上周有一位同学拿到了米哈游的offer,岗位是机器学习算法。
针对所有的问题, 我给大家进行了汇总~
基础概念
-
机器学习的基本分类:监督学习、非监督学习、半监督学习和强化学习的区别。
-
常见的损失函数:如均方误差、交叉熵、Hinge损失等,及其在不同模型中的应用场景。
-
过拟合和欠拟合:定义、原因及解决方法。
-
偏差-方差权衡:定义及其在模型选择中的应用。
数据处理
-
特征工程:常见的特征处理方法,如归一化、标准化、独热编码、缺失值处理等。
-
数据预处理:数据清洗、数据增强、数据拆分等。
-
降维方法:如PCA、LDA及其原理和应用场景。
模型与算法
-
常见的机器学习算法:线性回归、逻辑回归、决策树、随机森林、K近邻、支持向量机、K-means、主成分分析(PCA)等的原理、优缺点及适用场景。
-
集成学习:Bagging、Boosting(如Adaboost、Gradient Boosting、XGBoost)等方法的原理和区别。
-
深度学习基础:神经网络的基本结构、前向传播和反向传播的原理、激活函数(如ReLU、Sigmoid、Tanh)的选择及其影响。
-
模型评估与选择:交叉验证、混淆矩阵、ROC曲线、AUC值、F1-score等评价指标及其适用场景。
实践应用
-
模型的调参与优化:网格搜索、随机搜索、贝叶斯优化等调参方法。
-
模型部署:了解基本的模型部署流程及常用工具(如Docker、Flask等)。
-
项目经验:描述自己曾经做过的机器学习项目,遇到的问题及解决方案。
数学基础
-
线性代数:矩阵的基本运算、特征值与特征向量等。
-
概率论与统计学:概率分布、最大似然估计、贝叶斯定理等。
-
优化方法:梯度下降、随机梯度下降及其变种(如Adam、RMSprop等)的原理。
编程与实践
-
编程语言:熟悉Python及其常用库(如NumPy、Pandas、Scikit-Learn、TensorFlow、PyTorch等)。
-
代码实现:编写简单的机器学习算法代码,如线性回归、逻辑回归、决策树等。
经典论文
-
经典算法论文:如《Gradient-Based Learning Applied to Document Recognition》(LeCun等,1998年),《A Few Useful Things to Know About Machine Learning》(Domingos,2012年),《Attention Is All You Need》(Vaswani等,2017年),候选人需要了解这些论文的核心贡献、算法原理、实验结果及其影响。
-
领域内标志性论文:如果候选人专注于某个特定领域(如计算机视觉、自然语言处理、强化学习等),面试官可能会问及该领域的一些标志性论文及其细节。
前沿研究
-
最新的研究进展:面试官可能会问候选人最近阅读过哪些重要的机器学习论文,以及这些论文在算法、模型、应用等方面的创新点。
-
论文复现与应用:面试官可能会询问候选人是否有过复现论文实验的经历,遇到的问题及其解决方法,或者如何将某篇论文中的方法应用到实际项目中。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。