1. 基础算法 常见面试篇

1.1 过拟合和欠拟合 常见面试篇

• 一、过拟合和欠拟合 是什么？
• 二、过拟合 / 高方差（overfiting / high variance）篇
  • 2.1 过拟合是什么及检验方法？
  • 2.2 导致过拟合的原因是什么？
  • 2.3 过拟合的解决方法是什么？
• 三、欠拟合 / 高偏差（underfiting / high bias）篇
  • 3.1 欠拟合是什么及检验方法？
  • 3.2 导致欠拟合的原因是什么？
  • 3.3 过拟合的解决方法是什么？

1.2 BatchNorm vs LayerNorm 常见面试篇

• 一、动机篇
  • 1.1 独立同分布（independent and identically distributed）与白化
  • 1.2 （ Internal Covariate Shift，ICS）
  • 1.3 ICS 问题带来的后果是什么？
• 二、Normalization 篇
  • 2.1 Normalization 的通用框架与基本思想
• 三、Batch Normalization 篇
  • 3.1 Batch Normalization（纵向规范化）是什么？
  • 3.2 Batch Normalization（纵向规范化）存在什么问题？
  • 3.3 Batch Normalization（纵向规范化）适用的场景是什么？
  • 3.4 BatchNorm 存在什么问题？
• 四、Layer Normalization（横向规范化） 篇
  • 4.1 Layer Normalization（横向规范化）是什么？
  • 4.2 Layer Normalization（横向规范化）有什么用？
• 五、BN vs LN 篇
• 六、主流 Normalization 方法为什么有效？

1.3 激活函数 常见面试篇

• 一、动机篇
  • 1.1 为什么要有激活函数？
• 二、激活函数介绍篇
  • 2.1 sigmoid 函数篇
    • 2.1.1 什么是 sigmoid 函数？
    • 2.1.2 为什么选 sigmoid 函数 作为激活函数？
    • 2.1.3 sigmoid 函数 有什么缺点？
  • 2.2 tanh 函数篇
    • 2.2.1 什么是 tanh 函数？
    • 2.2.2 为什么选 tanh 函数 作为激活函数？
    • 2.2.3 tanh 函数 有什么缺点？
  • 2.3 relu 函数篇
    • 2.3.1 什么是 relu 函数？
    • 2.3.2 为什么选 relu 函数 作为激活函数？
    • 2.3.3 relu 函数 有什么缺点？
• 三、激活函数选择篇

1.4 正则化常见面试篇

• 一、L0，L1，L2 正则化 篇
  • 1.1 正则化 是什么？
  • 1.2 什么是 L0 正则化 ？
  • 1.3 什么是 L1 （稀疏规则算子 Lasso regularization）正则化 ？
  • 1.4 什么是 L2 正则化（岭回归 Ridge Regression 或者 权重衰减 Weight Decay）正则化 ？
• 二、对比篇
  • 2.1 什么是结构风险最小化？
  • 2.2 从结构风险最小化的角度理解 L1 和 L2 正则化
  • 2.3 L1 vs L2
• 三、dropout 篇
  • 3.1 什么是 dropout？
  • 3.2 dropout 在训练和测试过程中如何操作？
  • 3.3 dropout 如何防止过拟合?

1.5 优化算法及函数 常见面试篇

• 一、动机篇
  • 1.1 为什么需要 优化函数？
  • 1.2 优化函数的基本框架是什么?
• 二、优化函数介绍篇
  • 2.1 梯度下降法是什么?
  • 2.2 随机梯度下降法是什么?
  • 2.3 Momentum 是什么?
  • 2.4 SGD with Nesterov Acceleration 是什么?
  • 2.5 Adagrad 是什么?
  • 2.6 RMSProp/AdaDelta 是什么？
  • 2.7 Adam 是什么?
  • 2.8 Nadam 是什么?
• 三、优化函数学霸笔记篇

1.6 归一化 常见面试篇

• 一、动机篇
  • 1.1 为什么要归一化？
• 二、介绍篇
  • 2.1 归一化 有 哪些方法？
  • 2.2 归一化 各方法 特点？
  • 2.3 归一化 的 意义？
• 三、应用篇
  • 3.1 哪些机器学习算法 需要做 归一化？
  • 3.2 哪些机器学习算法 不需要做 归一化？

1.8 [判别式（discriminative）模型 vs. 生成式 (generative) 模型 常见面试篇]

• 一、判别式模型篇
  • 1.1 什么是判别式模型？
  • 1.2 判别式模型是思路是什么？
  • 1.3 判别式模型的优点是什么？
• 二、生成式模型篇
  • 2.1 什么是生成式模型？
  • 2.2 生成式模型是思路是什么？
  • 2.3 生成式模型的优点是什么？
  • 2.4 生成式模型的缺点是什么？

