*人工智能*
人工智能人工智能人工智能学习TensorRT系列一机器学习二计算机视觉三自然语言处理四推荐系统五AI量化交易AI算法题1深度学习500问计算机基础知识和编程题1简历：
少写模型堆叠
写模型提升指标（5%-8%）
做算法的也一定要了解业务，要不必运营和产品经理差
改造模型也要结合业务来，模型就那么多。
要精通基础重要的模型，对其改进，都是结合业务，去分析数据得到的
要是研究型的，先读phd再说
AI的技术专家1.框架，任何情况下，都能落地2.对业务的敏感性3.凡事多从他人的角度去想，从更高的角度去想。
人工智能，我比较关注数学理论和工程架构
随着深入学习，语言的一般变换：python–>c++–>c，之后用于运用—>java/C#
在人工智能，一般到c++,就是研究算法底层了，到了c就是研究关于AI的操作系统的底层了
cv视觉方向，目前能有2-3篇顶会文章，在国内大概能拿100-150w
主流：ICCV、ECCV、CVPR、NIPS（一档），IJCAI、ICLR、AAAI（二档）医学领域的主要有：MICCAI、MedicalImageAnalysis、IEEETransactionsonMedicalImaging、MIDL、IPMI；数据挖掘领域：KDD；自然语言处理：ACL、EMNLP、NAACL-HLT和COLING；
推荐学习资料：神经网络基本原理简明教程
机器学习面试150题
python机器学习（基础版，明白基本原理，扫扫盲）统计学习方法，西瓜书（我感觉，emmm，lj）算法实践-机器学习（打打比赛，kaggle，要注意对树模型的应用，比如xgboost）深度学习–（先扫盲吧）pytorch框架（tensorflow框架）深度学习经典论文python经典web框架大数据基础leetcode算法题前面扎实了，就可以起飞了（前路漫漫，其修远兮）推荐：吴恩达的机器学习和深度学习可以用来扫扫盲，挺好的，大概看看，之后还可以回味回味
最难的是什么？是某个高深的算法吗？不不不！是死皮赖脸的坚持，总认为自己行，认为自己是人工智能方面的天才（实际是辣鸡）
找工作基础：
leetcode（150-450道题）百面机器学习—防止被问的不会（工业基础问题）竞赛（某top）实习（3-6月，某企业）论文（某期刊）面试题：转载于
机器学习理论类：1.写出全概率公式&贝叶斯公式
2.模型训练为什么要引入偏差(bias)和方差(variance)？
优化监督学习=优化模型的泛化误差，模型的泛化误差可分解为偏差、方差与噪声之和
Err=bias+var+irreducibleerror，以回归任务为例，其实更准确的公式为：
Err=bias^2+var+irreducibleerror^2符号的定义：一个真实的任务可以理解为Y=f(x)+e，其中f(x)为规律部分，e为噪声分
3.CRF/朴素贝叶斯/EM/最大熵模型/马尔科夫随机场/混合高斯模型
4.如何解决过拟合问题？
5.One-hot的作用是什么？为什么不直接使用数字作为表示
6.决策树和随机森林的区别是什么？
7.朴素贝叶斯为什么“朴素naive”？
8.kmeans初始点除了随机选取之外的方法
9.LR明明是分类模型为什么叫回归
10.梯度下降如何并行化
11.LR中的L1/L2正则项是啥
12.简述决策树构建过程
13.解释Gini系数
14.决策树的优缺点
15.出现估计概率值为0怎么处理
16.随机森林的生成过程
17.介绍一下Boosting的思想
18.gbdt的中的tree是什么tree？有什么特征
19.xgboost对比gbdt/boostingTree有了哪些方向上的优化
20.什么叫最优超平面
21.什么是支持向量
22.SVM如何解决多分类问题
23.核函数的作用是啥
特征工程类：1.怎么去除DataFrame里的缺失值？
2.特征无量纲化的常见操作方法
3.如何对类别变量进行独热编码？
4.如何把“年龄”字段按照我们的阈值分段？
5.如何根据变量相关性画出热力图？
6.如何把分布修正为类正态分布？
7.怎么简单使用PCA来划分数据且可视化呢？
8.怎么简单使用LDA来划分数据且可视化呢？
深度学习类：1.你觉得batch-normalization过程是什么样的
2.激活函数有什么用？常见的激活函数的区别是什么？
3.Softmax的原理是什么？有什么作用？CNN的平移不变性是什么？如何实现的？
4.VGG，GoogleNet，ResNet等网络之间的区别是什么？
5.残差网络为什么能解决梯度消失的问题
6.LSTM为什么能解决梯度消失/爆炸的问题
7.Attention对比RNN和CNN，分别有哪点你觉得的优势
8.写出Attention的公式
9.Attention机制，里面的q,k,v分别代表什么
10.为什么self-attention可以替代seq2seq
自然语言处理（NLP）类：1.GolVe的损失函数
2.为什么GolVe会用的相对比W2V少
