关于-机器学习还应该准备的一些知识

1.感觉最常考的是各种算法的过拟合和欠拟合

2. 概率分布的一些数学知识

3. 各种距离的应用：比如马氏距离用来计算离群点的

4. 随机森林和GradientBoosting tree

5. 集成学习

6. 在线学习 

7. 特征工程  https://www.zhihu.com/question/28641663/answer/41653367

8. 如何处理数据集不均匀问题 http://blog.csdn.net/login_sonata/article/details/54290402

9. 模型的bias（偏差）和Variance（方差）https://www.zhihu.com/question/27068705

10. 回归分析中的一些指标 SSE,MSE,RMSE,R-square  AUC与RUC

http://blog.csdn.net/l18930738887/article/details/50629409

https://discuss.analyticsvidhya.com/t/difference-between-r-square-and-adjusted-r-square/264/3

11. 多重线性相关

12. 拟牛顿法与最小二乘法

13. 处理稀疏数据、异常数据、非规则数据

14. 哪些算法预处理需要去掉离群点和噪声点？

常考的算法以及知识

基础知识：什么是生成模型、什么是判别模型

1. 逻辑回归（推导、随机梯度下降、训练样本很多的情况）

2. SVM

3. NB（公式、贝叶斯估计、拉普拉斯平滑，可以聚类吗）

4. EM | HMM

5. 线性判别式LDA

6. k-means分布式

7. fp-growth的过程

8. 深度学习

9. 如何处理分词，比如微信、微、信

10. 随机森林rf和GDBT

一些数据结构与算法：

1. 堆排序（时间复杂度、建堆的时间）

2. 快排 （递归、循环实现）

3. 动态规划

4. 最长公共子序列（后缀树）

5. 一个数组最大的子数组之和

6. 一个无序数组，找三个数的最大乘积

7. 大数之和、大数乘积

8. 迷宫问题  (回溯、dfs、bfs)