机器学习面试宝典，有这一本就够了。
在机器学习和数据科学岗位的面试中，机器学习领域的概念是经常考察的内容。一位近期经过 27 次 AI 领域面试的开发者根据自己的面试实战经验撰写了一份机器学习资料。
这份资料适用于机器学习初学者，包含机器学习中经典常用的基础概念。值得一提的是，每个章节的末尾还附带教程和练习题，帮助读者进一步掌握书中讲解的概念知识。
下载地址：https://www.confetti.AI/aSSets/Ml-pRiMeR/Ml_pRiMeR.pdf
这本书包括监督学习、机器学习实践、无监督学习和深度学习四章。
第一章：监督学习
该章节介绍了线性回归、logistic 回归、朴素贝叶斯、支持向量机、决策树和 K – 近邻算法。
线性回归
线性回归是最常见且使用范围最广的一种机器学习技术。它是一种非常直观的监督学习算法。顾名思义，线性回归是一种回归方法，这意味着它适用于标签是连续值的情况。此外，线性回归试图寻求与线性数据的拟合。
logistic 回归
现实世界中绝大多数问题都涉及到分类。这里介绍的第一个分类算法是 logistic 回归。
朴素贝叶斯
朴素贝叶斯是一种优秀的机器学习模型。在深入了解朴素贝叶斯之前，这里首先探讨了判别模型和生成模型这两种机器学习模型的区别。
支持向量机
这部分探讨了支持向量机这种分类算法。即使在今天，支持向量机依然是用于新分类任务的最佳算法之一。
决策树
决策树是一种出色的模型，它不仅功能强大，而且易于解释。
K – 近邻算法
K – 近邻算法是一种监督学习模型。
第二章：机器学习实践
控制模型偏见
构建监督学习模型背后有哪些理论支撑呢？这里探讨了偏差 – 方差权衡，这是机器学习中最重要的原则之一。
如何选择模型
模型选择过程中有哪些细节？这里主要关注的是，如何使用现有数据和建立的模型来选择最佳模型。
你需要什么特征
特征选择与模型选择紧密相关。
模型正则化
模型正则化在机器学习中极为重要。
模型集成
集成的核心思想是将一组模型组合在一起，以获得性能更高的模型。
模型评估
模型评估对于训练和交叉验证尤其重要。
无监督学习
购物篮分析
购物篮分析是无监督学习算法的一个示例。
K-Means 聚类算法
这一部分介绍了 K-Means 聚类算法。
主成分分析
主成分分析是这本资料介绍的首个数据降维技术。
深度学习
前馈神经网络
从前馈神经网络开始，作者开始深入探讨深度学习。
神经网络实践
上一节介绍了前馈神经网络的示例，但漏掉了一些细节。本节将对这些问题进行总结。
卷积神经网络
2012 年，来自多伦多大学的研究团队提出世界上第一个完全使用神经网络构建的图像识别系统 AlexNet。
循环神经网络
卷积神经网络与视觉任务相关，而循环神经网络曾经是语言相关问题的标准模型。
作者介绍