決策樹id3和c4.5的差別？各自優點？
boost演算法
cart（回歸樹用平方誤差最小化準則，分類樹用基尼指數最小化準則）
gbdt與隨機森林演算法的原理以及區別。
優化演算法中常遇到的kkt條件？作用是？
最近鄰演算法knn（分類與回歸）
l1和l2函式？l1和l2正則項的比較，如何解決 l1 求導困難？
l1正則為何可把係數壓縮成0，說明座標下降法的具體實現細節
lr為什麼用sigmoid函式。這個函式有什麼優點和缺點？為什麼不用其他函式？
lr和svm的區別？libsvm和liblinear的區別？
logistics與隨機森林比較
logistics（理論推導）；logistic回歸的推導，如何得到objective function？
svm與隨機森林的差別？
svm為何要引入拉格朗日的優化方法？
svm原問題和對偶問題關係？
svm在哪個地方引入的核函式, 如果用高斯核可以公升到多少維。
svm如何防止過擬合？
svm的目標函式？常用的核函式有哪些？
svm的過程，理論推導
bagging、adaboost、boosting區別在哪
em 與 k-means 的關係？
k-means演算法中的k如何選取？
k-means演算法初始點怎麼選擇？
k-means的原理，優缺點以及改進。
k折交叉驗證中k取值多少有什麼關係？
l2懲罰項是怎麼減小overfitting的？l1，l2等範數的通式是？差別是？在什麼場景下用什麼範數？l1在0處不可導，怎麼處理？
隨機森林和gbdt差別？
rf, gbdt, xgboost的區別？
為什麼要做資料歸一化？
梯度下降法的原理以及各個變種（批量梯度下降，隨機梯度下降法，mini 梯度下降法），以及這幾個方法會不會有區域性最優問題。
牛頓法原理和適用場景，有什麼缺點，如何改進（擬牛頓法）
什麼情況下一定會發生過擬合？
貝葉斯估計？
介紹lr、rf、gbdt ，分析它們的優缺點
會哪些機器學習演算法？資訊熵公式？
決策樹原理；決策樹處理連續值的方法；決策樹如何防止過擬合；決策樹過擬合哪些方法，前後剪枝。
分類模型可做回歸分析嗎？反過來可以嗎？
分類模型和回歸模型的區別？
判別模型和生成模型？差別
各個模型的loss function，牛頓學習法、sgd如何訓練。
在模型的訓練迭代中，怎麼評估效果？
如何防止過擬合（增加資料，減少模型複雜度->正則化）
對於同分布的弱分類器，求分類器均值化之後的分布的均值跟方差。
對於機器學習你都學了哪些？講乙個印象深的。
常見分類模型（ svm，決策樹，貝葉斯等）的優缺點，適用場景以及如何選型
資料歸一化的方式
手寫k-means的偽**。
手寫svm硬軟間隔對偶的推導
手寫邏輯回歸（損失函式及更新方式推導）
bp演算法原理
改變隨機森林的訓練樣本資料量，是否會影響到隨機森林學習到的模型的複雜度？
資料探勘各種演算法，以及各種場景下的解決方案
是否了解mutual infomation、chi-square、lr前後向、樹模型等特徵選擇方式。
是否了解線性加權、bagging、boosting、cascade等模型融合方式
有哪些常見的分類器，簡單介紹下原理
機器學習與深度學習的區別
線性回歸與邏輯回歸區別？
機器學習：幾種樹模型的原理和對比，樸素貝葉斯分類器原理以及公式，出現估計概率值為 0 怎麼處理（拉普拉斯平滑），缺點；
dbscan聚類演算法原理
主成分分析法原理、mapreduce原理、spark等（資料崗題）
梯度下降、牛頓、擬牛頓演算法的原理
梯度下降的優缺點。
深度學習有很大部分是cnn，給他用通俗的語言解釋下卷積的概念，解釋下cnn中的優勢及原因
牛頓法、隨機梯度下降演算法和直接梯度下降演算法的區別？
牛頓法推導
特徵選擇方法有哪些
由資料引申到資料不平衡怎麼處理（10w正例，1w負例，牛客上有原題）
聊聊svm，這段說了好久，從基本的線性可分到不可分，相關公升維，各種核函式，每個是如何實現公升。以及出現了xx問題，分析是樣本的原因還是其他原因。針對不同情況，採取什麼解決方案較好。
自己實現過什麼機器學習演算法
解決過擬合的方法有哪些？
解釋一下過擬合和欠擬合，有哪些方法防止過擬合。
如何構造決策樹、計算資訊熵和資訊增益、說明c4.5 、id3、 cart的區別及優缺點
詳細討論了樣本取樣和bagging的問題
說一下adaboost，權值更新公式。當弱分類器是lr時，每個樣本的的權重是w1，w2…,寫出最終的決策公式。
說了一下bagging跟boosting。
說明l1和l2正則的效果與為什麼形成這種情況（l1正則稀疏，l2正則平滑，之後說明就是畫圖說明正則化）
選個你熟悉的機器學習方法 ，著重介紹一下產生原因，推導公式，背後統計意義什麼等等
邏輯回歸估計引數時的目標函式
邏輯回歸的值表示概率嗎？
資料探勘的基礎知識，包括svm,邏輯回歸、em、k-means等，然後給出很多場景問你遇到這些情況你如何處理資料，怎麼進行建模等
隨機梯度下降，標準梯度
隨機森林和gbdt的區別？lr的引數怎麼求解？有沒有最優解？
Qml settings 需要注意的問題
qml 中使用 settings 可以儲存一些簡單的資訊，例如使用者名稱，密碼，視窗位置，大小等，沒有sqlite那麼麻煩，簡單易用哦 環境 qt5.8 for android windows 7 main.qml import qtquick 2.7import qtquick.window 2....
pathname需要注意的問題
假如我們開啟埠並設定只有pathname為 a b c時頁面才會跳轉向index.html，且html中引入css檔案，這時候css檔案的路徑會影響關於路徑名的配置。例如rel stylesheet href demo.css css的請求路徑會變成 localhost 3000 a b demo....
php clone需要注意的問題
當乙個物件的屬性是另外乙個物件時，當有乙個物件複製該物件時，當複製到這個屬性 乙個物件 時，只複製這個屬性 物件 的引用，而不複製引用的物件。class account class person function setid id function clone p1 new person tom 3...