问题
页码
难度级
笔记
第1章 特征工程
为什么需要对数值类型的特征做归一化?
002 ★☆☆☆☆
怎样处理类别型特征?
004 ★★☆☆☆
什么是组合特征?如何处理高维组合特征?
006 ★★☆☆☆
怎样有效地找到组合特征?
009 ★★☆☆☆
有哪些文本表示模型?它们各有什么优缺点?
011 ★★☆☆☆
如何缓解图像分类任务中训练数据不足带来的问题?
016 ★★☆☆☆
Word2Vec是如何工作的?它和隐狄利克雷模型有什么区别与联系?
013 ★★★☆☆
第2章 模型评估
准确率的局限性。
022 ★☆☆☆☆
精确率与召回率的权衡。
023 ★☆☆☆☆
平方根误差的“意外”。
025 ★☆☆☆☆
什么是ROC曲线?
027 ★☆☆☆☆
为什么要进行在线A/B测试?
037 ★☆☆☆☆
如何进行线上A/B测试?
038 ★☆☆☆☆
过拟合和欠拟合具体是指什么现象?
045 ★☆☆☆☆
如何绘制ROC曲线?
028 ★★☆☆☆
如何计算AUC?
030 ★★☆☆☆
为什么在一些场景中要使用余弦相似度而不是欧氏距离?
033 ★★☆☆☆
18如何划分实验组和对照组?
038 ★★☆☆☆
模型评估过程中的验证方法及其优缺点。
040 ★★☆☆☆
能否说出几种降低过拟合和欠拟合风险的方法?
046 ★★☆☆☆
ROC曲线相比P-R曲线有什么特点?
030 ★★★☆☆
余弦距离是否是一个严格定义的距离?
034 ★★★☆☆
自助法采样在极限情况下会有多少数据从未被选择过?
041 ★★★☆☆
超参数有哪些调优方法?
043 ★★★☆☆
第3章 经典算法
逻辑回归相比线性回归,有何异同?
058 ★★☆☆☆
决策树有哪些常用的启发函数?
062 ★★☆☆☆
线性可分的两类点在SVM分类超平面上的投影仍然线性可分吗?
051 ★★★☆☆
证明存在一组参数使得高斯核SVM的训练误差为0。
054 ★★★☆☆
加入松弛变量的SVM的训练误差可以为0吗?
056 ★★★☆☆
用逻辑回归处理多标签分类任务的一些相关问题。
059 ★★★☆☆
如何对决策树进行剪枝?
067 ★★★☆☆
训练误差为0的SVM分类器一定存在吗?
055 ★★★★☆
第4章 降维
从最大方差的角度定义PCA的目标函数并给出求解方法。
074 ★★☆☆☆
从回归的角度定义PCA的目标函数并给出对应的求解方法。
078 ★★☆☆☆
线性判别分析的目标函数以及求解方法。
083 ★★☆☆☆
线性判别分析与主成分分析的区别与联系
086 ★★☆☆☆
第5章 非监督学习
K均值聚类算法的步骤是什么?
093 ★★☆☆☆
高斯混合模型的核心思想是什么?它是如何迭代计算的?
103 ★★☆☆☆
K均值聚类的优缺点是什么?如何对其进行调优?
094 ★★★☆☆
针对K均值聚类的缺点,有哪些改进的模型?
097 ★★★☆☆
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?
106 ★★★☆☆
怎样设计自组织映射神经网络并设定网络训练参数?
109 ★★★☆☆
以聚类算法为例,如何区分两个非监督学习算法的优劣?
111 ★★★☆☆
证明K均值聚类算法的收敛性。
099 ★★★★☆
第6章 概率图模型
写出图6.1(a)中贝叶斯网络的联合概率分布。
118 ★☆☆☆☆
写出图6.1(b)中马尔可夫网络的联合概率分布。
119 ★☆☆☆☆
解释朴素贝叶斯模型的原理,并给出概率图模型表示。
121 ★★☆☆☆
解释最大熵模型的原理,并给出概率图模型表示。
122 ★★☆☆☆
常见的主题模型有哪些?试介绍其原理。
133 ★★☆☆☆
如何确定LDA模型中的主题个数?
136 ★★☆☆☆
常见的概率图模型中,哪些是生成式的,哪些是判别式的?
125 ★★★☆☆
如何对中文分词问题用隐马尔可夫模型进行建模和训练?
128 ★★★☆☆
如何用主题模型解决推荐系统中的冷启动问题?
137 ★★★☆☆
最大熵马尔可夫模型为什么会产生标注偏置问题?如何解决?
129 ★★★★☆
第7章 优化算法
有监督学习涉及的损失函数有哪些?
142 ★☆☆☆☆
训练数据量特别大时经典梯度法存在的问题,如何改进?
155 ★☆☆☆☆
机器学习中哪些是凸优化问题?哪些是非凸优化问题?
145 ★★☆☆☆
无约束优化问题的求解。
148 ★★☆☆☆
随机梯度下降法失效的原因。
158 ★★☆☆☆
如何验证求目标函数梯度功能的正确性?
152 ★★★☆☆
随机梯度下降法的一些变种。
160 ★★★☆☆
L1正则化使得模型参数具有稀疏性的原理是什么?
164 ★★★☆☆
第8章 采样
如何编程实现均匀分布随机数生成器?
174 ★☆☆☆☆
标签:SVM,机器,哪些,模型,算法,如何,xx,聚类,百面 From: https://blog.51cto.com/u_15892225/9175328