判別方法：由資料直接學習決策函式 y = f（x），或者由條件分布概率 p（y|x）作為**模型，即判別模型。
生成方法：由資料學習聯合概率密度分布函式 p（x,y）,然後求出條件概率分布p(y|x)作為**的模型，即生成模型。
由生成模型可以得到判別模型，但由判別模型得不到生成模型。
常見的判別模型有：
k近鄰、svm、決策樹、感知機、線性判別分析（lda）、線性回歸、傳統的神經網路、邏輯斯蒂回歸、boosting、條件隨機場
常見的生成模型有：
樸素貝葉斯、隱馬爾可夫模型、高斯混合模型、文件主題生成模型（lda）、限制玻爾茲曼機
資訊熵取得極大值時對應的一組概率分布出現的概率佔絕對優勢
（1）.概念
熵，反映的是乙個系統混亂程度的度量（化學），比如乙個系統，最自然的狀態就是熵最大的狀態（也就是最無序、最混亂的狀態），能夠自然發生的變化都是熵增的。比如乙個系統內有多個分子，那麼最自然的狀態是分子排列雜亂無章，散布在系統各處，對應熵最大，而如果強行把所有分子聚集在乙個很密集的區域，那麼整個系統對應的熵
最小。也就是說，乙個系統熵最大的時候，是這個系統最自然的狀態
資訊熵，反映的是人們對客觀事件不確定性的度量，
與物理學中的熵表徵物質的混亂程度有相似之處，熵越大，事件的不確定性越大。
在這裡我們要定義資訊量的公式
資訊熵是表徵不確定事件所有狀態攜帶資訊量的期望值
資訊熵表徵了乙個不確定事件a的所有可能狀態所提供的
平均資訊量
，資訊熵越大，表明攜帶的平均資訊量越大，不確定性也就越大，那麼對這個事件a的模擬也就最接近自然狀態；反之攜帶的平均資訊量越少，不確定性越小。
最大熵原理指出，當我們需要對乙個隨機事件的概率分布進行**時，我們的**應當滿足全部已知的條件，而對未知的情況不要做任何主觀假設。（不做主觀假設這點很重要。）在這種情況下，概率分布最均勻，**的風險最小。因為這時概率分布的資訊熵最大，所以人們稱這種模型叫「最大熵模型」。
（2）.求法
(1) k-means
優點：簡單，易於理解和實現；時間複雜度低，每輪迭代負載度為o(n*k)
缺點：需要對均值給出定義；需要指定聚類的數目；一些過大的異常值會帶來很大影響；需要指定初始聚類中心，演算法對初始值敏感；適合球形類簇。
(2) 層次聚類（試圖在不同層次對資料集進行劃分，從而形成樹形的聚類結構。agnes是一種採用自底向上聚合策略的層次聚類演算法）
優點：距離和規則的相似度容易定義，限制少；不需要預先指定聚類數目；可以發現類的層次關係；可以聚類成其他形狀
缺點：計算複雜度高；奇異值也能產生很大影響；演算法很可能聚類成鏈狀。
常見面試題 機器學習篇
傳統的機器學習演算法 svm,lr,softmax，決策樹，隨機森林，gbdt，xgboost，adaboost，bp神經網路 樸素貝葉斯這些都必須自己手推一次或者多次 深度學習方面 cnn rnn lstm 常用啟用函式 tanh relu等 adam優化函式 梯度消失原理或者結構應該能手畫出來。...
常見面試題
1.get和post的區別 1 本質區別 get是向伺服器請求資料，post是向伺服器傳送資料。2 伺服器獲取值的方式 get方式提交的資料，伺服器端使用request.querystring獲取變數的值。post方式提交的資料，伺服器端使用request.form獲取資料。3 安全性 get安全效...
常見面試題
1 一行 實現1 100之和 lst i for i in range 1,101 print sum lst 2 如何在乙個函式內部修改全域性變數？在函式內部新增 global 變數名 這樣就可以在本地作用域定義全域性作用域了 name 大明 def eat name1 global name n...