《人工智能程序员面试笔试宝典》求取 ⇩

第1章走进人工智能的世界1

1.1 人工智能的发展历程1

1.2 人工智能在各行业的应用现状2

1.3 人工智能的职业发展3

1.4 学习资源6

第2章算法工程师基础10

2.1机器学习简介10

2.1.1 机器学习如何分类10

2.1.2 什么是判别式模型和生成式模型11

2.2性能度量11

2.2.1 回归问题常用的性能度量指标有哪些11

2.2.2 分类问题常用的性能度量指标有哪些12

2.3特征工程13

2.3.1 数据预处理主要包括什么14

2.3.2 特征选择主要包括什么15

2.3.3 特征降维主要包括什么17

2.3.4 特征构造主要包括什么18

2.4过拟合、欠拟合与正则化19

2.4.1 过拟合与欠拟合的区别是什么，什么是正则化19

2.4.2 解决欠拟合的方法有哪些19

2.4.3 防止过拟合的方法主要有哪些19

2.5偏差与方差22

2.5.1 试推导泛化误差、偏差、方差与噪声之间的关系22

2.5.2 导致偏差和方差的原因是什么23

2.6常用梯度下降法与优化器24

2.6.1 随机梯度下降与小批量随机梯度下降24

2.6.2 动量算法24

2.6.3 NAG算法（Nesterov动量）25

2.6.4 自适应学习率算法25

2.6.5 试比较牛顿迭代法与梯度下降法27

2.7其他问题28

2.7.1 常用的损失函数有哪些28

2.7.2 如何判断函数凸或非凸29

2.7.3 什么是数据不平衡问题，应该如何解决29

2.7.4 熵、联合熵、条件熵、KL散度、互信息的定义30

2.7.5 主成分分析和因子分析的区别31

2.7.6 什么是最小风险贝叶斯决策32

2.7.7 什么是贝叶斯最小错误概率和最小风险32

第3章常见的机器学习算法34

3.1线性回归与逻辑回归34

3.1.1 线性回归及代码展示34

3.1.2 逻辑回归及代码展示35

3.1.3 逻辑回归模型如何进行多分类38

3.1.4 逻辑回归分类和线性回归的异同点是什么38

3.2常用聚类算法38

3.2.1 K均值法及代码展示39

3.2.2 谱聚类及代码展示41

3.2.3 幂迭代算法42

3.2.4 相似度度量公式42

3.3EM算法43

3.3.1 试详细介绍EM算法43

3.3.2 利用EM算法进行Gauss混合分布的参数估计44

3.3.3 利用EM算法模拟两个正态分布的均值估计45

3.4支持向量机46

3.4.1 试介绍SVM算法中的线性可分问题，最大间隔法47

3.4.2 线性不可分问题49

3.4.3 SVM的非线性映射问题50

3.4.4 SVM的优点和缺点51

3.5决策树与随机森林51

3.5.1 简要介绍决策树是什么51

3.5.2 决策树算法的优点和缺点是什么54

3.5.3 试简要介绍随机森林55

3.5.4 如何做随机森林参数的选择58

3.5.5 试简要介绍随机森林的优缺点58

3.5.6 决策树中C4.5 算法优化了ID3算法的什么缺点59

3.6集成学习59

3.6.1 什么是集成学习，主要由什么组成59

3.6.2 试介绍并比较Boosting与Bagging方法59

3.6.3 AdaBoost算法介绍60

3.6.4 如何理解Adaboost的模型误差部分62

3.6.5 AdaBoost模型的优缺点是什么62

3.6.6 什么是前向分步算法63

3.7Xgboost与GBDT65

3.7.1 什么是GBDT算法，与提升树的区别是什么65

3.7.2 什么是Xgboost算法67

第4章深度学习框架与PyTorch编程介绍70

4.1深度学习基础知识70

4.1.1 神经网络发展历程70

4.1.2 常见的深度学习框架都有哪些，它们都有什么特点71

4.1.3 什么是人工神经网络71

4.1.4 万能近似定理是什么72

4.1.5 激活函数有什么作用，常见的激活函数都有哪些72

4.1.6 什么是MP模型与感知机73

4.1.7 什么是BP神经网络和反向传播算法74

4.1.8 BP网络模型的缺陷77

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77

4.2CNN基础知识与PyTorch实战部分77

4.2.1 什么是卷积神经网络77

4.2.2 卷积神经网络的优点是什么79

4.2.3 什么是LeNet5网络80

4.2.4 为什么卷积核一般都是3×3而不是更大82

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82

4.2.6 什么是AlexNet83

4.2.7 什么是VGG1685

4.3LSTM基础知识与PyTorch实战部分88

4.3.1 什么是循环神经网络（RNN）89

4.3.2 RNN的梯度消失问题以及代码展示91

4.3.3 什么是长短时记忆网络（LSTM）92

4.3.4 什么是门控循环神经网络（GRU）95

第5章深度强化学习97

5.1强化学习重要概念与函数97

5.1.1 简要介绍强化学习中若干基础概念97

5.1.2 试比较基于值函数与策略函数的学习方法101

5.1.3 试比较on-policy与off-policy101

