机器学习算法工程师

机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。机器学习算法工程师更是稀缺人才，赶快收藏学起来吧!

算法工程师

• 特征工程（第一章）
  • 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（第二章）
  • 评价指标
  • A/B测试
  • 过拟合与欠拟合
  • 超参数选择
• 优化算法（第七章）
  • 损失函数
  • 正则化
  • EM算法
  • 梯度下降
  • 随机梯度下降
  • 反向传播（第九章第三节）
  • 梯度验证
  • Momentum
  • AdaGrad、Adam
• 数学基础
  • 概率论
    • 概率分布
    • 大数定理和中心极限定理
    • 假设理论
    • 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
    • 图
    • 树
    • 哈希表
    • 矩阵运算和优化
  • 大数据处理
    • MapReducs
    • Spark
    • stom
    • HueQL
  • 机器学习平台
    • Tensorflow
    • Torch
    • Theano
  • 并行计算
  • 数据库和数据仓库
  • 系统服务架构
• 业务和应用
  • 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（第九章）
    • 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（第五章第三节）
    • 受限波尔兹曼机
  • 循环神经网络（第十章）
    • 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
      • Sgmoid
      • Softmax
      • Tanh
      • ReLu
  • 强化学习（第十一章）
  • 生成式对抗网络（第十三章）
• 经典机器学习模型
  • 监督学习模型
    • 经典算法（第三章）
      • 支持向量机
      • 逻辑回归
      • 决策树
    • 概率图模型（第六章）
      • 朴素贝叶斯
      • 最大熵模型
      • 马尔可夫模型
      • 条件随机场
  • 非监督学习模型（第5章）
    • 层次聚类
    • K均值聚类
    • 高斯混合模型
    • 主题模型（第八章第五节）
  • 集成学习（第十二章）
    • Buaging
    • Boosting
    • 随机森林
    • GBDT
  • 降维算法（第四章）
  • 采样（第八章）
  • 强化学习（第十一章）
• 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