机器学习面试干货
原文章地址链接:https://zhuanlan.zhihu.com/p/32877396
机器学习理论和实践专栏:https://zhuanlan.zhihu.com/c_152307828
整体内容划分:
推荐书单、公开课、面试核心内容提纲
面试核心内容目录:
决策树
随机森林
Adaboost
GBDT
logistic 回归
SVM支持向量机
朴素贝叶斯
xgboost
lightgbm
网络公开课:
麻省理工公开课 线性代数——学习矩阵理论及线性代数的基本知识,推荐笔记MIT线性代数课程精细笔记by忆瑧。
台大机器学习公开课——授课人林轩田,课程分为机器学习基石和机器学习技法两部分。
华盛顿大学机器学习公开课——华盛顿大学在Coursera开的机器学习专项课,共有四个部分,这个课直接从应用案例开始讲起,对于回归,分类,协同过滤和情感分析等都会具体去讲怎么实现应用,并且会告诉你如何在Python中利用网上一些现有的库来实现特定的功能,也就是说基本上在课程的第一部分你就可以全面的知道机器学习能够在现实生活中的应用,以及简单方式去实现一些功能。
斯坦福大学公开课 机器学习——Andrew Ng(吴恩达)在斯坦福开设的CS229,难度远高于Coursera上面的课程。
书单:
《机器学习》by 周志华,这是一本中国无数Machine Learning热爱者的启蒙教材,它非常合适没有任何背景的初学者看,每一个概念的来龙去脉讲的都很细致,是一本大而全的教材。
《统计学习方法》by 李航,这本书主要偏优化和推倒,推倒相应算法的时候可以参考这本书。虽然只是薄薄的一本,但全是精华内容。
《机器学习实战》by Peter Harrington,可以对应《统计学习方法》进行实现代码。
《Pattern Recognition And Machine Learning》 by Christopher Bishop,属于机器学习进阶书籍,内容全,建议首先完成以上三本书籍,再看这本。
《利用Python进行数据分析》——Python常用的库学习(numpy,pandas)
《剑指offer》——常见面试题,面试必备。
最后推荐一个网站,收集了进阶的机器学习各种资源Github机器学习Machine-Learning