El llamado conocerse a uno mismo y al enemigo significa que puedes librar cien batallas sin peligro. Los siguientes son algunos puntos de conocimiento que los estudiantes graduados suelen cubrir en el aprendizaje profundo para que los ingenieros de algoritmos ayuden a los estudiantes a comprender mejor el aprendizaje profundo y mejorar su competitividad personal.
1) Algoritmos clásicos: EM, HMM, red bayesiana, naive Bayes, clustering, PCA, LDA, modelo de mezcla gaussiana, etc.
2) Relacionado con la teoría de la probabilidad: varias distribuciones, máxima verosimilitud, máximo posterior, proceso de prueba de hipótesis (la diferencia y conexión entre el nivel de significancia y P), prueba de chi-cuadrado, etc.
3) Principales modelos de aprendizaje automático: regresión lineal, regresión logística, svm, varios modelos de árbol, etc. Debe estar familiarizado con el proceso de derivación de fórmulas principales.
4) Para big data, es necesario comprender cosas paralelas y distribuidas, como hadoop, spark, Hive, etc. , comprenda el principio de funcionamiento subyacente.
Además, debes saber que el proceso de respuesta a preguntas en la entrevista es en realidad un proceso de demostración de habilidades en diversos aspectos. No dé una respuesta a la pregunta del entrevistador, pero exprese su proceso de pensamiento y análisis. Muchas veces, lo que el entrevistador valora no son tus respuestas, sino tu proceso de pensamiento en el análisis y resolución de problemas.
Para ayudar a los estudiantes a dominar la tecnología de aprendizaje profundo más rápido y convertirse en talentos de alto nivel en el campo de la inteligencia artificial, la Educación Pública de China se ha asociado con expertos del Instituto de Automatización de la Academia de Ciencias de China para lanzar un curso de "aprendizaje profundo" de inteligencia artificial para que todos puedan aprender cosas y comprender verdaderamente los principios detrás de los modelos y algoritmos de aprendizaje automático.