选择题（2*10=20）
- 基本上都是PPT上面很简单的概念，完整看过一遍PPT就能全做出来。
简答题（4*5=20）
-
什么是随机梯度下降？什么是批量梯度下降？并写出二者的优缺点。
-
简述牛顿法求函数极值点的过程。
-
试卷上给了一个含有5个点的散点图，要求画出这个数据集的决策超平面及其支持向量。
-
主成分分析的原理，及其实现过程。
-
说出K-means聚类算法的三个缺点。
计算题（10*3=30）
-
(1) 线性回归的预测模型、损失函数、正规方程 (2) 给了一个数据集和初始值，要求用批量梯度下降法演示一轮迭代的过程
-
某神经网络输入层有 \(M_0\) 个输入， \(N+1\) 个神经元（输入层除外），\(E\)个隐藏层，\(1\)个输出，给出所需更新的参数，以及参数的数量
-
给定一个数据集，要求用K-means算法进行聚类
论述题（15*2=30）
-
支持向量机相关，硬间隔最小化的目标函数、约束条件及其几何意义，软间隔最小化的目标函数、约束条件，核函数、核方法的思想
-
送分题，开放性问题，写出机器学习对现代生活的影响，可以写医疗、金融、自动驾驶等方面
后记
-
可能因为是第一届变成必修考试课，题目比较简单
-
虽然说不考公式的推导，但我还是建议自己手推一遍，加深印象，也能更好理解背后的原理
-
课程设计建议搞一个实用性的小项目，不建议写文献阅读报告
-
建议
学习预习时长一周