1. 模型的評(píng)估
- 精確率桑涎、召回率彬向；
、
攻冷；[宏精確率娃胆、宏召回率、微精確率等曼、微召回率]
-
里烦、
、
禁谦；[代碼敏感錯(cuò)誤率胁黑、代價(jià)曲線]
- 不平衡樣本的處理
- 偏差與方差、偏差與方差分解(推導(dǎo)過程)
2. 線性模型
-
的推導(dǎo)
- 平方誤差損失函數(shù)的推導(dǎo)
-
函數(shù)損失函數(shù)的推導(dǎo)
3. 支持向量機(jī)
- 拉格朗日乘子法
- 優(yōu)化目標(biāo)的推導(dǎo)(主問題)
- 優(yōu)化目標(biāo)的推導(dǎo)(對(duì)偶問題)
- 軟間隔的優(yōu)化目標(biāo)[支持向量]
- 核函數(shù)
- 支持向量回歸優(yōu)化目標(biāo)
4. 決策樹
- 熵州泊、聯(lián)合熵丧蘸、條件熵；它們之間的關(guān)系
- 相對(duì)熵遥皂、交叉熵力喷；它們之間的關(guān)系
- 節(jié)點(diǎn)劃分標(biāo)準(zhǔn)
- CART 劃分標(biāo)準(zhǔn)
- 連續(xù)值的處理流程
- 缺失值的處理流程
- 剪枝流程
5. 降維與度量學(xué)習(xí)
-
、原理推導(dǎo)
-
演训、原理推導(dǎo)
- 兩者之間的異同
- KNN的優(yōu)化(
弟孟、
)
6. 聚類
- 性能評(píng)估(聚類趨勢(shì)的估計(jì)、判定聚類簇?cái)?shù)样悟、評(píng)估聚類質(zhì)量)
-
(流程拂募、
的選擇方法)
-
(核心對(duì)象、密度直達(dá)窟她、密度可達(dá)陈症、密度相連)
- 層次聚類 (Scipy)
7. 集成學(xué)習(xí)
-
、
礁苗，一個(gè)是降低偏差爬凑、一個(gè)是降低方差
-
個(gè)隨機(jī)變量，兩兩之間的相關(guān)系數(shù)為
试伙，其均值的方差為
嘁信，推導(dǎo)過程
-
損失函數(shù)于样、算法步驟、原理推導(dǎo)
-
損失函數(shù)潘靖、算法步驟穿剖、原理推導(dǎo)
-
原理推導(dǎo)、工程優(yōu)化
- 兩者的異同
-
相比
7. NLP基礎(chǔ)
-
[
的維度]
8.Deep Learning 基礎(chǔ)
- 前向傳播推導(dǎo)
- 反向傳播梯度推導(dǎo)
- 激活函數(shù)(
副作用)
- 梯度爆炸和梯度消失
- 參數(shù)初始化(為什么不能都為0卦溢、各種初始化方法)
- 優(yōu)化方法
-
原理和作用
-
原理和作用
-
原理和作用
-
原理和作用
8.CNN
- 參數(shù)共享和稀疏連接的特性和作用
-
的方法糊余、作用
- 反向傳播的過程
9. RNN
- 解決什么問題，原理单寂，缺點(diǎn)
- 參數(shù)初始化問題(對(duì)角矩陣)
-
原理圖
-
原理圖贬芥、參數(shù)計(jì)算、機(jī)制
10. 大數(shù)據(jù)基礎(chǔ)
-
原理宣决、
過程
-
為什么比
-
-
-
-
與
操作的區(qū)別
-
-
-