3.层次softmax流程
4.负采样流程
5.怎么衡量学到的embedding的好坏
6.阐述CRF原理
7.详述LDA原理
8.LDA中的主题矩阵如何计算
9.LDA和Word2Vec区别？LDA和Doc2Vec区别
10.Bert的双向体现在什么地方
11.Bert的是怎样预训练的
12.在数据中随机选择15%的标记，其中80%被换位[mask]，10%不变、10%随机替换其他单词，原因是什么
13.为什么BERT有3个嵌入层，它们都是如何实现的
14.手写一个multi-headattention
推荐系统类：1.DNN与DeepFM之间的区别
2.你在使用deepFM的时候是如何处理欠拟合和过拟合问题的
3.deepfm的embedding初始化有什么值得注意的地方吗
4.YoutubeNet变长数据如何处理的
5.YouTubeNet如何避免百万量级的softmax问题的
6.推荐系统有哪些常见的评测指标？
7.MLR的原理是什么？做了哪些优化？
计算机视觉（CV）类：1.常见的模型加速方法
2.目标检测里如何有效解决常见的前景少背景多的问题
3.目标检测里有什么情况是SSD、YOLOv3、FasterR-CNN等所不能解决的，假设网络拟合能力无限强
4.ROIPool和ROIAlign的区别
5.介绍常见的梯度下降优化方法
6.Detection你觉的还有哪些可做的点
7.mini-BatchSGD相对于GD有什么优点
8.人体姿态估计主流的两个做法是啥？简单介绍下
9.卷积的实现原理以及如何快速高效实现局部weightsharing的卷积操作方式
10.CycleGAN的生成效果为啥一般都是位置不变纹理变化，为啥不能产生不同位置的生成效果
人工智能是什么做AI要学什么
人工智能是什么？人工智能(ArtificialIntelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。在互联网爆炸式发展的今天，人工智能的作用不容小觑。那么人工智能究竟是什么，做人工智能要学什么？以下内容会给你一个明确的解释。
人工智能是什么？
近年来，随着计算机技术的迅猛发展和日益广泛的应用，自然地会提出人类智力活动能不能由计算机来实现的问题。几十年来，人们一向把计算机当作是只能以极快地、熟练地、准确地运算数字的机器。但是在当今世界要解决的问题并不完全是数值计算，像语言的理解和翻译、图形和声音的识别、决策管理等都不属于数值计算，特别像医疗诊断要有专门的特有的经验和知识的医师才能作出正确的诊断。这就要求计算机能从“数据处理”扩展到还能“知识处理”的范畴。计算机能力范畴的转化是导至“人工智能”快速发展的重要因素。
人工智能(Artificial?Intelligence，简称AI)是计算机学科的一个分支，二十世纪七十年代以来被称为世界三大尖端技术之一(空间技术、能源技术、人工智能)。也被认为是二十一世纪(基因工程、纳米科学、人工智能)三大尖端技术之一。这是因为近三十年来它获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕的成果，人工智能已逐步成为一个独立的分支，无论在理论和实践上都已自成一个系统。
做AI要学什么？
①机器学习的基础是数学，入门AI必须掌握一些必要的数学基础，但是并不是回全部的数学知识都要学，答只学工作上实际有用到的，比如是微积分、概率论、线性代数、凸优化等这些。
②数据分析里需要应用到的内容也需要掌握，但不是网上所说的从0开始帮你做数据分析的那种，而是数据挖掘或者说是数据科学领域相关的东西，比如要知道计算机里面怎么挖掘数据、相关的数据挖掘工具等等
补足了以上数学和数据挖掘基本知识，才可以正式进行机器学习算法原理的学习。
③算法方面需要掌握一些基本的框架：python、spark、mllib、scikit-learning、pytorch、TensorFlow，数据方面需要懂得HQL、numpy、pandas，如果你本身是后台开发、app开发、数据分析、项目管理，则是一个学习算法的一个加分项。
④最后需要对人工智能有全局的认知，包括机器学习、深度学习两大模块，相关的算法原理、推导和应用的掌握，以及最重要算法思想。
免费分享一些我整理的人工智能学习资料给大家，包括一些AI常用框架实战视频、图像识别、OpenCV、NLQ、机器学习、pytorch、计算机视觉、深度学习与神经网络等视频、课件源码、国内外知名精华资源、AI热门论文、行业报告等。
为了更好的系统学习AI，推荐大家收藏一份。
下面是部分截图，点击文末名片关注我的公众号【AI技术星球】发送暗号321领取（一定要发暗号321）一、人工智能课程及项目
二、国内外知名精华资源
三、人工智能论文合集
四、人工智能行业报告
学好人工智能，要多看书，多动手，多实践，要想提高自己的水平，一定要学会沉下心来慢慢的系统学习，最终才能有所收获。
点击下方名片，扫码关注【AI技术星球】发送暗号321免费领取文中资料。