在这里，众多知名企业面试官将为你撕开神秘的求职面纱； 在这里，各种求职达人将现身说法为你揭开求职谜团； 在这里，各种类型的企业招聘细节都会被展露无疑； 在这里，我们将...
电子书
内容简介
《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。
章节目录
- 封面
- 前折页
- 书名页
- 版权页
- 前言
- 目录
- 第1章 走进人工智能的世界
- 1.1 人工智能的发展历程
- 1.2 人工智能在各行业的应用现状
- 1.3 人工智能的职业发展
- 1.4 学习资源
- 第2章 算法工程师基础
- 2.1 机器学习简介
- 2.1.1 机器学习如何分类
- 2.1.2 什么是判别式模型和生成式模型
- 2.2 性能度量
- 2.2.1 回归问题常用的性能度量指标有哪些
- 2.2.2 分类问题常用的性能度量指标有哪些
- 2.3 特征工程
- 2.3.1 数据预处理主要包括什么
- 2.3.2 特征选择主要包括什么
- 2.3.3 特征降维主要包括什么
- 2.3.4 特征构造主要包括什么
- 2.4 过拟合、欠拟合与正则化
- 2.4.1 过拟合与欠拟合的区别是什么，什么是正则化
- 2.4.2 解决欠拟合的方法有哪些
- 2.4.3 防止过拟合的方法主要有哪些
- 2.5 偏差与方差
- 2.5.1 试推导泛化误差、偏差、方差与噪声之间的关系
- 2.5.2 导致偏差和方差的原因是什么
- 2.6 常用梯度下降法与优化器
- 2.6.1 随机梯度下降与小批量随机梯度下降
- 2.6.2 动量算法
- 2.6.3 NAG算法（Nesterov动量）
- 2.6.4 自适应学习率算法
- 2.6.5 试比较牛顿迭代法与梯度下降法
- 2.7 其他问题
- 2.7.1 常用的损失函数有哪些
- 2.7.2 如何判断函数凸或非凸
- 2.7.3 什么是数据不平衡问题，应该如何解决
- 2.7.4 熵、联合熵、条件熵、KL散度、互信息的定义
- 2.7.5 主成分分析和因子分析的区别
- 2.7.6 什么是最小风险贝叶斯决策
- 2.7.7 什么是贝叶斯最小错误概率和最小风险
- 第3章 常见的机器学习算法
- 3.1 线性回归与逻辑回归
- 3.1.1 线性回归及代码展示
- 3.1.2 逻辑回归及代码展示
- 3.1.3 逻辑回归模型如何进行多分类
- 3.1.4 逻辑回归分类和线性回归的异同点是什么
- 3.2 常用聚类算法
- 3.2.1 K均值法及代码展示
- 3.2.2 谱聚类及代码展示
- 3.2.3 幂迭代算法
- 3.2.4 相似度度量公式
- 3.3 EM算法
- 3.3.1 试详细介绍EM算法
- 3.3.2 利用EM算法进行Gauss混合分布的参数估计
- 3.3.3 利用EM算法模拟两个正态分布的均值估计
- 3.4 支持向量机
- 3.4.1 试介绍SVM算法中的线性可分问题，最大间隔法
- 3.4.2 线性不可分问题
- 3.4.3 SVM的非线性映射问题
- 3.4.4 SVM的优点和缺点
- 3.5 决策树与随机森林
- 3.5.1 简要介绍决策树是什么
- 3.5.2 决策树算法的优点和缺点是什么
- 3.5.3 试简要介绍随机森林
- 3.5.4 如何做随机森林参数的选择
- 3.5.5 试简要介绍随机森林的优缺点
- 3.5.6 决策树中C4.5算法优化了ID3算法的什么缺点
- 3.6 集成学习
- 3.6.1 什么是集成学习，主要由什么组成
- 3.6.2 试介绍并比较Boosting与Bagging方法
- 3.6.3 AdaBoost算法介绍
- 3.6.4 如何理解Adaboost的模型误差部分
- 3.6.5 AdaBoost模型的优缺点是什么
- 3.6.6 什么是前向分步算法
- 3.7 Xgboost与GBDT
- 3.7.1 什么是GBDT算法，与提升树的区别是什么
- 3.7.2 什么是Xgboost算法
- 第4章 深度学习框架与PyTorch编程介绍
- 4.1 深度学习基础知识
- 4.1.1 神经网络发展历程
- 4.1.2 常见的深度学习框架都有哪些，它们都有什么特点
- 4.1.3 什么是人工神经网络
- 4.1.4 万能近似定理是什么
- 4.1.5 激活函数有什么作用，常见的激活函数都有哪些
- 4.1.6 什么是MP模型与感知机
- 4.1.7 什么是BP神经网络和反向传播算法
- 4.1.8 BP网络模型的缺陷
- 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
- 4.2 CNN基础知识与PyTorch实战部分
- 4.2.1 什么是卷积神经网络
- 4.2.2 卷积神经网络的优点是什么
- 4.2.3 什么是LeNet5网络
- 4.2.4 为什么卷积核一般都是3×3而不是更大
- 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
- 4.2.6 什么是AlexNet
- 4.2.7 什么是VGG16
- 4.3 LSTM基础知识与PyTorch实战部分
- 4.3.1 什么是循环神经网络（RNN）
- 4.3.2 RNN的梯度消失问题以及代码展示
- 4.3.3 什么是长短时记忆网络（LSTM）
- 4.3.4 什么是门控循环神经网络（GRU）
- 第5章 深度强化学习
- 5.1 强化学习重要概念与函数
- 5.1.1 简要介绍强化学习中若干基础概念
- 5.1.2 试比较基于值函数与策略函数的学习方法
- 5.1.3 试比较on-policy与off-policy
