《AI 算法工程师手册》：从数学基础到统计学习一网打尽

大数据文摘出品

一名优秀的AI算法工程师到底应该拥有什么样的背景知识？

读一个数学或者计算机学位？

资深算法工程师华校专，把他多年以来学习总结的笔记，开源了出来，书中资料非常丰富，从数学基础到统计学习应有尽有~

注：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，《Python 大战机器学习》的作者。

资料地址：

http://www.huaxiaozhuan.com/

书中资料的数学部分包括线性代数基础、概率论基础以及数值计算基础。

整本书大篇幅的介绍统计学习，内容包括机器学习简介、支持向量机、朴素贝叶斯......

深度学习专题也有涉及，从深度前馈神经网络到反向传播算法再到正则化、循环神经网络、卷积神经网络都有介绍。

书中还有一些常用的小工具推荐，包括CRF、lightgbm以及Xgboost，工具介绍非常详细，从安装到使用然后再到Python接口都有文字介绍。

最后，华校专也在资料中整理了一些Python基础，包括Numpy、scipy、Pandas等常用的库和包。

数学基础

一位优秀的AI算法工程师应该有强大的数学基础，根据资料，线性代数你要会向量操作、矩阵运算以及特殊函数。概率论相关知识点，要掌握概率与分布、期望和方差、大数定律及中心极限定理、常见概率分布、先验分布与后验分布、信息论。

数值计算这门课程你要了解数值稳定性、梯度下降法、二阶导数与海森矩阵、牛顿法、拟牛顿法、约束优化。

当然，蒙特卡洛方法与 MCMC 采样也是必备的。

统计学习

除了常规的降维、聚类、半监督学习、支持向量机、朴素贝叶斯、决策树等。隐马尔可夫模型你需要知道：隐马尔可夫模型HMM、HMM 基本问题、最大熵马尔科夫模型MEMM。概率图与条件随机场也要掌握概率图模型、贝叶斯网络、马尔可夫随机场、条件随机场CRF

边际概率推断也要会精确推断和近似推断。主题模型要掌握Unigram Model、pLSA Model、LDA Model、LDA优化、sentence-LDA、模型讨论等。

统计学习这部分，是本资料篇幅最大，内容最丰富的一部分，算上机器学习简介，资料一共19个章节。

深度学习

深度学习共有9个章节，以深度学习简介开始以工程实践指导原则结束，需要掌握知识点如下所示：

工具部分

Python基础部分