首先對于機(jī)器學(xué)習(xí)，項(xiàng)目主要從基礎(chǔ)概念、基本實(shí)踐、基本算法和集成學(xué)習(xí)專題這四個(gè)方面概括 ML 的總體情況。其中基礎(chǔ)概念可能是最基本的面試問題，例如「偏差方差怎么權(quán)衡？」、「生成模型和判別模型的差別是什么？」、「先驗(yàn)和后驗(yàn)概率都是什么，它們能轉(zhuǎn)換嗎？」。

這些知識點(diǎn)一般是入門者都需要了解的，而對于 ML 基本實(shí)踐，主要會(huì)從如何做好傳統(tǒng) ML 開發(fā)流程的角度提問。例如「你如何選擇超參數(shù)，能介紹一些超參數(shù)的基本搜索方法嗎？」、「混淆矩陣、準(zhǔn)確率、精確率、召回率或 F1 值都是什么，如何使用它們度量模型的好壞？」、「你能介紹數(shù)據(jù)清洗和數(shù)據(jù)預(yù)處理的主要流程嗎，舉個(gè)例子？」。

這些問題都能在前兩部分的知識點(diǎn)中找到答案。后一部分的基本算法就非常多了，從最簡單的 Logistic 回歸到復(fù)雜的梯度提升樹，這一部分總結(jié)了主流的機(jī)器學(xué)習(xí)算法：

信息論

邏輯斯蒂回歸

支持向量機(jī)

決策樹

集成學(xué)習(xí)

梯度提升決策樹 GBDT

隨機(jī)森林