万本电子书0元读

万本电子书0元读

顶部广告

百面深度学习 算法工程师带你去面试电子书

不可不读的深度学习面试宝典《百面机器学习》姊妹篇。 Hulu诚意出品,全面收录135道算法面试题。 一线大厂算法工程师合力创作,直面试要。 从算法与模型到多领域应用,全方位解读深度学习。 诚意推荐 吴军 / 《浪潮之巅》《数学之美》作者 华先胜 / 阿里巴巴达摩院人工智能中心主任,IEEE Fellow 李沐 / AWS首席科学家,《动手学深度学习》作者 孙茂松 / 清华大学人工智能研究院常务副院长 本书适合相关专业的在校学生检查和加强对所学知识的掌握程度,求职者快速复习和补充相关的深度学习知识,以及算法工程师作为工具书随时参阅。此外,非相关专业、但对人工智能或深度学习感兴趣的研究人员,也可以通过本书大致了解一些热门的人工智能应用、深度学习模型背后的核心算法及其思想。

售       价:¥

纸质售价:¥95.00购买纸书

166人正在读 | 0人评论 7

作       者:诸葛越 江云胜

出  版  社:人民邮电出版社有限公司

出版时间:2020-07-01

字       数:26.2万

所属分类: 科技 > 计算机/网络 > 程序设计

温馨提示:此类商品不支持退换货,不支持下载打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(0条)
  • 读书简介
  • 目录
  • 累计评论(0条)
深度学习是目前学术界和工业界都非常火热的话题,在许多行业有着成功应用。本书由Hulu的近30位算法研究员和算法工程师共同编写完成,专门针对深度学习领域,是《百面机器学习:算法工程师带你去面试》的延伸。全书内容大致分为两个部分,*部分介绍经典的深度学习算法和模型,包括卷积神经网络、循环神经网络、图神经网络、生成模型、生成式对抗网络、强化学习、元学习、自动化机器学习等;第二部分介绍深度学习在一些领域的应用,包括计算机视觉、自然语言处理、推荐系统、计算广告、视频处理、计算机听觉、自动驾驶等。本书仍然采用知识问答的形式来组织内容,每个问题都给出了难度级和相关知识,以督促读者行自我检查和主动思考。书中每个章节精心筛选了对应领域的不同方面、不同层次上的问题,相互搭配,展示深度学习的“百面”精彩,让不同读者都能找到合适的内容。 本书适合相关专业的在校学生检查和加强对所学知识的掌握程度,求职者快速复习和补充相关的深度学习知识,以及算法工程师作为工具书随时参阅。此外,非相关专业、但对人工智能或深度学习感兴趣的研究人员,也可以通过本书大致了解一些热门的人工智能应用、深度学习模型背后的核心算法及其思想。<br/>【推荐语】<br/>不可不读的深度学习面试宝典《百面机器学习》姊妹篇。 Hulu诚意出品,全面收录135道算法面试题。 一线大厂算法工程师合力创作,直面试要。 从算法与模型到多领域应用,全方位解读深度学习。 诚意推荐 吴军 / 《浪潮之巅》《数学之美》作者 华先胜 / 阿里巴巴达摩院人工智能中心主任,IEEE Fellow 李沐 / AWS首席科学家,《动手学深度学习》作者 孙茂松 / 清华大学人工智能研究院常务副院长 本书适合相关专业的在校学生检查和加强对所学知识的掌握程度,求职者快速复习和补充相关的深度学习知识,以及算法工程师作为工具书随时参阅。此外,非相关专业、但对人工智能或深度学习感兴趣的研究人员,也可以通过本书大致了解一些热门的人工智能应用、深度学习模型背后的核心算法及其思想。<br/>【作者】<br/>诸葛越:现任Hulu公司全球研发副总裁,中国研发中心总经理。曾任Landscape Mobile公司联合创始人兼CEO,前雅虎北京研发中心产品总监,微软北京研发中心项目总经理。诸葛越获美国斯坦福大学计算机硕士与博士学位、纽约州立大学石溪分校应用数学硕士学位,曾就读于清华大学,2005年获美国计算机学会数据库专业委员会十年最佳论文奖。诸葛越是畅销书《魔鬼老大,天使老二》作者,《百面机器学习》主编。 江云胜:北京大学应用数学博士,现任葫芦资深算法研究员。毕业后加Hulu北京研发中心的Content Intelligence组,负责内容理解相关的研究工作。《百面机器学习》主要作者之一。 葫芦娃:近30位Hulu北京创新实验室的顶尖人才,毕业于清华、北大、浙大、上交、北邮、中科院等高校。他们利用擅长的深度学习、机器学习等领域知识和算法模型,建立了一套定制化的AI平台,改变着推荐引擎、视频编解码、内容理解、广告投放等多项与用户息息相关的在线业务技术。<br/>
目录展开

版权

内容提要

前言

问题索引

第一部分 算法和模型

第1章 卷积神经网络

01 卷积基础知识

问题1 简述卷积的基本操作,并分析其与全连接层的区别。

问题2 在卷积神经网络中,如何计算各层的感受野大小?

