机器学习大题（内部保密）
2.哪些机器学习算法不需要做归一化处理？
6.请简要说说一个完整机器学习项目的流程？
10.LR 和 SVM 的区别和联系？
24.请问（决策树.Random Forest.Boosting.Adaboot）GBDT 和 XGBoost 的区别是什么？
25.说说常见的损失函数？
31.线性分类器与非线性分类器的区别以及优劣？
32.L2.L1 的区别？
36.具体 Google 是怎么利用贝叶斯方法，实现"拼写检查"的功能？
39.请详细说说 EM 算法？
42.机器学习中，为何要经常对数据做归一化？
49.随机森林如何评估特征重要性？
50.请说说 Kmeans 的优化？
51.KMeans 初始类簇中心点的选取。
52.解释对偶的概念。
53.如何进行特征选择？
54.衡量分类器的好坏？
56.数据预处理。
58.什麽造成梯度消失问题?
59.到底什么是特征工程？
60.你知道有哪些数据处理和特征工程的处理？
62.数据不平衡问题
63.特征比数据量还大时，选择什么样的分类器？
64.常见的分类算法有哪些？他们各自的优缺点是什么？
65.常见的监督学习算法有哪些？
66.说说常见的优化算法及其优缺点？
67.特征向量的归一化方法有哪些？
68.RF 与 GBDT 之间的区别与联系？
69.证明样本空间任一点到超平面的距离公式
70.请比较下 EM 算法、HMM、CRF
71.带核的 SVM 为什么能分类非线性问题？
72.请说说常用核函数及核函数的条件
73.请具体说说 Boosting 和 Bagging 的区别
74.逻辑回归相关问题
75.什么是共线性, 跟过拟合有什么关联?
77.用贝叶斯机率说明 Dropout 的原理
78.对于维度极低的特征，选择线性还是非线性分类器？
79.请问怎么处理特征向量的缺失值
80.SVM、LR、决策树的对比。
81.什么是 ill-condition 病态问题？
82.简述 KNN 最近邻分类算法的过程？
83.常用的聚类划分方式有哪些？列举代表算法。
84.什么是偏差与方差？
85.解决 bias 和 Variance 问题的方法是什么？
86.采用 EM 算法求解的模型有哪些，为什么不用牛顿法或梯度下降法？
87.xgboost 怎么给特征评分？
88.什么是 OOB？随机森林中 OOB 是如何计算的，它有什么优缺点？
混吃等死论坛出品
剩余32页未读，继续阅读
评论0