常见机器学习文章大全 - 2021面试准备

---

前言

收藏一下各个模型写得比较好的文章，到时候通过这个入口方便查看

一、线性回归

• 机器学习算法——线性回归（超级详细且通俗）
• 线性回归相关面试题

二、逻辑回归

• 逻辑回归 - 理论篇
• 逻辑回归和神经网络权重初始化为0的问题
• 逻辑回归(logistics regression)

三、SVM

• 【ML】支持向量机（SVM）从入门到放弃再到掌握
• 深入理解SVM—从头到尾详细推导（软硬间隔、KKT条件、核技巧）
• SVM的常见面试点总结
• SVM通俗详解
• 支持向量机通俗导论（理解SVM的三层境界）

四、决策树

• 决策树(Decision Tree)
• 决策树梳理
• 决策树从原理简述到面试详细总结
• Regression Tree 回归树

五、随机森林

• 随机森林算法及其实现（Random Forest）

六、提升树

• 深入理解提升树（Boosting tree）算法

七、GBDT

• GBDT算法原理以及实例理解
• 深入理解GBDT回归算法

八、XGBoost

• 通俗理解kaggle比赛大杀器xgboost
• 珍藏版 | 20道XGBoost面试题

九、KNN

• 机器学习面试题之KNN

十、K-means

• K-Means（聚类）
• k-means常见面试题

十一、贝叶斯

• 通俗易懂的贝叶斯定理
• 朴素贝叶斯分类:原理
• 隐马尔可夫链
  • 一起看着玩

十二、LDA和PCA

• 主成分分析（PCA）和线性判别分析（LDA）原理简介
• PCA和LDA以及之间的区别

十三、其他

• L1、L2正则化
• 梯度消失和梯度爆炸
• 过拟合与欠拟合
• Loss异常
• 特征怎么离散化？为什么需要离散化？
• 常见分布总结-高斯分布、伯努利分布、泊松分布、几何分布、beta分布
• 方差和偏差的区别
• 深入理解L0，L1和L2正则化
• 【通俗易懂】机器学习中 L1 和 L2 正则化的直观解释
• 交叉熵损失函数原理详解
• 机器学习面试中常问到的算法问题1----L1正则化与L2正则化的区别以及为什么L1正则化可以产生稀疏矩阵，L2正则化可以防止过拟合**
• 手推公式带你轻松理解L1/L2正则化
• 交叉熵代价函数（作用及公式推导）
• 过拟合和欠拟合原因及其解决方法