秋招-算法
- Boosting
- 随机森林如何评估特征重要性
- 随机森林如何处理缺失值
- Bagging与随机森林
- 模型方差与偏差
- 集成学习
- 决策树剪枝
- ID3、C4.5、CART
- 信息熵与基尼指数的关系
- 决策树
- 朴素贝叶斯
- 几种距离计算方法
- 评估聚类模型的兰德指数
- 层次聚类
- DBSCAN
- KNN
- MapReduce实现Kmeans思路
- Kmeans++
- Kmeans如何确定聚类个数K
- Kmeans如何初始化聚类中心
- Kmeans算法原理
- SVM回归问题
- SVM原问题与对偶问题
- SVM面试题
- SVM如何进行多分类
- SVM面试级推导
- 感知机
- 逻辑回归的两种交叉熵损失函数
- 最大后验推导L1 (Lasso) 回归
- 最大后验推导L2（Ridge）回归
- 极大似然推导最小二乘（线性回归误差平方和损失）
- 极大似然估计
- 最大熵模型
- 二分类与多分类的交叉熵损失函数
- 逻辑回归总结
- 逻辑回归之Sigmoid推导
- 指数分布族函数与广义线性模型
- softmax原理及推导
- 线性回归总结
- 频率学派与贝叶斯学派
- 经验风险、期望风险、结构风险
- 如何判断凸函数
- 生成式与判别式
- 机器学习中输入空间、特征空间、假设空间
- 机器学习理解
- K折交叉验证
- 回归问题评价函数
- AUC与ROC
- FFM在CTR任务中的应用
- FM算法在广告点击预估（CTR）任务中的应用
收集秋招过程中，算法岗位同学的复习笔记或是感悟心得