本文详述了机器学习面试中常见的问题，包括传统算法如SVM、LR、决策树等的原理及优化，深度学习的CNN、RNN、激活函数等，以及NLP领域的tf-idf、Word2vec和Transformer。同时涵盖SVM的参数调节、过拟合处理，XGBoost的缺失值处理，神经网络的RNN原理，以及大数据处理中的Hadoop MapReduce。
传统的机器学习算法：SVM,LR,softmax，决策树，随机森林，GBDT，xgboost，adaboost，bp神经网络、朴素贝叶斯这些都必须自己手推一次或者多次；
深度学习方面：CNN、RNN、LSTM、常用激活函数（tanh、relu等）、adam优化函数、梯度消失原理或者结构应该能手画出来。
nlp方面：强烈建议tf-idf、textrank、Word2vec、注意力机制、transformer都应该非常熟悉。
一、模型和算法篇（周六）
1）逻辑回归：
1. 手推LR，对并每一步进行解释，引入sigmoid，逻辑回归的公式，极大似然，求解参数时的梯度下降法；
2. 多分类问题怎么处理(ovr-??)
2）SVM
1. SVM的原理
2. SVM为什么采用间隔最大化？
当训练数据线性可分时，存在无穷个分离超平面可以将两类数据正确分开。利用间隔最大化求得最优分离超平面，这时解是唯一的。另一方面，此时的分隔超平面所产生的分类结果对未知实例的泛化能力最强。
3. SVM怎么处理过拟合？
解决的办法是为SVM引入松弛变量，在SVM公式中的目标函数加上松弛变量的平方和，并求最小值。这样就达到了一个平衡：既希望松弛变量存在以解决异常点问题，又不希望松弛变量太大导致分类解决太差。
4. SVM有哪些可以调节的参数ÿ
最低0.47元/天 解锁文章
5699
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