问题3 卷积层的输出尺寸、参数量和计算量。

02 卷积的变种

问题1 简述分组卷积及其应用场景。

问题2 简述转置卷积的主要思想以及应用场景。

问题3 简述空洞卷积的设计思路。

问题4 可变形卷积旨在解决哪类问题?

03 卷积神经网络的整体结构

问题 简述卷积神经网络近年来在结构设计上的主要发展和变迁(从AlexNet 到ResNet 系列)。

04 卷积神经网络的基础模块

问题1 批归一化是为了解决什么问题?它的参数有何意义?它在网络中一般放在什么位置?

问题2 用于分类任务的卷积神经网络的最后几层一般是什么层?在最近几年有什么变化?

问题3 卷积神经网络中的瓶颈结构和沙漏结构提出的初衷是什么?可以应用于哪些问题?

参考文献

第2章 循环神经网络

01 循环神经网络与序列建模

问题1 描述循环神经网络的结构及参数更新方式。

问题2 如何使用卷积神经网络对序列数据建模?

02 循环神经网络中的Dropout

问题1 Dropout 为什么可以缓解过拟合问题?

问题2 在循环神经网络中如何使用Dropout?

03 循环神经网络中的长期依赖问题

问题 循环神经网络为什么容易出现长期依赖问题?

04 长短期记忆网络

问题1 LSTM 是如何实现长短期记忆功能的?

问题2 GRU 是如何用两个门控单元来控制时间序列的记忆及遗忘行为的?

05 Seq2Seq 架构

问题1 如何用循环神经网络实现Seq2Seq 映射?

问题2 Seq2Seq 框架在编码- 解码过程中是否存在信息丢失?有哪些解决方案?

参考文献

第3章 图神经网络

01 图神经网络的基本结构

问题1 什么是图谱和图傅里叶变换?

问题2 以GCN 为例,简述基于频谱域的图神经网络的发展。

问题3 以GAT、GraphSAGE 为例,简述基于空间域的图神经网络的主要思想。

02 图神经网络在推荐系统中的应用

问题 简述PinSage 的模型设计和实现细节。

03 图神经网络的推理能力

问题1 基于图神经网络的推理框架有何优势?

问题2 简述图神经网络的推理机制在其他领域中的应用。

参考文献

第4章 生成模型

01 深度信念网络与深度波尔兹曼机

问题1 简单介绍RBM 的训练过程。如何扩展普通的RBM 以对图像数据进行建模?

问题2 DBN 与DBM 有什么区别?

02 变分自编码器基础知识

问题1 简述VAE 的基本思想,以及它是如何用变分推断方法进行训练的?

问题2 VAE 如何控制生成图像的类别?

问题3 如何修改VAE 的损失函数,使得隐藏层的编码是相互解耦的?

03 变分自编码器的改进

问题1 原始VAE 存在哪些问题?有哪些改进方式?

问题2 如何将VAE与GAN进行结合?

04 生成式矩匹配网络与深度自回归网络

问题1 什么是最大均值差异?它是如何应用到生成式矩匹配网络中的?

问题2 自回归方法如何应用在生成模型上?

参考文献

第5章 生成式对抗网络

01 生成式对抗网络的基本原理

问题1 简述AE、VAE、GAN 的联系与区别。

问题2 原始GAN 在理论上存在哪些问题?

问题3 原始GAN 在实际应用中存在哪些问题?

02 生成式对抗网络的改进

问题1 简单介绍GAN 目标函数的演进。

问题2 简单介绍GAN模型结构的演进。

问题3 列举一些近几年针对GAN 的训练过程或训练技巧的改进。

03 生成式对抗网络的效果评估

问题 简述IS和FID 的原理。

04 生成式对抗网络的应用

问题1 GAN 用于生成高质量、高分辨率图像时会有哪些难点?简述从SNGAN、SAGAN 到BigGAN 的发展过程。

问题2 有哪些问题是属于图像到图像翻译的范畴的? GAN 是如何应用在其中的?

问题3 简述CycleGAN 的原理。

问题4 GAN 为什么适用于半监督学习?生成数据在半监督学习中起到了什么作用?

