之前我曾在《分享集锦：哈佛 Web 开发教程、HTTP 状态码速学、阿里 AI 算法工程师手册、机器学习书籍》中提及过一本由阿里巴巴工程师撰写的一本算法手册，前两天看到红色石头写了一篇较为详细的文章来介绍这边手册，今天转给大家看下。
目前这本《AI 算法工程师手册》已正式开源，无需购买纸质书籍，可以直接在线阅读，体验感爆棚。
在线阅读地址：
http://www.huaxiaozhuan.com/
作者简介
首先不得不提一下本书的作者，作者华校专，曾经在阿里巴巴担任资深算法工程师，现任智易科技首席算法研究员。他还是《Python 大战机器学习》书籍的作者。
书籍介绍
这本《AI 算法工程师手册》是作者多年以来学习总结的笔记，经整理之后开源于世。关于为什么将完整书籍开源，作者是这样说的：曾有出版社约稿，但是考虑到出版时间周期较长，而且书本购买成本高不利于技术广泛传播，因此就采取开源的形式。
既然本书是 AI 算法工程师的手册，因此内容非常丰富，基本涵盖了机器学习、深度学习等领域的很多重要理论知识和实战经验，同时也介绍了工程应用中经常使用的 AI 工具和编程库。
书籍整体包含了 5 大块内容，分别是：
- 数学基础
- 统计学习
- 深度学习
- 自然语言处理
- 工具
下面我们分别来看一下各模块的内容。
1. 数学基础
提升 AI 内功心法离不开扎实的数学基础。本书数学基础这部分，作者主要介绍了最重要的 4 点：
1. 线性代数基础
2. 概率论基础
3. 数值计算基础
4. 蒙特卡洛方法与 MCMC 采样
例如线性代数部分最基本的基础知识：
2. 统计学习
这部分内容作者花了比较大的篇幅，主要介绍的是机器学习中一些常见的算法，包括线性回归、感知机、支持向量机、决策树、集成学习等。同时还包括模型评估、特征选择、降维等。具体内容如下：
0. 机器学习简介
1. 线性代数基础
2. 支持向量机
3. 朴素贝叶斯
4. 决策树
5. knn
6. 集成学习
7. 梯度提升树
8. 特征工程
9. 模型评估
10. 降维
11. 聚类
12. 半监督学习
13. EM算法
14. 最大熵算法
15. 隐马尔可夫模型
16. 概率图与条件随机场
17. 边际概率推断
每个算法的理论介绍非常详细、数学推导完整，例如支持向量机中关于对偶问题的推导：
3. 深度学习
这部分主要介绍深度学习神经网络的基本知识和模型，包括前馈神经网络、卷积神经网络、循环神经网络等。具体内容如下：
0. 深度学习简介
2. 反向传播算法
3. 正则化
4. 最优化基础
5. 卷积神经网络
6. 循环神经网络
7. 工程实践指导原则
这部分详细介绍了神经网络模型的基本结构和训练方法，例如列举了经典 CNN 结构：LeNet、AlexNet、VGG-Net、Inception、ResNet、ResNet 变种、SENet、DenseNet。
1998 年 LeCun 推出的 LeNet 网络
4. 自然语言处理
这部分作者主要介绍了自然语言处理领域的 2 个方面：
1. 主题模型
- Unigram Model
- pLSA Model
- LDA Model
- 型讨论
2. 词向量
- 向量空间模型 VSM
- LSA
- Word2Vec
- GloVe
5. 工具
这部分主要介绍了 AI 常用工具和函数库，具体内容如下：
1. CRF
2. lightgbm
3. xgboost
4. scikit-learn
5. spark
6. numpy
7. scipy
8. matplotlib
9. pandas
这部分的内容更加侧重于 AI 实战，包含很多具体函数库的使用教程和代码。例如 lightbgm 是一个快速的，分布式的，高性能的基于决策树算法的梯度提升框架。可用于排序，分类，回归以及很多其他的机器学习任务中。本书对 lightbgm 的安装、各参数含义、调参、使用等都作了详细的介绍，宛如一份优秀的中文文档！
同样，像 xgboost、scikit-learn 等库，书中也作了详尽的解释。除此之外，还有 spark 的内容哦，可以说是非常全面了。
最后
不得不说，这本《AI 算法工程师手册》是一本比较完备的 AI 书籍，既包含了算法理论，也有实战 AI 算法库的使用。作为一份参考手册还是非常不错的！
更重要的是本书完全开源，直接在线阅读就好了。不过注意该书籍仅供个人学习使用，非作者同意不得应用于商业领域。
以上，为本次分享。
