目的

为了增进对机器学习算法的学习，目前暂定一周一次讨论课，这里主要对课上的讨论结果进行记录，以增进记忆，方便日后查看学习

主要内容

本次讨论课的题目及解答如下所示：

1、逻辑回归估计参数时的目标函数。[百度 2016 校招]

  http://kubicode.me/2015/08/16/Machine%20Learning/Algorithm-Summary-for-Interview/

2、逻辑回归估计参数时的目标函数 如果加上一个先验的服从高斯分布的假设，会是什么样

3、SVM在哪个地方引入的核函数

4、如果用高斯核可以升到多少维?

5、什么是贝叶斯估计

6、k折交叉验证 中k取值多少有什么关系，bias，variance是什么？

7、逻辑回归的值表示概率吗？

8、分类模型和回归模型的区别

9、分类模型可以做回归分析吗？反过来可以吗？

1、SVM的原理推导 [美团 2016 校招]

   http://blog.sina.com.cn/s/blog_4298002e010144k8.html

2、讲一下random forest 和 GBDT的区别

3、特征选取怎么选？ 为什么信息增益可以用来选特征？

4、倒排索引的原理

考虑两个分类器：1）核函数取二次多项式的SVM分类器和2）没有约束的高斯混合模型（每个类别为一个高斯模型）。我们对R2空间的点进行两类分类。假设数据完全可分，SVM分类器中不加松弛惩罚项，并且假设有足够多的训练数据来训练高斯模型的协方差。下面说法正确的是？
A.SVM的VC维大于高斯混合模型的VC维
B.SVM的VC维小于高斯混合模型的VC维
C.两个分类器的结构风险值相同
D.这两个分类器的VC维相同

下面说法正确的是？
A.梯度下降有时会陷于局部极小值，但ＥＭ算法不会。
B.ＳＶＭ对噪声鲁棒。
C.当训练数据较多时更容易发生过拟合。
D.给定ｎ个数据点，如果其中一半用于训练，另一半用于测试，则训练误差和测试误差之间的差别会随着ｎ的增加而减小。

总结

  这一部分主要是近期整理的一些机器学习数据挖掘相关的校招题，日后大概每周会进行一次校招题讲解，旨在深入理解常用的机器学习算法，加强机器学习基本功。