参考文献

第6章 强化学习

01 强化学习基础知识

问题1 什么是强化学习?如何用马尔可夫决策过程来描述强化学习?

问题2 强化学习中的有模型学习和免模型学习有什么区别?

问题3 基于策略迭代和基于价值迭代的强化学习方法有什么区别?

02 强化学习算法

问题1 举例说明时序差分强化学习和蒙特卡洛强化学习的区别。

问题2 什么是Q-learning ?

问题3 简述Sarsa 和Sarsa() 算法,并分析它们之间的联系与区别。

03 深度强化学习

问题 什么是DQN ?它与传统Qlearning有什么联系与区别?

04 强化学习的应用

问题 简述强化学习在人工智能领域的一些应用场景。

参考文献

第7章 元学习

01 元学习的主要概念

问题1 元学习适合哪些学习场景?可解决什么样的学习问题?

问题2 元学习与有监督学习/ 强化学习具体有哪些区别?

问题3 从理论上简要分析一下元学习可以帮助少次学习的原因。

02 元学习的主要方法

问题 试概括并列举当前元学习方法的主要思路。它们大致可以分为哪几类?

03 元学习的数据集准备

问题 给定一个传统的多分类数据集,如何构造一份适于元学习的K次N 分类数据集?

04 元学习的两个简单模型

问题1 如何用最近邻方法将一个普通的神经网络训练过程改造为元学习过程?

问题2 如何用微调训练的方法将一个普通的神经网络训练过程改造为元学习过程?

05 基于度量学习的元学习模型

问题1 元学习中非参数方法相比参数方法有什么优点?

问题2 如何用度量学习和注意力机制来改造基于最近邻的元学习方法?

06 基于神经图灵机的元学习模型

问题1 带读/ 写操作的记忆模块(如神经图灵机)在元学习中可以起到什么样的作用?

问题2 如何构造基于神经图灵机和循环神经网络的元学习模型?

07 基于学习优化器的元学习模型

问题1 使用学习优化算法的方式处理元学习问题,与基于记忆的元学习模型有哪些区别?

问题2 如何基于LSTM 设计一个可学习的优化器?

问题3 如何设计基于LSTM 优化器的元学习的目标函数和训练过程?

问题4 上述LSTM 优化器如何克服参数规模过大的问题?

08 基于学习初始点的元学习模型

问题1 简单描述基于初始点的元学习方法。

问题2 学习公共初始点的方法与预训练的方法有什么不同?

问题3 基于初始点的元学习方法中的两次反向传播有什么不同?

问题4 基于初始点的元学习模型,用在强化学习中时与分类或回归任务有何不同?

参考文献

第8章 自动化机器学习

01 自动化机器学习的基本概念

问题 自动化机器学习要解决什么问题?有哪些主要的研究方向?

02 模型和超参数自动化调优

问题1 模型和超参数有哪些自动化调优方法?它们各自有什么特点?

问题2 简述贝叶斯优化中用高斯过程回归计算目标函数后验分布的方法。高斯过程回归可以用于种类型或者层次型模型配置参数的优化吗?

问题3 贝叶斯优化中的获得函数是什么?起到什么作用?请介绍常用的获得函数。

03 神经网络架构搜索

问题1 简述神经网络架构搜索的应用场景和大致工作流程。

问题2 简单介绍神经网络架构搜索中有哪些主要的研究方向。

问题3 什么是一次架构搜索?它有什么优势和劣势?

问题4 简述可微架构搜索的主要原理。

参考文献

第二部分 应用

第9章 计算机视觉

01 物体检测

问题1 简述物体检测领域中的单步模型和两步模型的性能差异及其原因。

问题2 简单介绍两步模型 R-CNN、SPPNet、Fast R-CNN、Faster R-CNN 的发展过程。

问题3 简单介绍单步模型 YOLO、YOLOv2、YOLO9000、YOLOv3 的发展过程。

问题4 有哪些措施可以增强模型对于小物体的检测效果?

02 图像分割

问题1 简述图像分割中经常用到的编码器- 解码器网络结构的设计理念。列举出 2 ~ 3 个基于编码器- 解码器结构的图像分割算法。

问题2 DeepLab 系列模型中每一代的创新是什么?是为了解决什么问题?

03 光学字符识别

问题1 简单介绍基于候选框和基于像素分割的文本检测算法,并分析它们的优劣。

问题2 列举 1 ~ 2 个基于深度学习的端到端文本检测和识别算法。

04 图像标注

问题 图像标注任务的评测指标有哪些?简述它们各自的评测重点和存在的不足。

05 人体姿态识别

问题1 在2D 人体姿态识别中,自底向上方法与自顶向下方法有什么区别?