5.1.4 强化学习中主要有哪些算法，如何分类101

5.2值函数的学习方法102

5.2.1 动态规划算法102

5.2.2 蒙特卡洛算法103

5.2.3 时序差分学习方法103

5.2.4 Q-Learning算法详解105

5.2.5 Q-Learning算法的代码展示106

5.2.6 DP、MC、TD方法的比较108

5.2.7 如何理解DQN（深度神经网络）108

5.3 策略函数的学习方法109

5.4深度强化学习发展综述110

5.4.1 DQN110

5.4.2 Double Q-Learning111

5.4.3 Dueling DQN111

5.4.4 DRQN112

5.4.5 Noisy Net113

5.4.6 带有experience replay的DQN114

5.4.7 Actor Critic算法115

5.4.8 A3C算法115

5.4.9 Rainbow116

第6章人工智能前沿117

6.1Attention机制117

6.1.1 Attention机制计算方法117

6.1.2 点乘注意力机制117

6.1.3 多头注意力机制118

6.2时间卷积网络119

6.2.1 扩张卷积、残差卷积和因果卷积120

6.2.2 TCN结构120

6.3生成对抗网络122

6.3.1 GAN的核心思想和算法步骤是什么122

6.3.2 什么是Conditional GAN126

6.4图卷积神经网络126

6.4.1 空间域卷积127

6.4.2 谱图卷积128

6.5深度学习在运筹优化中的应用130

6.5.1 指针网络131

6.5.2 指针网络PyTorch代码实现133

6.5.3 强化学习训练137

6.5.4 搜索策略140

6.5.5 简化Encoder求解VRP141

第7章数据库144

7.1 SQL语言144

7.2 事务146

7.3存储过程147

7.3.1 什么是存储过程，它有什么优点147

7.3.2 存储过程和函数的区别是什么149

7.4 触发器149

7.5 UNION和UNION ALL151

7.6 索引152

第8章操作系统154

8.1进程管理154

8.1.1 进程与线程154

8.1.2 线程同步有哪些机制155

8.1.3 内核线程和用户线程155

8.2内存管理156

8.2.1 内存管理方式156

8.2.2 虚拟内存157

8.2.3 内存碎片157

8.2.4 虚拟地址、逻辑地址、线性地址和物理地址158

8.2.5 Cache替换算法158

第9章算法161

9.1 如何实现链表的逆序161

9.2 如何对链表进行重新排序165

9.3 如何找出单链表中的倒数第k个元素168

9.4 如何检测一个较大的单链表是否有环171

9.5 如何把链表以k个结点为一组进行翻转174

9.6 如何实现栈177

9.7 如何设计一个排序系统180

9.8 如何实现队列182

9.9 如何根据入栈序列判断可能的出栈序列185

9.10 如何实现LRU缓存方案187

9.11 如何把一个有序整数数组放到二叉树中189

9.12 如何从顶部开始逐层打印二叉树结点数据191

9.13 如何求一棵二叉树的最大子树和193

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195

9.15 如何实现反向DNS查找缓存202

9.16 如何找出数组中第k小的数204

9.17 如何求数组连续最大和207

9.18 如何求数组中两个元素的最小距离211

9.19 如何求解最小三元组距离213

9.20 如何在不排序的情况下求数组中的中位数216

9.21 如何获取最好的矩阵链相乘方法218

9.22 如何对有大量重复数字的数组排序220

9.23 如何在有规律的二维数组中进行高效的数据查找223

9.24 如何从三个有序数组中找出它们的公共元素225

9.25 如何求一个字符串的所有排列226

9.26 如何消除字符串的内嵌括号230

9.27 如何求字符串的编辑距离231

9.28 如何实现字符串的匹配233

9.29 如何求两个字符串的最长公共子串237

9.30 如何求数字的组合240

9.31 如何求拿到最多金币的概率242

9.32 如何求正整数n所有可能的整数组合244

9.33 如何用一个随机函数得到另外一个随机函数245

9.34 如何等概率地从大小为n的数组中选取m个整数246

9.35 如何求组合1、2、5这三个数使其和为100的组合个数247

9.36 如何判断还有几盏灯泡亮着249

9.37 如何从大量的url中找出相同的url250

9.38 如何从大量数据中找出高频词251

9.39 如何找出访问百度最多的IP252

9.40 如何在大量的数据中找出不重复的整数252

9.41 如何在大量的数据中判断一个数是否存在253

9.42 如何查询最热门的查询串253

9.43 如何统计不同电话号码的个数254

9.44 如何从5亿个数中找出中位数255

9.45 如何按照query的频度排序257

9.46 如何找出排名前500的数257

参考文献259