机学习算法面试小结.PDF

2018/5/23 机器学习算法面试小结 152 机器学习算法面试小结 dragon fi… 关注他 过气的CV从业者 152 人赞了该文章 目录 ： 首发于 • SVM与LR的区别 机器学习与算法 • 从模型解决问题的方式来看 • 两者的区别 • 方法的选择 • 应用场景方面不同 • SVM适合处理什么样的数据？ 分享 • 机器学习常见算法总结 • 朴素贝叶斯 • 线性回归 /p 1/63 2018/5/23 机器学习算法面试小结 • LR回归 • 优化问题的求解方法 • 梯度下降法 • 优化思想 152 • 缺点 • 批量梯度下降法 • 随机梯度下降法 • 牛顿法 • 牛顿法比梯度下降法快 • 拟牛顿法 • 拉格朗 日法 • 机器学习算法选择 • 贝叶斯 • K近邻 • 三要素 ： 152 4 条评论 分 • k值的选择 • 分类决策规则 • 优缺点 ： • KD树 • 构造KD树 • KD树的有哪些信誉好的足球投注网站 • 决策树 • 随机森林 • 基本概念 /p 2/63 2018/5/23 机器学习算法面试小结 • 参数调节 • RF与传统bagging的区别 • RF的优点 • 缺点 • RF的学习算法 152 • GBDT • 基本概念 • GBDT与传统Boosting （AdaBoost）的区别 • GBDT正则化的方式 • GBDT的优缺点 • GBDT预测时每一棵树是否能并行？ • GBDT和RF的区别与联系 • XGBOOST相比于GBDT有何不同？XGBOOST为什么快？XGBOOST如何支持并行？ • ababoost • 集成学习与方差偏差 • 为什么说bagging是减少variance，而boosting是减少bias? • 为什么把特征组合之后还能提升 • 总体性问题 • 分类与回归的区别 • 生成模型与判别模型的区别 • 精确率、召回率、F1 值 、ROC、AUC 各 自的优缺点是什么？ • 过拟合 • 线性分类器与非线性分类器的区别以及优劣 • 样本不均衡如何解决 • 重采样 （resampling）技术 ： /p 3/63 2018/5/23 机器学习算法面试小结 • 深度学习方面的问题 • 深度学习的实质 及其 与浅层学习的区别 • BP算法为什么不能适应于深度学习 • CNN卷基层和pooling层的作用 • DNN常用的激活函数有哪些，各有什么特点 • 解决relu神经元坏死问题 152 • 什么样的资料不适合用深度学习？