问题2 如何通过单幅图像进行 3D 人体姿态识别?

参考文献

第10章 自然语言处理

01 语言的特征表示

问题1 常见的词嵌入模型有哪些?它们有什么联系和区别?

问题2 语言模型的任务形式是什么?语言模型如何帮助提升其他自然语言处理任务的效果?

02 机器翻译

问题1 神经机器翻译模型经历了哪些主要的结构变化?分别解决了哪些问题?

问题2 神经机器翻译如何解决未登录词的翻译问题?

问题3 训练神经机器翻译模型时有哪些解决双语语料不足的方法?

03 问答系统

问题1 如何使用卷积神经网络和循环神经网络解决问答系统中的长距离语境依赖问题? Transformer相比以上方法有何改进?

问题2 在给文本段落编码时如何结合问题信息?这么做有什么好处?

问题3 如何对文本中词的位置信息进行编码?

04 对话系统

问题 对话系统中哪些问题可以使用强化学习来解决?

参考文献

第11章 推荐系统

01 推荐系统基础

问题1 一个典型的推荐系统通常包括哪些部分?每个部分的作用是什么?有哪些常用算法?

问题2 推荐系统中为什么要有召回?在召回和排序中使用的深度学习算法有什么异同?

02 推荐系统设计与算法

问题1 如何从神经网络的角度理解矩阵分解算法?

问题2 如何使用深度学习方法设计一个根据用户行为数据计算物品相似度的模型?

问题3 如何用深度学习的方法设计一个基于会话的推荐系统?

问题4 二阶因子分解机中稀疏特征的嵌入向量的内积是否可以表达任意的特征交叉系数?引入深度神经网络的因子分解机是否提高了因子分解机的表达能力?

问题5 最近邻问题在推荐系统中的应用场景是什么?具体算法有哪些?

03 推荐系统评估

问题1 评价点击率预估模型时为什么选择 AUC 作为评价指标?

问题2 评价点击率预估模型时,线下AUC 的提高一定可以保证线上点击率的提高吗?

参考文献

第12章 计算广告

01 点击率预估

问题1 简述CTR 预估中的因子分解机模型(如FM、FFM、DeepFM等)。

问题2 如何对 CTR 预估问题中用户兴趣的多样性进行建模?

问题3 多臂老虎机算法是如何解决CTR 预估中的冷启动问题的?

02 广告召回

问题 简述一个可以提高搜索广告召回效果的深度学习模型。

03 广告投放策略

问题1 在实时竞价场景中,制定广告主的出价策略是一个什么问题?

问题2 设计一个基于强化学习的算法来解决广告主的竞价策略问题。

问题3 设计一个深度强化学习模型来完成竞价策略。

参考文献

第13章 视频处理

01 视频编解码

问题1 设计一个深度学习网络来实现帧内预测。

问题2 设计一个深度学习网络来实现环路滤波模块。

02 视频监控

问题 如何在较高的监控视频压缩比的情况下,提升人脸验证的准确率?

03 图像质量评价

问题1 图像质量评价方法有哪些分类方式?列举一个常见的图像质量评价指标。

问题2 如何利用深度学习良好的图像特征提取能力来更好地解决 NRIQA问题?

04 超分辨率重建

问题1 超分辩率重建方法可以分为哪几类?其评价指标是什么?

问题2 如何使用深度学习训练一个基本的图像超分辨率重建模型?

问题3 在基于深度学习的超分辨率重建方法中,怎样提高模型的重建速度和重建效果?

问题4 怎样将图像的超分辨率重建方法移植到视频的超分辨率重建任务中?

05 网络通信

问题1 如何用深度学习模型预测网络中某一节点在未来一段时间内的带宽情况?

问题2 如何利用深度学习完成自适应码率控制?

参考文献

第14章 计算机听觉

01 音频信号的特征提取

问题 简述音频信号特征提取中经常用到的梅尔频率倒谱系数的计算过程。

02 语音识别

问题 分别介绍一下传统的语音识别算法和当前主流的语音识别算法。

03 音频事件识别

问题1 音频事件识别领域常用的数据集有哪些?

问题2 简单介绍一些常见的音频事件识别算法。

参考文献

第15章 自动驾驶

01 自动驾驶的基本概念

问题 一个自动驾驶系统在算法层面上可以分为哪几个模块?

02 端到端的自动驾驶模型

问题 如何设计一个基于深度神经网络的端到端自动驾驶模型?

03 自动驾驶的决策系统

问题 如何将强化学习用于自动驾驶的决策系统?

参考文献

作者随笔

累计评论(0条) 0个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部