【持续更新】机器学习常见面试题

统计学习的核心步骤

模型、策略、算法

如何解决正负样本不平衡

特征选择的方法

过拟合的解决方法

在模型的训练迭代中，怎么评估效果

L1和L2

1. L2惩罚项是怎么减小Overfitting的？L1，L2等范数的通式是什么？他们之间的区别是什么？在什么场景下用什么范数？L1在0处不可导，怎么处理？

2. L1 与 L2 的区别以及如何解决 L1 求导困难？

如何用尽可能少的样本训练模型同时又保证模型的性能

svm的原理、优缺点、适用场景

用拉格朗日公式推导SVM kernel变换

LR的推导

bagging、adaboost、boosting

决策树原理、优缺点、适用场景

决策树处理连续值的方法

rf, gbdt, xgboost的区别

CART算法及如何剪枝

EM算法的原理

kNN的原理

k-means的原理（会写代码）优缺点及改进

EM与k-means关系

朴素贝叶斯与贝叶斯网络原理、优缺点、适用场景

深度学习相关

神经网络（CNN、KNN、DNN）的推导和原理

PCA主成分分析

Apriori算法

推荐系统（UserCF、itemCF）

梯度下降、牛顿法、各种随机搜索算法（基因、蚁群等等）