机器学习基础从入门到求职电子书PDF下载|百度网盘下载

编辑评论：

《机器学习基础：从入职到求职》的定位是帮助求职者快速入门，掌握机器学习相关的基础核心知识，降低学习成本，节省更多时间。

编辑推荐

适合的受众：机器学习的初级和中级读者、机器学习工作的求职者

《机器学习基础：从入门到求职》的定位是帮助求职者快速入门，掌握机器学习相关的基础核心知识，降低学习成本，节省更多时间。

但是，《机器学习基础：从入门到求职》并没有介绍如何求职以及如何面试。相反，它在前言中列出了与机器学习算法相关的常见问题。读者阅读前言后，可以自行判断哪些方面需要改进。然后学习本书的相关章节，会让你更接近机器学习求职的起点。

简介

本书是机器学习算法的理论+实践读物，主要包括六个部分：机器学习基础理论、回归模型、分类模型、聚类模型、降维模型和深度学习模型。机器学习基础理论包括第1章和第2章，主要介绍机器学习的理论基础和工程实践基础。第三章是回归模型部分，主要包括模型的建立、学习策略的确定和优化算法的求解过程。最后结合三种常见的线性回归模型，实现了一个房价预测的案例。第 4 章到第 11 章详细介绍了几种常见的分类模型，包括朴素贝叶斯模型、K-最近邻模型、决策树模型、逻辑回归模型、支持向量机模型、随机森林模型、AdaBoost 模型和 Boosted Tree 模型，每个模型给出了更详细的推导过程和实际应用案例。第12章系统介绍了五种常见的聚类模型，包括K-Means聚类、层次聚类、密度聚类、谱聚类和高斯混合聚类，对每种模型的原理、优缺点和工程应用实践进行了较为详细的描述。第13章系统介绍了四种常用的降维方法，包括奇异值分解、主成分分析、线性判别分析和局部线性嵌入，并给出了详细的理论推导和分析。最后两章是词向量模型和深度神经网络模型。词向量模型详细介绍了Word2Vec和Doc2Vec模型的原理推导和应用；深度神经网络模型系统介绍了与深度学习相关的各种基础知识。本书适合对人工智能和机器学习感兴趣的同学、求职者和上班族，以及想以机器学习为工具的跨行业人士（基础高等数学、线性代数、概率基础就够了） )，建议您阅读本书的前言，了解具体的识别方法。

机器学习求职60题

类型 1：基本概念

问题1：过拟合和欠拟合（定义、原因和解决方法是什么）。

问题2：L1正则化和L2正则化（常见的正则化方法有哪些？它们的作用是什么？有什么区别？为什么加入正则化项可以防止模型过拟合）。

问题 3：模型方差和偏差（你能解释一下机器学习中的方差和偏差吗？哪些模型减少了模型方差？哪些模型减少了模型偏差？举个例子）。

问题4：奥卡姆剃刀（谈谈机器学习中的奥卡姆阶梯原理）。

问题5：模型评价指标（回归模型和分类模型常用的评价指标有哪些？它们的含义是什么？解释一下AUC？你平时实践中使用了哪些评价指标？为什么选择这些指标）。

问题6：风险函数（谈谈经验风险和结构风险的含义、异同点）。

问题7：优化算法（机器学习中常见的优化算法有哪些？梯度下降法和牛顿法的原理推导）。

问题8：激活函数（神经网络模型中常用的激活函数有哪些？说说它们的特点）。

问题9：核函数（核函数的定义和作用是什么？常用的核函数有哪些？你用过哪些核函数？说说高斯核函数中参数的作用）。

Problem 10: Gradient Vanishing and Gradient Explosion（解释梯度消失和梯度爆炸问题及其各自的解决方案）。

问题 11：有监督和无监督学习

问题12：生成模型和判别模型（你知道生成模型和判别模型吗？它们的特点是什么？哪些模型是生成模型，哪些是判别模型）。

类型2：模型原理类

问题13：线性回归（线性回归模型原理、损失函数、正则化项）。

第十四题：KNN模型（KNN模型原理、三要素、优化方案及模型优缺点）。

问题 15：朴素贝叶斯（朴素贝叶斯模型的原理推导、拉普拉斯平滑、最大化后验概率的含义以及模型的优缺点）。

问题16：决策树（决策树模型原理、特征评价指标、剪枝过程及原理，几种常见的决策树模型，各自的优缺点）。

问题17：随机森林模型（RF模型的基本原理，RF模型的两个“随机”。下面从bias和variance的角度来谈谈RF模型的优缺点，以及RF模型和梯度的区别）提升树模型）。

