机器学习、深度学习面试知识点汇总
点击上方“小白学视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达作者丨Oldpan
来源丨oldpan博客
编辑丨极市平台
导读
本文总结了一些秋招面试中会遇到的问题和一些重要的知识点，适合面试前突击和巩固基础知识。
前言最近这段时间正临秋招，这篇文章是老潘在那会找工作过程中整理的一些重要知识点，内容比较杂碎，部分采集于网络，简单整理下发出来，适合面试前突击，当然也适合巩固基础知识。另外推荐大家一本叫做《百面机器学习》的新书，2018年8月份出版的，其中包括了很多机器学习、深度学习面试过程中会遇到的问题，比较适合需要准备面试的机器学习、深度学习方面的算法工程师，当然也同样适合巩固基础~有时间一定要需要看的书籍：
程序员的数学系列，适合重温知识，回顾一些基础的线性代数、概率论。
深度学习花书，总结类书，有基础知识的讲解，比较全面。
统计学习方法，总结类书，篇幅不长，都是核心。
PatternRecognitionandMachineLearning，条理清晰，用贝叶斯的方式来讲解机器学习。
机器学习西瓜书，适合当教材，内容较广但是不深。
百翻不烂的百面机器学习常见的常识题L1正则可以使少数权值较大，多数权值为0，得到稀疏的权值；L2正则会使权值都趋近于0但非零，得到平滑的权值；
在AdaBoost算法中，被错分的样本的权重更新比例的公式相同；
Boosting和Bagging都是组合多个分类器投票的方法，但Boosting是根据单个分类器的正确率决定其权重，Bagging是可简单地设置所有分类器权重相同；
EM算法不能保证找到全局最优值；
SVR中核函数宽度小欠拟合，宽度大容易过拟合
PCA和LDA都是经典的降维算法。PCA是无监督的，也就是训练样本不需要标签；LDA是有监督的，也就是训练样本需要标签。PCA是去除掉原始数据中冗余的维度，而LDA是寻找一个维度，使得原始数据在该维度上投影后不同类别的数据尽可能分离开来。
PCA是一种正交投影，它的思想是使得原始数据在投影子空间的各个维度的方差最大。假设我们要将N维的数据投影到M维的空间上（M