电子科技大学本科机器学习期末考试指南

唔 作为一个写前端的 人工智能方向培养方案的学生 准备这个还是有点吃力的
不过考得不算难 据说老师不会挂人～
学弟学妹们看到了可以参考一下
建议直接去我的语雀笔记那里看

本课重点：

1P中有6页ppt（1P=6p）
● 第一章 机器学习概述 13P
● 第二章 K近邻算法 4P
○ 最近邻学习基础知识
○ K近邻算法
○ K近邻模型
○ K近邻算法常见问题
○ 降维计算
● 第三章 聚类 6P
○ p3之后基本都是英文。。。
○ K均值聚类算法
○ K均值聚类基于EM实现
○ 基于高斯混合模型的聚类实现
● 第四章 线性系统 5P
○ 线性模型简介
○ 感知机模型
○ 感知机学习策略
○ 感知机学习算法
● 第五章 支持向量机 SVM 9P
○ 这章内容有点多。。
○ 最大边缘超平面
○ 线性支持向量机
○ 非线性支持向量机
○ 序列最小最优化算法
● 第六章 决策树 9P
○ 决策树学习基本概念
○ 决策树学习算法
○ 决策树CLS算法
○ 决策树算法常见问题
○ 决策树C A R T算法
● 第七章 神经网络（一）31p
○ 神经网络的定义
○ 神经网络的发展历史
○ 单层感知机
○ 神经元模型
○ SOM网络（Self Organizing Maps）
○ BP网络
● 第七章 神经网络（二）12p
○ SOM网络
○ 深度学习的基本概念
○ 单层感知机与多层感知机
○ 常见的深度学习网络
○ 深度学习应用场景
● 第八章 贝叶斯分类（器） 6P
○ 贝叶斯学习基础
○ 极大似然估计
○ 朴素贝叶斯分类
○ 贝叶斯网络
● 第九章 集成学习（boosting）7P
○ 集成学习概念
○ Adaboost算法
○ Bagging
○ 集成学习结合策略
○ 集成学习方法

期末考察内容

凭借记忆回忆了一下

20分选择
10分判断
剩下的都是大题

[X] 1.人工智能概述 —— 这个大概看看就行 预备知识
[X] 2.KNN算法 —— 选择题考察了一点
[X] 3.聚类算法 —— 考察了高斯分布的K-means算法 的E过程 M过程 不会 orz
[ ] 4.线性系统 —— 没考大题
[X] 5.SVM —— 考了个简单的推导 10分 去年也考了
[X] 6.决策树 —— 考了 15分 不过没有规定用ID3 / ID4.5 / CART 我用了最简单的ID3
[X] 计算信息增益
[X] 构造决策树
[X] 解决过拟合的几种方法
[ ] 计算信息熵
[ ] CART生成——计算Gini
[ ] CART剪枝 —— 没考剪枝
[X] 8.朴素贝叶斯分类 —— 20分
[X] 构造分类器
[X] 分析 A=0 B=0 C=1 这个数据 进行分类

[X] 7.神经网络 —— 选择题考察
[X] 9.集成学习 —— 15分的一道题 boosting相关 完全不会 orz