BigBigLiu

持续更新。。。持。。。续。。。地址： https://github.com/GreenLiuWhy/AimAtOffer更新记录：2017年7月13日 && 版本一 && 加入第二章内容程序说明：下载导入项目即可运行。在我程序最头的注释里有 问题的题目其中的题目出现 proNum_Num 是 proNum 题目的扩展问题。比如 pro15_2 就是面试题15的第1个扩展问题。程序中包含 我自己的解

自己结合网络内容总结，欢迎指正欢迎补充。最新更新：20170626—版本1（只给出问题）总体性问题1.学习器结合可能带来的好处2.模型融合的方法/策略3.常见融合框架的原理；优缺点；融合一定会提升性能么？为什么融合可能会提高预测效果？4.Bagging 和 Boosting 的区别和联系5.为什么说Bagging是减少了方差（variance），而Boosting是减少了偏差（bias）？R F6.

自己结合网络、书本内容总结，欢迎指正欢迎补充。更新日期：20170607—版本11.简述SVM 二分类模型、更严格优化条件—>更好分界线，低维—->高维，间隔最大的分割平面，不太容易过拟合（2个原因），多层感知机（sigmoid核），3种分类，2种求解方法2.SVM的主要特点 （1）非线性映射-理论基础 （2）最大化分类边界-方法核心 （3）支持向量-计算结果 （4）小样本学习方法 （5）最终的

线性回归基本思想：用梯度下降法对最小二乘法行社的误差函数进行优化 几个式子：（1）假设 （2）优化目标 （3）梯度下降法（包括推导+特征缩放的目的） 优缺点：实现简单，但不能拟合非线性数据LR模型概念：分类、事件发生的概率、本质上是线性回归模型（解释为什么） 几个式子：（1）假设 （2）优化目标（推导） （3）梯度下降法（推导） 优点：实现简单，分类时计算量小、速度快、存储资源要求低 缺点

1.模式识别、机器学习、深度学习的区别与联系 模式识别：过去、程序/机器做智能的事、决策树等 机器学习：热点领域、给数据+学习数据 深度学习：前言领域、强调模型2.早年神经网络被淘汰的原因 耗时、局部最优、竞争对手、over-fitting、参数3.深度学习的实质 及其 与浅层学习的区别 深度学习实质：多隐层+海量数据——>学习有用特征—–>提高分类或预测准确性 区别：（1）DL强调模型

自己结合网络内容总结，欢迎指正欢迎补充。最新更新：20170627—版本2（扩充问题，取消简易答案）1.机器学习、模式识别、深度学习的关系2.解释监督学习、非监督学习、半监督学习的关系3.机器学习模型分类 之 监督/非监督4.机器学习模型分类 之 回归/分类/标注5.机器学习模型分类 之 判别模型/生成模型6.生成模型、判别模型的区别？各自的优缺点？7.AUC的本质是什么？AUC有哪些