AI算法太难入门？看完这本书你就不会这么想

来自：程序员书库（ID：OpenSourceTop）

人工智能这几年的飞速发展我们都有目共睹，随着技术进步和产业化的推进，越来越多的程序员转向这个领域

但是，人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。挑战还是很大的，因此，选择一份适合自己的学习资料也很重要。

近日，猿哥偶然发现一份非常不错的 AI 资源 ——《AI 算法工程师手册》，而且这份资料是开源的，可以免费在线阅读

作者是华校专，曾任阿里巴巴资深算法工程师、智易科技首席算法研究员，现任腾讯高级研究员，他还是《Python大战机器学习》的作者，这是一本讲述机器学习的算法和Python 编程实践。

今天和大家分享的《AI 算法工程师手册》，是作者多年以来学习总结的笔记，经整理之后开源于世。目前还有约一半的内容在陆续整理中，已经整理好的内容放置在此。 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，因此作者采取开源的形式。 

本书主要分为以下5大部分：

• 数学基础

• 统计学习

• 深度学习

• 自然语言处理

• 工具

数学基础

关于数学基础知识方面，本书着重介绍了以下4点内容：

• 线性代数基础

• 概率论基础

• 数值计算基础

• 蒙特卡洛方法与 MCMC 采样

统计学习

这部分内容可以说是本书的重点，占据了大量的篇幅，主要介绍机器学习中一些主要的算法

• 机器学习简介

• 线性代数基础

• 支持向量机

• 朴素贝叶斯

• 决策树

• knn

• 集成学习

• 梯度提升树

• 特征工程

• 模型评估

• 降维

• 聚类

• 半监督学习

• EM算法

• 最大熵算法

• 隐马尔可夫模型

• 概率图与条件随机场

• 边际概率推断

• 主题模型

和大多书籍一样，开篇先讲述原理，由此带入示例讲解，不过原理不会占据太大篇幅：

深度学习

第三部分主要介绍深度学习神经网络的基本知识和模型：

• 深度学习简介

• 深度前馈神经网络

• 反向传播算法

• 正则化

• 最优化基础

• 卷积神经网络

• CNN之图片分类

• 循环神经网络

• 工程实践指导原则

自然处理

这一部分只讲一个内容——词向量。

工具

这部分主要介绍了 AI 常用工具和函数库，这部分内容也是比较重要的，用好工具也是学习人工智能的重要一项内容，而且这部分内容更侧重于实践方面，有较多的代码示例：

• CRF

• lightgbm

• xgboost

• scikit-learn

• spark

• numpy

• scipy

• matplotlib

• pandas

我们截取深度学习中的线性代数的一小部分内容为例：

综合以上介绍可以看出，这本书的内容十分全面，理论知识和实战都兼顾了。附上书籍地址：http://www.huaxiaozhuan.com/

此外，作者在 github 上也有一些内容：

"《算法导论》的C++实现"代码：https://github.com/huaxz1986/cplusplus-_Implementation_Of_Introduction_to_Algorithms

《Unix 环境高级编程第三版》笔记：https://github.com/huaxz1986/APUE_notes

---

●编号834，输入编号直达本文

●输入m获取文章目录

推荐↓↓↓

程序员书库