堵心好似八局

三、经典算法#没有最好的分类器，只有最合适的分类器#深度学习是数据驱动的，失去了数据，再精密的深度网络结构也是画饼充饥，无的放矢。#在很多实际问题中，我们很难得到海量且带有精确标注的数据，这时深度学习也就没有大显身手的余地，反而许多传统方法可以灵活巧妙地进行处理。#监督学习中的几种经典分类算法知识点：[1] SVM模型推导[2] 核函数[3] SMO（Sequential Minimal Optimization）算法[4] 逻辑回归[5] 线性回归[6] 多标签分类[7] Sof

二、模型评估#没有测量，就没有科学#在机器学习领域中，对模型的评估至关重要。只有选择与问题相匹配的评估方法，才能快速地发现模型选择或训练过程中出现的问题#模型评估主要分为离线评估和在线评估两个阶段。#针对分类、排序、回归、序列预测等不同类型的机器学习问题，评估指标的选择也有所不同。知道每种评估指标的精确定义、有针对性地选择合适的评估指标、根据评估指标的反馈进行模型调整，都是机器学习在模型评估阶段的关键问题#模型评估指标的局限性知识点：[1] 准确率（Accuracy）[2] 精确率（Pre

求解两数之和#easy问题重述#给定一个整数数组 nums 和一个目标值 target，请在该数组中找出和为目标值的那 两个 整数，并返回他们的数组下标。#可以假设每种输入只会对应一个答案。但是，数组中同一个元素不能使用两遍。示例:给定 nums = [2, 7, 11, 15], target = 9因为 nums[0] + nums[1] = 2 + 7 = 9返回 [0, 1]法一：暴力法暴力法很简单，遍历每个元素 x，并查找是否存在一个值与 target - x相等的目标元素

特征工程#对于一个机器学习问题，数据和特征往往决定了结果的上限，而模型、算法的选择及优化则是在逐步接近这个上限#特征工程，是对原始数据进行一系列工程处理，将其提炼为特征，作为输入供算法和模型使用。#本质上来讲，特征工程是一个表示和展现数据的过程。在实际工作中，特征工程旨在去除原始数据中的杂质和冗余，设计更高效的特征以刻画求解的问题与预测模型之间的关系。知识点：[1] 特征归一化[2][3][4][5]两种常用的数据类型：【1】结构化数据结构化数据类型可以看作关系型数据库的一张表，每