/《機器學習100問》一共分為三部分，分別是上篇，中篇，下篇。每一篇列出最常見的機器學習基礎概念問題。（擬打算在除夕前，出乙個《機器學習100答》，針對這三篇列出的問題，一一作出簡要的回答。）
注：如果只列出名詞，則問題是：它的定義，推導與應用是什麼？
感知機；
k近鄰法；
樸素貝葉斯;
決策樹；
邏輯斯蒂回歸；
svm；
常見的核函式；
boosting;
em；隱馬爾可夫；
條件隨機場；
監督方法總結；
正則化方法；
聚類演算法;
降低維度演算法；
關聯規則學習；
gbdt；
隨機森林；
pca；
模型評估指標；
欠擬合與過擬合；
roc;
auc;
lda;
常見的loss function;
分類演算法總結；
分類網路或回歸的區別；
梯度下降法的原理；
各種梯度下降法的優缺點；
經驗誤差與泛化誤差；
為什麼用roc與auc評價分類器；
偏差與方差；
k折交叉驗證；
類別不平衡；
k-means或knn中， 計算最近的鄰居距離的方法有歐式距離和曼哈頓距離，這兩種方法的區別是什麼？
knn中的k是怎麼取的，為什麼？
lr和svm的區別與聯絡？
lr與線性回歸的區別與聯絡？
邏輯斯蒂回歸為什麼要對特徵進行離散化？
gbdt和xgboost的區別？
判別模型與生成模型的區別？
l1與l2分別服從什麼分布？
adaboost的權值更新公式是什麼？
為何要對資料做歸一化？
歸一化有哪些型別？
哪些機器學習方法不需要做歸一化？
決策樹中的熵是什麼？
如何計算資料集某個特徵的資訊增益？
聯合概率分布與邊緣概率分布；
條件概率的鏈式法則；
期望/方差/協方差/相關係數；
牛頓法與梯度下降法的區別？
svm的kkt條件是什麼？
gbdt隨機森林能否並行訓練？
adam的原理；
交叉熵的定義；
如何優化kmeans?
如何進行特徵選擇？
資料增強的方法；
特徵工程一般包含什麼？
對缺失值敏感的有哪些模型？
梯度消失和梯度**的原因？
如何解決梯度消失和梯度**？
監督學習/非監督學習/半監督學習/弱監督學習；
區域性最優與全域性最優；
混淆矩陣；
產生維數災難的原理，如何避免這個問題；
正確率能很好地評估分類演算法嗎；
分類演算法的評估方法；
lda和pca的區別；
決策樹演算法優缺點；
平移不變性；
先驗概率和後驗概率；
歐式距離的特性；
如何使用二分類器來構造多分類器；
決策樹的兩種剪枝方法；
熵/聯合熵/條件熵/相對熵/互資訊的定義；
最大似然估計；
協調過濾推薦演算法的過程；
協調過濾分幾種；
什麼是推薦準確率和召回率；
文字分類過程；
分詞原理；
什麼是前向匹配演算法和後向匹配演算法；
hmm過程；
apriori；
奇異值分解原理；
fp tree;
貝葉斯個性化排序；
word2vec原理；
特徵選擇；
特徵選擇與降維的區別；
傅利葉變換；
交叉驗證如何用在時間序列資料；
整合學習方法總結；
多重共線性；
如何進行大資料訓練；
什麼是方差與偏差間的均衡；
機器學習和深度學習的區別；
使用機器學習方法，完成乙個有實際意義的專案（tbd）。
深度學習網路總結
機器學習演算法及其應用場景
演算法與資料結構（leetcode 題解）
cuda程式設計與並行優化
其他讀書分享如：《戰國策》，《智囊全集》
宇宙常識科普與星座辨別等等.
深度學習100問
3x3 是最小的能夠捕獲畫素八鄰域資訊的尺寸。兩個 3x3 的堆疊卷基層的有限感受野是 5x5 三個 3x3 的堆疊卷基層的感受野是7x7，故可以通過小尺寸卷積層的堆疊替代大尺寸卷積層，並且感受野大小不變。多個 3x3 的卷基層比乙個大尺寸 filter卷基層有更多的非線性 更多層的非線性函式 使得...
100天搞定機器學習
新增好友麻煩備註 github 100天搞定機器學習 day1資料預處理 100天搞定機器學習 day2簡單線性回歸分析 100天搞定機器學習 day3多元線性回歸 100天搞定機器學習 day4 6 邏輯回歸 100天搞定機器學習 day7 k nn 100天搞定機器學習 day8 邏輯回歸的數學...
機器學習100天（Day 2）
今天的學習內容是簡單線性回歸，簡單了說就是一次線性回歸。直接上 吧！step 1 import pandas as pd import numpy as np import matplotlib.pyplot as plt dataset pd.read csv studentscores.csv ...