Interview：人工智能岗位面试—人工智能岗位求职之人工智能算法工程师知识框架及课程大纲(多种维度)

Interview之AI：人工智能领域岗位求职面试—人工智能算法工程师知识框架及课程大纲(AI基础之数学基础/数据结构与算法/编程学习基础、ML算法简介、DL算法简介)来理解技术交互流程

目录

一、AI基础

1、数学基础——高等数学、概率统计、线性代数

T1、微积分、统计学/概率论、线性代数

T2、数据分析、概率论、线性代数及矩阵、凸优化

2、数据结构与算法——查找、哈希、表达式、字符串、堆与栈、排序、高级算法、链表、数组、动态规划、遍历

3、编程学习基础——编程语言/工具/环境、容器/函数/常用库

T1、编程语言/工具/环境

T2、容器/函数/常用库

二、ML算法简介

1、基于处理问题进行算法分类——分类问题、回归问题、聚类问题、推荐系统、模型融合常用的算法

2、机器学习概述

1、特征工程

2、回归算法

3、决策树、随机森林和提升算法

4、SVM

5、聚类算法

6、EM算法

7、贝叶斯算法

8、隐马尔科夫模型

9、LDA主题模型

三、DL算法简介

1、Tensorflow基本应用(安装、基本概念、基本函数、执行流程、Keras、实现回归算法）

2、深度学习概述—BP、RBF、CNN、RNN、GAN等

一、AI基础 1、数学基础——高等数学、概率统计、线性代数 T1、微积分、统计学/概率论、线性代数

微积分

• 求导
• 梯度
• 偏微分
• 积分

统计学/概率论

• 推断统计学和概率论的基本概念
• 高斯分布
• 贝叶斯公式
• 最小二乘法
• 线性回归
• 逻辑回归

线性代数

• 向量
• 向量空间
• 向量投影
• 矩阵运算
• 特征值分解
• SVD分解

T2、数据分析、概率论、线性代数及矩阵、凸优化 1.数据分析a. 常数e b. 导数 c. 梯度 d. Taylor e. gini系数 f. 信息熵与组合数 g. 梯度下降 h. 牛顿法2.概率论a. 微积分与逼近论 b. 极限、微分、积分基本概念 c. 利用逼近的思想理解微分，利用积分的方式理解概率 d. 概率论基础 e. 古典模型 f. 常见概率分布 g. 大数定理和中心极限定理 h. 协方差(矩阵)和相关系数 i. 最大似然估计和最大后验估计3.线性代数及矩阵a. 线性空间及线性变换 b. 矩阵的基本概念 c. 状态转移矩阵 d. 特征向量 e. 矩阵的相关乘法 f. 矩阵的QR分解 g. 对称矩阵、正交矩阵、正定矩阵 h. 矩阵的SVD分解 i. 矩阵的求导 j. 矩阵映射/投影4. 凸优化a. 凸优化基本概念 b. 凸集 c. 凸函数 d. 凸优化问题标准形式 e. 凸优化之Lagerange对偶化 f. 凸优化之牛顿法、梯度下降法求解

2、数据结构与算法——查找、哈希、表达式、字符串、堆与栈、排序、高级算法、链表、数组、动态规划、遍历

查找、哈希、表达式、字符串、堆与栈、排序、高级算法、链表、数组、动态规划、遍历

3、编程学习基础——编程语言/工具/环境、容器/函数/常用库 T1、编程语言/工具/环境

编程语言：python/Java/C语言/C+＋大数据相关：Hadoop/Spark数据挖掘：Pandas、Numpy、scipy、Matplotlib数据分析：R交互式环境：ipython notebook

​

T2、容器/函数/常用库 1. 容器a. 列表:list b. 元组:tuple c. 字典: dict d. 数组: Array e. 切片 f. 列表推导式 g. 浅拷贝和深拷贝2. 函数a. lambda表达式 b. 递归函数及尾递归优化 c. 常用内置函数/高阶函数 d. 项目案例：约瑟夫环问题3. 常用库a. 时间库 b. 并发库 c. 科学计算库 d. Matplotlib可视化绘图库 e. 锁和线程 f. 多线程编程

二、ML算法简介 1、基于处理问题进行算法分类——分类问题、回归问题、聚类问题、推荐系统、模型融合常用的算法

处理分类问题常用算法

逻辑回归(工业界常用)、支持向量机、随机森林、朴素贝叶斯(NLP中常用)、深度神经网络(视频、图片、语音等多媒体数据中使用)、决策树

处理回归问题常用算法

线性回归、普通最小二乘回归逐步回归、多元自适应回归样条

处理聚类问题常用算法

K均值、基于密度聚类、LDA

推荐系统的常用算法

协同过滤算法、FM

模型融合和提升的算法

Bagging、Adaboost、GBDT、GBRT、Stacking、Blending

​

2、机器学习概述

特征工程、回归算法、决策树、随机森林和提升算法、SVM、聚类算法、EM算法、贝叶斯算法、隐马尔科夫模型、LDA主题模型

1、特征工程

a. 特征抽取 b. 特征转换 c. 特征选择 d. 降维 f. NLP特征工程

2、回归算法

a. Linear Regression算法 b. Lasso Regression算法 c. Ridge Regression/Classifier算法 d. Elastic Net算法 e. Logistic算法 f. K-邻近算法(KNN)

3、决策树、随机森林和提升算法

a. 决策树算法: ID3、C4.5、CART b. 决策树优化 c. Bagging和Boosting算法 d. 随机森林 e. Adaboost算法 f. GBDT算法 g. XGBoost h. LightGBM

4、SVM

a. 线性可分支持向量机 b. 核函数理解 c. SMO算法 d. SVM回归SVR和分类SVC

5、聚类算法

a. 各种相似度度量介绍及相关关系 b. K-means算法 c. K-means算法优缺点及变种算法 d. 密度聚类 e. 层级聚类 f. 谱聚类

6、EM算法

a. 最大似然估计 b. EM算法原理讲解 c. 多元高斯分布的EM实现 d. 主题模型pLSA及EM算法

7、贝叶斯算法

a. 朴素贝叶斯 b. 条件概率表达形式 c. 贝叶斯网络的表达形式

8、隐马尔科夫模型

a. 概率计算问题 b. 前向/后向算法 c. HMM的参数学习 d. 高斯混合模型HMM

9、LDA主题模型

a. LDA主题模型概述 b. 共轭先验分布 c. Dirichlet分布 d. Laplace平滑 e. Gibbs采样详解 f. LDA与word2Vec效果比较

三、DL算法简介 1、Tensorflow基本应用(安装、基本概念、基本函数、执行流程、Keras、实现回归算法）

• Tensorflow安装
• Tensorflow基本概念
• Tensorflow基本函数
• Tensorflow执行流程
• Tensorflow之上的工具库:Keras
• 项目案例：基于Tensorflow实现回归算法

2、深度学习概述—BP、RBF、CNN、RNN、GAN等

      深度学习是实现机器学习的技术，同时深度学习也带来了机器学习的许多实际应用，拓展了AI的使用领域，本阶段主要从TensorFlow、深度学习概述、感知器神经网络、BP神经网络、RBF径向基神经网络、CNN卷积神经网络、RNN循环神经网、等方面讲解深度学习相关算法以及深度学习框架的使用。

• 感知器神经网络
• BP神经网络
• RBF径向基神经网络
• 卷积神经网络(CNN)
• 循环神经网络(RNN)
• 生成对抗网络(GAN、WGAN、EBGAN、DCGAN等)