问题 页码 难度级 笔记
第1章 特征工程
为什么需要对数值类型的特征做归一化？ 002 ★☆☆☆☆
怎样处理类别型特征？ 004 ★★☆☆☆
什么是组合特征？如何处理高维组合特征？ 006 ★★☆☆☆
怎样有效地找到组合特征？ 009 ★★☆☆☆
有哪些文本表示模型？它们各有什么优缺点？ 011 ★★☆☆☆
如何缓解图像分类任务中训练数据不足带来的问题？ 016 ★★☆☆☆
Word2Vec是如何工作的？它和隐狄利克雷模型有什么区别与联系？ 013 ★★★☆☆
第2章 模型评估
准确率的局限性。 022 ★☆☆☆☆
精确率与召回率的权衡。 023 ★☆☆☆☆
平方根误差的“意外”。 025 ★☆☆☆☆
什么是ROC曲线？ 027 ★☆☆☆☆
为什么要进行在线A/B测试？ 037 ★☆☆☆☆
如何进行线上A/B测试？ 038 ★☆☆☆☆
过拟合和欠拟合具体是指什么现象？ 045 ★☆☆☆☆
如何绘制ROC曲线？ 028 ★★☆☆☆
如何计算AUC？ 030 ★★☆☆☆
为什么在一些场景中要使用余弦相似度而不是欧氏距离？ 033 ★★☆☆☆
18
如何划分实验组和对照组？ 038 ★★☆☆☆
模型评估过程中的验证方法及其优缺点。 040 ★★☆☆☆
能否说出几种降低过拟合和欠拟合风险的方法？ 046 ★★☆☆☆
ROC曲线相比P-R曲线有什么特点？ 030 ★★★☆☆
余弦距离是否是一个严格定义的距离？ 034 ★★★☆☆
自助法采样在极限情况下会有多少数据从未被选择过？ 041 ★★★☆☆
超参数有哪些调优方法？ 043 ★★★☆☆
第3章 经典算法
逻辑回归相比线性回归，有何异同？ 058 ★★☆☆☆
决策树有哪些常用的启发函数？ 062 ★★☆☆☆
线性可分的两类点在SVM分类超平面上的投影仍然线性可分吗？ 051 ★★★☆☆
证明存在一组参数使得高斯核SVM的训练误差为0。 054 ★★★☆☆
加入松弛变量的SVM的训练误差可以为0吗？ 056 ★★★☆☆
用逻辑回归处理多标签分类任务的一些相关问题。 059 ★★★☆☆
如何对决策树进行剪枝？ 067 ★★★☆☆
训练误差为0的SVM分类器一定存在吗？ 055 ★★★★☆
第4章 降维
从最大方差的角度定义PCA的目标函数并给出求解方法。 074 ★★☆☆☆
从回归的角度定义PCA的目标函数并给出对应的求解方法。 078 ★★☆☆☆
线性判别分析的目标函数以及求解方法。 083 ★★☆☆☆
线性判别分析与主成分分析的区别与联系 086 ★★☆☆☆
第5章 非监督学习
K均值聚类算法的步骤是什么？ 093 ★★☆☆☆
高斯混合模型的核心思想是什么？它是如何迭代计算的？ 103 ★★☆☆☆
K均值聚类的优缺点是什么？如何对其进行调优？ 094 ★★★☆☆
针对K均值聚类的缺点，有哪些改进的模型？ 097 ★★★☆☆
自组织映射神经网络是如何工作的？它与K均值算法有何区别？ 106 ★★★☆☆
怎样设计自组织映射神经网络并设定网络训练参数？ 109 ★★★☆☆
以聚类算法为例，如何区分两个非监督学习算法的优劣？ 111 ★★★☆☆
证明K均值聚类算法的收敛性。 099 ★★★★☆
第6章 概率图模型
写出图6.1（a）中贝叶斯网络的联合概率分布。 118 ★☆☆☆☆
写出图6.1（b）中马尔可夫网络的联合概率分布。 119 ★☆☆☆☆
解释朴素贝叶斯模型的原理，并给出概率图模型表示。 121 ★★☆☆☆
解释最大熵模型的原理，并给出概率图模型表示。 122 ★★☆☆☆
常见的主题模型有哪些？试介绍其原理。 133 ★★☆☆☆
如何确定LDA模型中的主题个数？ 136 ★★☆☆☆
常见的概率图模型中，哪些是生成式的，哪些是判别式的？ 125 ★★★☆☆
如何对中文分词问题用隐马尔可夫模型进行建模和训练？ 128 ★★★☆☆
如何用主题模型解决推荐系统中的冷启动问题？ 137 ★★★☆☆
最大熵马尔可夫模型为什么会产生标注偏置问题？如何解决？ 129 ★★★★☆
第7章 优化算法
有监督学习涉及的损失函数有哪些？ 142 ★☆☆☆☆
训练数据量特别大时经典梯度法存在的问题，如何改进？ 155 ★☆☆☆☆
机器学习中哪些是凸优化问题？哪些是非凸优化问题？ 145 ★★☆☆☆
无约束优化问题的求解。 148 ★★☆☆☆
随机梯度下降法失效的原因。 158 ★★☆☆☆
如何验证求目标函数梯度功能的正确性？ 152 ★★★☆☆
随机梯度下降法的一些变种。 160 ★★★☆☆
L1正则化使得模型参数具有稀疏性的原理是什么？ 164 ★★★☆☆
第8章 采样
如何编程实现均匀分布随机数生成器？ 174 ★☆☆☆☆