2. 机器学习算法篇 常见面试篇

2.1 逻辑回归 常见面试篇

• 一、介绍篇
  • 1.1 什么是逻辑回归
  • 1.2 逻辑回归的优势
• 二、推导篇
  • 2.1 逻辑回归推导
  • 2.2 求解优化

2.2 支持向量机 常见面试篇

• 一、原理篇
  • 1.1 什么是 SVM？
    • Q.A
  • 1.2 SVM 怎么发展的？
  • 1.3 SVM 存在什么问题？
    • Q.A
• 二、算法篇
  • 2.1 什么是块算法？
  • 2.2 什么是分解算法？
  • 2.3 什么是序列最小优化算法？
  • 2.4 什么是增量算法？
    • Q.A
• 三、其他 SVM 篇
  • 3.1 什么是最小二次支持向量机？
  • 3.2 什么是模糊支持向量机？
  • 3.3 什么是粒度支持向量机？
  • 3.4 什么是多类训练算法？
  • 3.5 什么是孪生支持向量机？
  • 3.6 什么是排序支持向量机？
    • Q.A
• 四、应用篇
  • 4.1 模式识别
  • 4.2 网页分类
  • 4.3 系统建模与系统辨识
  • 4.4 其他
• 五、对比篇
• 六、拓展篇

2.3 集成学习 常见面试篇

• 一、动机
• 二、集成学习介绍篇
  • 2.1 介绍篇
    • 2.1.1 集成学习的基本思想是什么？
    • 2.1.2 集成学习为什么有效？
• 三、 Boosting 篇
  • 3.1 用一句话概括 Boosting？
  • 3.2 Boosting 的特点是什么？
  • 3.3 Boosting 的基本思想是什么？
  • 3.4 Boosting 的特点是什么？
  • 3.5 GBDT 是什么？
  • 3.6 Xgboost 是什么？
• 四、Bagging 篇
  • 4.1 用一句话概括 Bagging？
  • 4.2 Bagging 的特点是什么？
  • 4.3 Bagging 的基本思想是什么？
  • 4.4 Bagging 的基分类器如何选择？
  • 4.5 Bagging 的优点 是什么？
  • 4.6 Bagging 的特点是什么？
  • 4.7 随机森林 是什么？
• 五、 Stacking 篇
  • 5.1 用一句话概括 Stacking ？
  • 5.2 Stacking 的特点是什么？
  • 5.3 Stacking 的基本思路是什么？
• 六、常见问题篇
  • 6.1 为什么使用决策树作为基学习器？
  • 6.2 为什么不稳定的学习器更适合作为基学习器？
  • 6.3 哪些模型适合作为基学习器？
  • 6.4 Bagging 方法中能使用线性分类器作为基学习器吗？ Boosting 呢？
  • 6.5 Boosting/Bagging 与 偏差 / 方差 的关系？
• 七、对比篇
  • 7.1 LR vs GBDT?

3. 关于 Python

• 【关于 Python 】
  • 一、什么是 * args 和 **kwargs？
    • 1.1 为什么会有 *args 和 **kwargs？
    • 1.2 *args 和 **kwargs 的用途是什么？
    • 1.3 *args 是什么？
    • 1.4 **kwargs 是什么？
    • 1.5 *args 与 **kwargs 的区别是什么？
  • 二、什么是装饰器？
    • 2.1 装饰器是什么？
    • 2.2 装饰器怎么用？
  • 三、Python 垃圾回收（GC）
    • 3.1 垃圾回收算法有哪些？
    • 3.2 引用计数（主要）是什么？
    • 3.3 标记 - 清除是什么？
    • 3.4 分代回收是什么？
  • 四、python 的 sorted 函数对字典按 key 排序和按 value 排序
    • 4.1 python 的 sorted 函数是什么？
    • 4.2 python 的 sorted 函数举例说明？
  • 五、直接赋值、浅拷贝和深度拷贝
    • 5.1 概念介绍
    • 5.2 介绍
    • 5.3 变量定义流程
    • 5.3 赋值
    • 5.4 浅拷贝
    • 5.5 深度拷贝
    • 5.6 核心：不可变对象类型 and 可变对象类型
      • 5.6.1 不可变对象类型
      • 5.6.2 可变对象类型
  • 六、进程、线程、协程
    • 6.1 进程
      • 6.1.1 什么是进程？
      • 6.1.2 进程间如何通信？
    • 6.2 线程
      • 6.2.1 什么是线程？
      • 6.2.2 线程间如何通信？
    • 6.3 进程 vs 线程
      • 6.3.1 区别
      • 6.3.2 应用场景
    • 6.4 协程
      • 6.4.1 什么是协程？
      • 6.4.2 协程的优点？
  • 七、全局解释器锁
    • 7.1 什么是全局解释器锁？
    • 7.2 GIL 有什么作用？
    • 7.3 GIL 有什么影响？
    • 7.4 如何避免 GIL 带来的影响？

4. 关于 Tensorflow

• 【关于 Tensorflow 损失函数】
  • 一、动机
  • 二、什么是损失函数？
  • 三、目标函数、损失函数、代价函数之间的关系与区别？
  • 四、损失函数的类别
    • 4.1 回归模型的损失函数
      • （1）L1 正则损失函数（即绝对值损失函数）
      • （2）L2 正则损失函数（即欧拉损失函数）
      • （3）均方误差（MSE, mean squared error）
      • （4）Pseudo-Huber 损失函数
    • 4.2 分类模型的损失函数
      • （1）Hinge 损失函数
      • （2）两类交叉熵（Cross-entropy）损失函数
      • （3）Sigmoid 交叉熵损失函数
      • （4）加权交叉熵损失函数
      • （5）Softmax 交叉熵损失函数
      • (6) SparseCategoricalCrossentropy vs sparse_categorical_crossentropy