机器学习算法工程师

机器学习算法工程师，包括机器学习基本概念和分类，经典机器学习模型，深度学习模型，业务与应用，工程能力，数学基础等等知识点总结。

机器学习算法工程师

• 特征工程（第1章）
  • 特征离散化与归一化
  • 特征组合
  • 特征选择
  • 词嵌入表示
• 模型评估（第2章）
  • 评价指标
  • A/B测试
  • 过拟合与欠拟合
  • 超参数选择
• 优化算法（第7章）
  • 损失函数
  • 正则化
  • EM算法
  • 梯度下降
  • 随机梯度下降
  • 反向传播（第9章第3节）
  • 梯度验证
  • Momentum
  • AdaGrad
  • Adam
• 数学基础
  • 概率论
    • 常用概率分布
    • 大数定理和中心极限定理
    • 假设检验
    • 贝叶斯理论
  • 线性代数
  • 微积分
  • 凸优化
  • 信息论
• 工程能力
  • 数据结构与算法
    • 树与相关算法
    • 图与相关算法
    • 哈希表
    • 矩阵运算与优化
  • 大数据处理
    • MapRuduce
    • Spark
    • HiveQL
    • Storm
  • 机器学习平台
    • TensorFlow
    • Torch
    • Theano
  • 并行计算
  • 数据库与数据仓库
  • 系统服务架构
• 业务与应用
  • 计算机视觉
  • 自然语言处理
  • 推荐系统
  • 计算广告
  • 智能游戏
• 深度学习模型
  • 前向神经网络（第9章）
    • 多层感知机
    • 卷积神经网络
    • 深度残差网络
    • 自组织映射神经网络（第5章第3节）
    • 受限玻尔兹曼机
  • 循环神经网络（第10章）
    • 循环神经网络
    • 长短期记忆模型
    • 注意力机制
    • Seq2Seq
  • 深度学习优化技巧
    • 批量归一化
    • Dropout
    • 激活函数
      • Sigmoid
      • Softmax
      • Tanh
      • ReLU
  • 强化学习（第11章）
  • 生成式对抗网络（第13章）
• 经典机器学习模型
  • 监督学习模型
    • 经典算法（第3章）
      • 支持向量机
      • 逻辑回归
      • 决策树
    • 概率图模型（第6章）
      • 朴素贝叶斯
      • 最大熵模型
      • 隐马尔可夫模型
      • 条件随机场
  • 非监督学习（第5章）
    • 层次聚类
    • K均值聚类
    • 高斯混合模型
    • 主题模型（第6章第5节）
  • 集成学习（第12章）
    • Bagging
    • Boosting
    • 随机森林
    • GBDT
  • 降维算法（第4章）
  • 采样（第8章）
  • 强化学习（第11章）
• 机器学习基本概念和分类
  • 基本概念
    • 假设空间
    • 训练/测试数据
    • 标注
    • 损失函数
  • 按数据分类
    • 分类
    • 回归
    • 序列标注
  • 按监督分类
    • 监督学习
    • 非监督学习
    • 强化学习
  • 按模型分类
    • 生成式模型
    • 判别式模型