机器学习算法岗备考

机器学习与深度学习的区别
解决过拟合的方法有哪些？什么情况下一定会发生过拟合？
解释一下过拟合和欠拟合，有哪些方法防止过拟合。

机器学习：几种树模型的原理和对比，朴素贝叶斯分类器原理以及公式，出现估计概率值为 0 怎么处理（拉普拉斯平滑），缺点；

如何构造决策树、计算信息熵和信息增益、说明C4.5 、ID3、 CART的区别及优缺点
Boost,bagging、adaboost、boosting区别在哪？
详细讨论了样本采样和bagging的问题
说一下Adaboost，权值更新公式。当弱分类器是LR时，每个样本的的权重是w1，w2...,写出最终的决策公式。
决策树原理；决策树处理连续值的方法；决策树如何防止过拟合；决策树过拟合哪些方法，前后剪枝。
RF, GBDT, xgboost,LR的区别,优缺点？

L2惩罚项是怎么减小Overfitting的？L1，L2等范数的通式是？差别是？在什么场景下用什么范数？L1在0处不可导，怎么处理？
说明L1和L2正则的效果与为什么形成这种情况（L1正则稀疏，L2正则平滑，之后说明就是画图说明正则化）
L1和L2函数？L1和L2正则项的比较，如何解决 L1 求导困难？
L1正则为何可把系数压缩成0，说明坐标下降法的具体实现细节


Logistics与随机森林比较.逻辑回归估计参数时的目标函数
逻辑回归的值表示概率吗？线性回归与逻辑回归区别？
Logistics（理论推导）；Logistic回归的推导，如何得到objective function？手写逻辑回归（损失函数及更新方式推导）

SVM与随机森林的差别？
SVM为何要引入拉格朗日的优化方法？
SVM原问题和对偶问题关系？
SVM在哪个地方引入的核函数, 如果用高斯核可以升到多少维。
SVM如何防止过拟合？
SVM的目标函数？常用的核函数有哪些？
SVM的过程，理论推导。手写svm硬软间隔对偶的推导
聊聊SVM，这段说了好久，从基本的线性可分到不可分，相关升维，各种核函数，每个是如何实现升。以及出现了XX问题，分析是样本的原因还是其他原因。针对不同情况，采取什么解决方案较好。

 

LR为什么用sigmoid函数。这个函数有什么优点和缺点？为什么不用其他函数？
LR和SVM的区别？libsvm和liblinear的区别？
EM 与 k-means 的关系？手写k-means的伪代码。
k-means算法中的k如何选取？
k-means算法初始点怎么选择？
k-means的原理，优缺点以及改进。
k折交叉验证中k取值多少有什么关系？
最近邻算法KNN（分类与回归）


分类模型可做回归分析吗？反过来可以吗？
分类模型和回归模型的区别？
差别常见分类模型（ svm，决策树，贝叶斯等）的优缺点，适用场景以及如何选型
各个模型的Loss function，牛顿学习法、SGD如何训练。
有哪些常见的分类器，简单介绍下原理
对于同分布的弱分类器，求分类器均值化之后的分布的均值跟方差。


BP算法原理
改变随机森林的训练样本数据量，是否会影响到随机森林学习到的模型的复杂度？
数据挖掘各种算法，以及各种场景下的解决方案
是否了解mutual infomation、chi-square、LR前后向、树模型等特征选择方式。
是否了解线性加权、bagging、boosting、cascade等模型融合方式

梯度下降、牛顿、拟牛顿算法的原理
梯度下降的优缺点。随机梯度下降，标准梯度.
牛顿法、随机梯度下降算法和直接梯度下降算法的区别？
牛顿法推导,牛顿法原理和适用场景，有什么缺点，如何改进（拟牛顿法）
梯度下降法的原理以及各个变种（批量梯度下降，随机梯度下降法，mini 梯度下降法），以及这几个方法会不会有局部最优问题。

选个你熟悉的机器学习方法 ，着重介绍一下产生原因，推导公式，背后统计意义什么等等。会哪些机器学习算法？信息熵公式？

数据挖掘的基础知识，包括SVM,逻辑回归、EM、K-means等，然后给出很多场景问你遇到这些情况你如何处理数据，怎么进行建模等

优化算法中常遇到的KKT条件？作用是？

深度学习有很大部分是CNN，给他用通俗的语言解释下卷积的概念，解释下CNN中的优势及原因

判别模型和生成模型？

特征选择方法有哪些

DBSCAN聚类算法原理

由数据引申到数据不平衡怎么处理（10W正例，1W负例，牛客上有原题）

为什么要做数据归一化？数据归一化的方式

贝叶斯估计？