机器学习算法工程师---面试知识树
前言：准备按着如下这个表格打钩写博文，重新确定自己的知识树路线走向如何，路线摘自《hulu面试》。
有的点面积巨大，有的点小，我看兴趣，把感兴趣的点更深入的探索下，出于面试的角度，先对每一个算法点做一个总分，比如五星，
* Fck，
** 代表了解基础概要，
*** 代表对公式有深入理解，
**** 代表代码角度理解，
***** 代表对公式与其他公式和各类方法的关联有深入理解。先按这个标准进行学习吧。
机器学习基本概念和分类
基本概念
：假设空间
：训练、测试数据
：标注
：损失函数
按数据分类
：分类
：回归
：序列标注
按监督分类
：监督
：非监督
：强化
按模型分类
：生成式模型
：判别式模型
经典机器学习模型
监督学习
- 经典算法
：SVM
：LR
：DecisionTree- 概率图模型
：NaiveBayes
：最大熵模型
：隐马尔科夫模型
：条件随机场
非监督学习
：层次聚类
：K-Means聚类
：高斯混合模型
：主题模型
集成学习
：Bagging
：Boosting
：RandomForeast
：GBDT
降维算法
采样
深度学习模型
前项神经网络
：MLP
：CNNs
：ResNet
：自组织映射
：受限玻尔兹曼机
循环神经网络
：循环神经网络
：长短期记忆模型
：注意力机制
：Seq2Seq
优化技巧
：批量归一化
：DropOut
：激活函数：Sigmoid、Softmax、Tanh、ReLU.
强化学习
GANs
特征工程
特征离散化与归一化
特征组合
特征选择
词嵌入表示
模型评估
评价指标
A/B测试
过拟合与欠拟合
超参数选择
优化算法
损失函数
正则化
EM算法
梯度下降
反向传播
梯度验证
Momentum
AdaGrad
Adam
数学基础
概率论
：常用概率分布
：大数定理、中心极限定理
：假设检验
：贝叶斯理论
线性代数
微积分
凸优化
信息论
工程能力
数据结构与算法
：树及相关算法
：图及相关算法
：哈希表
：矩阵运算与优化
大数据处理
：MapReduce
：Spark
：HiveQL
：Storm
机器学习平台
：Tensorflow
：Troch
并行计算
数据库和数据仓库
系统服务架构
业务与应用
CV
NLP
Recommendation system
Computational advertising
Intelligent game