问题18：AdaBoost（AdaBoost模型的原理推导，从偏差和方差的角度看AdaBoost和AdaBoost模型的优缺点）。

问题19：梯度提升树模型（GBDT模型的原理推导，使用GBDT模型进行特征组合的过程，GBDT模型的优缺点）。

问题20：XGBoost（XGBoost模型的基本原理，XGBoost模型与GBDT模型的异同，XBGoost模型的优缺点）。

问题21：Logistic回归模型（LR模型的原理和本质，LR模型的损失函数，能不能用均方损失，为什么）。

问题22：支持向量机模型（SVM模型的原理，什么是“支持向量”？为什么要用拉格朗日对偶？说说KKT条件、软区间SVM和硬区间SVM的异同。SVM呢？实现非线性分类？SVM常用的核函数有哪些？SVM模型有哪些优缺点）。

问题23：K-Means聚类（K-Means聚类的过程和原理是什么？有哪些优化方案？各有什么优缺点）。

问题24：层次聚类（层次聚类的过程、原理、优缺点）。

问题 25：密度聚类（密度聚类的基本原理和优缺点）。

问题26：谱聚类（谱聚类的基本原理和优缺点）。

问题27：高斯混合聚类（高斯混合聚类的原理和优缺点）。

问题28：EM算法（EM算法的推导过程和应用场景）。

第29题：特征分解和奇异值分解（特征分解和奇异值分解的原理、异同、应用场景）。

第30题：主成分分析（PCA模型的原理、过程和应用场景）。

第31题：线性判别分析（LDA模型的原理、过程和应用场景）。

问题32：局部线性嵌入（LLE模型的原理、过程、应用场景）。

第33题：词向量（Word2Vec模型和Doc2Vec模型的分类，它们各自的原理推导、应用和参数调整）。

问题34：深度神经网络（深度神经网络模型原理，反向传播的推导过程，常用的激活函数，如何解决梯度消失和梯度爆炸的问题？说说Dropout，early stop，Regularization ）。

类型3：模型对比类

问题35：LR模型和SVM模型的异同。

问题 36：LR 模型和朴素贝叶斯模型的异同。

问题 37：KNN 模型和 K-Means 模型的异同。

问题 38：ID3、C4.5 和 CART 模型之间的异同。

问题 39：PCA 模型和 LDA 模型的异同。

问题 40：Bagging 和 Boosting 模型的异同。

问题41：GBDT模型和XGBoost模型的异同。

问题42：Word2Vec模型中CWOB模式和Skip模式的异同。

问题43：Word2Vec模型和Doc2Vec模型的异同。

类型 4：模型技能

问题44：模型调优（选择上面提到的任何一种模型，说说它的调优方法和过程）。

问题45：特征组合（特征组合的常用方式有哪些？各有什么特点）。

问题 46：特征工程（通过实践解释你对特征工程的理解）。

问题47：缺失值问题（说说你遇到过的缺失值处理问题，你知道哪些缺失值处理方法？

问题48：样本不平衡问题（你知道样本不平衡问题吗？你是怎么处理的？效果如何？除了上采样和下采样，你能不能自己设计任何新颖的方法）。

问题49：特征筛选（特征筛选的常用方法有哪些？结合自己的实践经验，说说它们的原理和特点。）

问题50：模型选择（一般如何选择合适的模型？有实例吗？）

问题51：模型组合（你知道哪些模型组合方法？除了使用AdaBoost和RF等模型，你有没有使用Bagging和Embedding方法组合模型？用实例说明）。

问题 52：AB 测试（了解 AB 测试？为什么使用 AB 测试）。

问题53：降维（为什么要使用降维？你知道哪些降维方法？你用过哪些降维方法？用实际使用说明）。

问题 54：项目（你做过哪些相关的项目？选择一个你觉得印象最深刻的项目并解释一下）。

问题55：陷坑（你在使用机器学习模型时踩过哪些坑？你最后是怎么解决的）。

类型 5：求职技巧

问题 56：我应该为机器学习求职准备哪些项目？如何准备每一封信函？

问题57：机器学习相关的学习内容有哪些？留学路线应该如何确定？推荐的学习材料有哪些？

问题 58：机器学习作业的交付方式有哪些？什么时候交货最好？投放目标应该如何选择？

问题 59：申请机器学习职位的最佳简历是什么？应该如何描述完成的项目？

问题 60：面试时介绍自己的恰当方式是什么？应如何纠正求职态度？如何应对压力？如何控制面试过程？如何回答面试官最后的“你还想问我什么”问题？如何面对最终的HR面试？