机器学习面试知识点&面试题&好文汇总

线性回归 & 逻辑回归

【机器学习】逻辑回归

支持向量机

【机器学习】支持向量机 SVM

树模型

【机器学习】决策树（上）——ID3、C4.5、CART
【机器学习】决策树（中）——Random Forest、Adaboost、GBDT
【机器学习】决策树（下）——XGBoost、LightGBM
随机森林(Random Forest)面试高频题
GBDT(Gradient Boosting Decision Tree)面试高频题
2022.03.08更新：Microstrong–梯度提升（Gradient Boosting）算法

RNN&LSTM

手把手教你构建一个LSTM时序网络
2022.03.29更新：RNN和LSTM详解

Attention & Transformer

深度学习之图像分类（十七）-- Transformer中Self-Attention以及Multi-Head Attention详解
2022.04.18更新：面试准备 transformer及各种周边

AutoEncoder

2022.03.24更新：AutoEncoder: 稀疏自动编码器 Sparse_AutoEncoder

K-means

【机器学习】K-means
KMeans 算法
K-means算法 面试高频题

主成分分析

【机器学习】降维——PCA
2022.04.03更新：Probabilistic PCA and Factor Analysis

GNN

2022.03.22更新：A Gentle Introduction to Graph Neural Networks
2022.03.31更新：Understanding Convolutions on Graphs

正则化

一文看懂机器学习中的正则化（Regularization）
L1正则化与L2正则化
机器学习中正则化项L1和L2的直观理解
从贝叶斯的角度来看，正则化等价于对模型参数引入先验分布：
LR正则化与数据先验分布的关系？
L1、L2正则化详解

数据规范化（BN/LN）

【DL】数据规范化：你确定了解我吗？
2022.03.23更新：BATCH NORMALIZATION 超详细解读
2022.03.29更新：Internal Covariate Shift与Normalization

集成学习

集成学习(Ensemble learning)面试高频题
深入理解XGBoost
深入理解LightGBM
深入理解CatBoost
2022.01.16更新：Boostrap详解和延伸
2022.03.08更新：面试准备 集成学习和tree

数据初始化

【DL】参数初始化：你真的了解我吗？

优化器

2022.1.18更新：批量梯度下降(BGD)、随机梯度下降(SGD)以及小批量梯度下降(MBGD)的理解
2022.3.28更新：深度学习最全优化方法总结比较（SGD，Adagrad，Adadelta，Adam，Adamax，Nadam）

样本类别不平衡问题

2022.04.21更新：机器学习之类别不平衡问题 (3) —— 采样方法

数学基础

2022.03.08更新：理解期望、方差常见公式
2022.03.10更新：如何理解拉格朗日乘子法和KKT条件？

优秀博客/合集

阿药算法
2022.03.29更新：马同学

番外篇：智力题

2022.03.31更新：面试中常见的智力题