份网页版的算法工程师学习手册，没有纸质版的图书，直接在线开源，小编去看看了一下，总结的非常到位，几乎涵盖的机器学习、深度学习相关的所有知识。

网页地址：

http://www.huaxiaozhuan.com/

作者简介

作者华校专，热门书籍《Python 大战机器学习》作者，前阿里巴巴担任资深算法工程师，现任智易科技首席算法研究员

手册介绍

《AI 算法工程师手册》是作者多年以来学习总结的笔记，经过作者系统整理后开源。在手册里作者提到过，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，因此就采取开源的形式。

AI 算法工程师的手册内容非常丰富，基本涵盖了机器学习、深度学习等领域的很多重要理论知识和实战经验，同时也介绍了工程应用中经常使用的 AI 工具和编程库。

书籍整体包含了 5 大块内容，分别是：

• 数学基础
• 统计学习
• 深度学习
• 自然语言处理
• 工具

下面我们分别来看一下各模块的内容。

1. 数学基础

提升 AI 内功心法离不开扎实的数学基础。本书数学基础这部分，作者主要介绍了最重要的 4 点：

1. 线性代数基础

2. 概率论基础

3. 数值计算基础

4. 蒙特卡洛方法与 MCMC 采样

例如线性代数部分最基本的基础知识：

 

 

2. 统计学习

这部分内容作者花了比较大的篇幅，主要介绍的是机器学习中一些常见的算法，包括线性回归、感知机、支持向量机、决策树、集成学习等。同时还包括模型评估、特征选择、降维等。具体内容如下：

0. 机器学习简介

1. 线性代数基础

2. 支持向量机

3. 朴素贝叶斯

4. 决策树

5. knn

6. 集成学习

7. 梯度提升树

8. 特征工程

9. 模型评估

10. 降维

11. 聚类

12. 半监督学习

13. EM算法

14. 最大熵算法

15. 隐马尔可夫模型

16. 概率图与条件随机场

17. 边际概率推断

每个算法的理论介绍非常详细、数学推导完整，例如支持向量机中关于对偶问题的推导：

 

 

 

 

 

3. 深度学习

这部分主要介绍深度学习神经网络的基本知识和模型，包括前馈神经网络、卷积神经网络、循环神经网络等。具体内容如下：

0. 深度学习简介

1. 深度前馈神经网络

2. 反向传播算法

3. 正则化

4. 最优化基础

5. 卷积神经网络

6. 循环神经网络

7. 工程实践指导原则

这部分详细介绍了神经网络模型的基本结构和训练方法，例如列举了经典 CNN 结构：LeNet、AlexNet、VGG-Net、Inception、ResNet、ResNet 变种、SENet、DenseNet等。

 

 

 

4. 自然语言处理

这部分作者主要介绍了自然语言处理领域的 2 个方面：

1. 主题模型

• Unigram Model
• pLSA Model
• LDA Model
• 型讨论

2. 词向量

• 向量空间模型 VSM
• LSA
• Word2Vec
• GloVe

5. 工具

这部分主要介绍了 AI 常用工具和函数库，具体内容如下：

1. CRF

2. lightgbm

3. xgboost

4. scikit-learn

5. spark

6. numpy

7. scipy

8. matplotlib

9. pandas

这部分的内容更加侧重于 AI 实战，包含很多具体函数库的使用教程和代码。类似于xgboost、scikit-learn 等库，书中也作了详尽的解释。另外 spark 方面的知识也在其中。

总结

《AI 算法工程师手册》各方面的总结十分细致，几乎是面面俱到，是一本比较完备的 AI 书籍，既包含了算法理论，也有实战 AI 算法库的使用。而且作者放弃了出书，而是以免费开源的方式展现给大家，更是值得称道。

https://www.toutiao.com/a6690908188188869124/