- 5.1.4 强化学习中主要有哪些算法，如何分类
- 5.2 值函数的学习方法
- 5.2.1 动态规划算法
- 5.2.2 蒙特卡洛算法
- 5.2.3 时序差分学习方法
- 5.2.4 Q-Learning算法详解
- 5.2.5 Q-Learning算法的代码展示
- 5.2.6 DP、MC、TD方法的比较
- 5.2.7 如何理解DQN（深度神经网络）
- 5.3 策略函数的学习方法
- 5.4 深度强化学习发展综述
- 5.4.1 DQN
- 5.4.2 Double Q-Learning
- 5.4.3 Dueling DQN
- 5.4.4 DRQN
- 5.4.5 Noisy Net
- 5.4.6 带有experience replay的DQN
- 5.4.7 Actor Critic算法
- 5.4.8 A3C算法
- 5.4.9 Rainbow
- 第6章 人工智能前沿
- 6.1 Attention机制
- 6.1.1 Attention机制计算方法
- 6.1.2 点乘注意力机制
- 6.1.3 多头注意力机制
- 6.2 时间卷积网络
- 6.2.1 扩张卷积、残差卷积和因果卷积
- 6.2.2 TCN结构
- 6.3 生成对抗网络
- 6.3.1 GAN的核心思想和算法步骤是什么
- 6.3.2 什么是Conditional GAN
- 6.4 图卷积神经网络
- 6.4.1 空间域卷积
- 6.4.2 谱图卷积
- 6.5 深度学习在运筹优化中的应用
- 6.5.1 指针网络
- 6.5.2 指针网络PyTorch代码实现
- 6.5.3 强化学习训练
- 6.5.4 搜索策略
- 6.5.5 简化Encoder求解VRP
- 第7章 数据库
- 7.1 SQL语言
- 7.2 事务
- 7.3 存储过程
- 7.3.1 什么是存储过程，它有什么优点
- 7.3.2 存储过程和函数的区别是什么
- 7.4 触发器
- 7.5 UNION和UNION ALL
- 7.6 索引
- 第8章 操作系统
- 8.1 进程管理
- 8.1.1 进程与线程
- 8.1.2 线程同步有哪些机制
- 8.1.3 内核线程和用户线程
- 8.2 内存管理
- 8.2.1 内存管理方式
- 8.2.2 虚拟内存
- 8.2.3 内存碎片
- 8.2.4 虚拟地址、逻辑地址、线性地址和物理地址
- 8.2.5 Cache替换算法
- 第9章 算法
- 9.1 如何实现链表的逆序
- 9.2 如何对链表进行重新排序
- 9.3 如何找出单链表中的倒数第k个元素
- 9.4 如何检测一个较大的单链表是否有环
- 9.5 如何把链表以k个结点为一组进行翻转
- 9.6 如何实现栈
- 9.7 如何设计一个排序系统
- 9.8 如何实现队列
- 9.9 如何根据入栈序列判断可能的出栈序列
- 9.10 如何实现LRU缓存方案
- 9.11 如何把一个有序整数数组放到二叉树中
- 9.12 如何从顶部开始逐层打印二叉树结点数据
- 9.13 如何求一棵二叉树的最大子树和
- 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
- 9.15 如何实现反向DNS查找缓存
- 9.16 如何找出数组中第k小的数
- 9.17 如何求数组连续最大和
- 9.18 如何求数组中两个元素的最小距离
- 9.19 如何求解最小三元组距离
- 9.20 如何在不排序的情况下求数组中的中位数
- 9.21 如何获取最好的矩阵链相乘方法
- 9.22 如何对有大量重复数字的数组排序
- 9.23 如何在有规律的二维数组中进行高效的数据查找
- 9.24 如何从三个有序数组中找出它们的公共元素
- 9.25 如何求一个字符串的所有排列
- 9.26 如何消除字符串的内嵌括号
- 9.27 如何求字符串的编辑距离
- 9.28 如何实现字符串的匹配
- 9.29 如何求两个字符串的最长公共子串
- 9.30 如何求数字的组合
- 9.31 如何求拿到最多金币的概率
- 9.32 如何求正整数n所有可能的整数组合
- 9.33 如何用一个随机函数得到另外一个随机函数
- 9.34 如何等概率地从大小为n的数组中选取m个整数
- 9.35 如何求组合1、2、5这三个数使其和为100的组合个数
- 9.36 如何判断还有几盏灯泡亮着
- 9.37 如何从大量的url中找出相同的url
- 9.38 如何从大量数据中找出高频词
- 9.39 如何找出访问百度最多的IP
- 9.40 如何在大量的数据中找出不重复的整数
- 9.41 如何在大量的数据中判断一个数是否存在
- 9.42 如何查询最热门的查询串
- 9.43 如何统计不同电话号码的个数
- 9.44 如何从5亿个数中找出中位数
- 9.45 如何按照query的频度排序
- 9.46 如何找出排名前500的数
- 参考文献
- 后折页
- 封底
展开全部
人工智能程序员面试笔试宝典是2019年由机械工业出版社出版,作者猿媛之家 组编 张珂 等编著。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
得书感谢您对《人工智能程序员面试笔试宝典》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
电子书
在这里，众多知名企业面试官将为你撕开神秘的求职面纱； 在这里，各种求职达人将现身说法为你揭开求职谜团； 在这里，各种类型的企业招聘细节都会被展露无疑； 在这里，我们将...
电子书
电子书
电子书
电子书
电子书