机器学习面试题总结

更多内容，关注“百面机器学习”可以看到啦

神经网络中怎么降维？
标准化和归一化有什么区别？
LSTM 为啥比 RNN 在梯度消失上要好？
为啥 L1 正则先验分布是 Laplace 分布，L2 正则先验分布是 Gaussian 分布？
为什么归一化能加快梯度下降法求优化速度？
简单说下 Adaboost？
SVM 和 LR 区别和联系？
机器学习中的距离和相似度度量方式有哪些？
AUC 为啥对正负样本比例不敏感？
Xgboost 哪里可做到并行？boosting 不是串行吗？
你还知道哪些降维方法？
为什么 Drop out 有效？
说说 DL 中的 Drop out？
除了 BN 你还知道哪些归一化方法？
神经网络为啥要 BN，怎么做？
batch 的大小对训练的影响？
KNN 的实现方式有哪些？
如何处理类别不均衡问题？
你知道哪些损失函数？
PCA 和 SVD 的联系和区别？
梯度法和牛顿法的区别？
机器学习有哪些优化方法？
Bootstrap 原理以及抽样到的概率是啥？
LR 如何并行化？
树模型特征重要性怎么看？
随机森林需要交叉验证吗？
当机器学习性能不是很好时，你会如何优化？
说说为什么 svm 中的某核能映射到无穷维？
说说决策树剪枝算法？
HMM 和 CRF 区别？
深度学习中防止过拟合的方法？
逻辑回归你说说能否用来做非线性分类？
为啥集成学习方法通常情况下效果就是好呢？
随机森林的泛化能力你给说说？
说说生成模型和判别模型？
Adaboost 为啥不容易过拟合？
你说说为什么 SVM 泛化能力好呢？
你说说你都知道哪些激活函数？
机器学习模型的评价指标？
CNN 为什么用 1*1 的卷积核？
KNN 中的 K 怎么选择？
LR 和 SVM 的联系区别？
机器学习中一些模型为什么要对数据归一化？
聚类算法中的距离度量有哪些？
Xgboost 和 GBDT 的区别？
分类问题中如何解决正负样本不平衡问题？
K-means 聚类算法中 K 值如何选择？
请描述极大似然估计 MLE 和最大后验估计 MAP 之间的区别？
如果训练样本数量少于特征数量，怎么办？
L1 和 L2 正则的区别，如何选择 L1 和 L2 正则？L1 在 0 处不可导，怎么处理？
用 EM 算法推导解释 Kmeans 可以吗？
为什么 LR 要使用 sigmod 函数？
有监督学习和无监督学习的区别？