伪代码实现:LR、梯度下降、最小二乘、KNN、Kmeans; 基本知识: 1)监督与非监督区别; 2)L1L2区别; 3)生成模型和判别模型区别 算法的优缺点以及相应解决方案:k-means, KNN, apriori 算法原理:LR、KNN、k-means、apriori、ID3(C45,CART)、SVM、神经网络,协同过滤,em算法 常见问题: 1)svm算法的原理、如何组织训练数据、如何调节惩罚因子、如何防止过拟合、svm的泛化能力、增量学习 2)神经网络参数相关。比如,参数的范围?如何防止过拟合?隐藏层点的个数多了怎样少了怎样?什么情况下参数是负数? 3)为什么要用逻辑回归? 4)决策树算法是按什么来进行分类的? 5) 朴素贝叶斯公式 6) 讲em算法 7)svm中rbf核函数与高斯和函数的比较 8)说一下SVM的实现和运用过程 9)谈谈DNN 10)简单说说决策树分析 11)推荐系统中基于svd方法 12)SVM有哪些优势,(x,y,z)三个特征如何用径向基核函数抽取第四维特征 13)userCF和ItemCF在实际当中如何使用,提供具体操作,以及它们的优势(推荐系统) 14)如何用Logic regression建立一个广告点击次数预测模型 15)举一个适合采用层次分析法的例子 17)关联分析中的极大频繁项集;FP增长算法 18)线性分类器与非线性分类器的区别及优劣 19)特征比数据量还大时,选择什么样的分类器 20)对于维度很高的特征,你是选择线性还是非线性分类器 21) 对于维度极低的特征,你是选择线性还是非线性分类器 22) 如何解决过拟合问题 23) L1和L2正则的区别,如何选择L1和L2正则 24) 随机森林的学习过程 25) 随机森林中的每一棵树是如何学习的 26) 随机森林学习算法中CART树的基尼指数是什么 27)支持向量机、图模型、波尔茨曼机,内存压缩、红黑树、并行度 28) 如何搭建一个推荐平台,给出具体的想法, 30) k-meanshift的机制,能不能用伪码实现 |
|