机器学习算法总结知识点索引

百面机器学习算法总结索引（声明：以下所有内容及其链接内容来自于百面机器学习一书，仅供自己方便学习和复习，不做任何商业用途，所有链接内容继承本声明）

第一节：特征归一化

1.为什么需要对数值类型的特征做归一化？

2.在对数据进行预处理时，应该怎样处理类别型特征？

3.如何处理高纬度组合特征？什么是组合特征？

4.

5.有哪些文本表示模型？它们各有什么优缺点？

6.Word2vec是如何工作的？它和LDA有什么区别和联系？

7.在图像分类任务中，训练数据不足会带来什么问题？如何缓解数据量不足带来的问题？

第二节：模型评估

8.准确率Accuracy的局限性

９．精确率和召回率的权衡

１０．ＲＭＳＥ平方根误差的意外？

１１.什么是ＲＯＣ曲线？如何绘制ＲＯＣ曲线？如何计算ＡＵＣ？ＲＯＣ曲线相对Ｐ－Ｒ曲线有什么特点？

１２.结合你的学习和研究经历，探讨一下为什么一些场景中使用余弦相似度而不是欧氏距离？

１３.余弦距离是否是一个严格定义的距离？

１４.在分桶的过程中，要注意样本的独立性和采样方式的无偏性，确保同一个用户每次只能分到一个桶里，在分桶过程中选取的ｕｓｅｒ＿ｉｄ需要是一个随机数，这样才能保证桶中的样本是无偏的。

１５.在模型评估过程中，有哪些主要的验证方法，他们的优缺点是什么？在自助法的采样过程中，对Ｎ个样本进行Ｎ次自助采样，当Ｎ区域无穷大时最终有多少个数据从未被选择过？

１６.超参数有哪些调优方法？

１７.在模型评估过程中，过拟合和欠拟合具体指什么现象？能否说出几种降低过拟合和欠拟合风险的方法？

第三节：经典算法

１８.

１９.逻辑回归相比于线性回归，有何异同？

20.决策树有哪些常用的启发函数？

21.

第四节：降维

22.PAC最大方差理论。如何定义主成分？从这种定义出发，如何设计目标函数使得降维达到提取主成分的目的？针对这个目标函数，如何对PAC问题进行求解？

23.PAC最小平方误差理论。PAC求解的其实是最佳投影方向，即一条直线，这与数学中线性回归问题的目标不谋而合，能否从回归的角度定义PAC的目标并相应的求解问题呢？

24.线性判别分析。对于具有类别标签的数据，应当如何设计目标函数使得降维过程中不损失类别信息？在这种目标下，应当如何进行求解？

25.线性判别分析LDA和主成分分析PAC。LDA和PAC作为经典的降维算法，如何从应用的角度分析其原理的异同？从数学推导的角度，两种降维算法在目标函数上有何去区别和联系？

第五节：非监督学习

26.k均值聚类。简述K均值聚类算法的具体步骤。K均值算法的优缺点是什么？如何对其进行调优？

27.高斯混合模型。高斯混合模型的核心思想是什么?他是如何迭代计算的？

28.自组织映射神经网络。自组织映射神经网络是如何工作的，它与k均值算法有何区别？怎样设计自组织映射神经网络并设定网络训练参数？

29.以聚类问题为例，假设没有外部标签数据，如何评估两个聚类算法的优劣？

第六节：概率图模型

30.候选采样技术  word2vec的时间复杂度

Manjaro安装教程以及android java paython anacoda 各种环境配置和安装 各种环境安装汇总

机器学习 - 竞赛网站

机器学习开源学习平台

机器学习项目地址总结汇总

机器学习网址大全收集

Tensorflow深度学习算法原理与编辑实战

MNIST数据集训练（1）98.5%