闲来无聊，整理下，以飨各位
K-means，如何用hadoop实现k-means
naive bayes和logistic regression的区别
LDA的原理和推导
做广告点击率预测，用哪些数据什么算法
推荐系统的算法中最近邻和矩阵分解各自适用场景
需要进行公式推导的
SVM
LR
贝叶斯
LSTM 推导
机器学习：
1、请简要介绍下SVM （http://blog.csdn.net/v_july_v/article/details/7624837）
2、哪些机器学习算法不需要做归一化处理？
3、对于树形结构为什么不需要归一化？
4、在k-means或kNN，我们常用欧氏距离来计算最近的邻居之间的距离，有时也用曼哈顿距离，请对比下这两种距离的差别
5、数据归一化（或者标准化，注意归一化和标准化不同）的原因
（http://blog.csdn.net/woaidapaopao/article/details/77806273）
6、请简要说说一个完整机器学习项目的流程
7、逻辑斯特回归为什么要对特征进行离散化。
34、简单介绍下logistics回归？
8、简单介绍下LR （把LR从头到脚都给讲一遍。
（http://blog.csdn.net/cyh_24/article/details/50359055）
（https://blog.csdn.net/zouxy09/article/details/20319673）
9、overfitting怎么解决
10、LR和SVM的联系与区别
11、什么是熵 （https://blog.csdn.net/v_july_v/article/details/40508465）
14、熵、联合熵、条件熵、相对熵、互信息的定义
21、什么是最大熵
12、说说梯度下降法。
13、牛顿法和梯度下降法有什么不同？
15、说说你知道的核函数
16、什么是拟牛顿法（Quasi-Newton Methods）？
17、kmeans的复杂度？
18、请说说随机梯度下降法的问题和挑战？
19、说说共轭梯度法？
20、对所有优化问题来说, 有没有可能找到比現在已知算法更好的算法？
22、LR与线性回归的区别与联系
23、简单说下有监督学习和无监督学习的区别
24、请问（决策树、Random Forest、Booting、Adaboot）GBDT和XGBoost的区别是什么？
（https://blog.csdn.net/v_july_v/article/details/7577684）
（https://blog.csdn.net/ns708865818/article/details/51426624）
25、了解正则化么
32、L1和L2的区别
33、L1和L2正则先验分别服从什么分布
26、说说常见的损失函数？
27、为什么xgboost要用泰勒展开，优势在哪里？
29、xgboost如何寻找最优特征？是又放回还是无放回的呢？
28、协方差和相关性有什么区别？
30、谈谈判别式模型和生成式模型？
31、线性分类器与非线性分类器的区别以及优劣
35、说一下Adaboost，权值更新公式。当弱分类器是Gm时，每个样本的的权重是w1，w2...，请写出最终的决策公式。（http://blog.csdn.net/v_july_v/article/details/40718799）
36、经常在网上搜索东西的朋友知道，当你不小心输入一个不存在的单词时，搜索引擎会提示你是不是要输入某一个正确的单词，比如当你在Google中输入“Julw”时，
系统会猜测你的意图：是不是要搜索“July”，如下图所示：
这叫做拼写检查。根据谷歌一员工写的文章显示，Google的拼写检查基于贝叶斯方法。请说说的你的理解，具体Google是怎么利用贝叶斯方法，实现"拼写检查"的功能。
37、为什么朴素贝叶斯如此“朴素”？45、简单说说贝叶斯定理 （https://blog.csdn.net/v_july_v/article/details/40984699）
38、请大致对比下plsa和LDA的区别
（http://blog.csdn.net/v_july_v/article/details/41209515）
39、请简要说说EM算法
40、KNN中的K如何选取的？
（https://blog.csdn.net/v_july_v/article/details/8203674）
41、防止过拟合的方法
42、机器学习中，为何要经常对数据做归一化
（http://www.cnblogs.com/LBSer/p/4020370.html）
43、什么最小二乘法？最小二乘法跟SVM有什么联系呢？请参见《支持向量机通俗导论（理解SVM的三层境界）
44、梯度下降法找到的一定是下降最快的方向么？
46、怎么理解决策树、xgboost能处理缺失值？而有的模型(svm)对缺失值比较敏感。
（https://www.zhihu.com/question/58230411）
47、标准化与归一化的区别？
48、随机森林如何处理缺失值？
49、随机森林如何评估特征重要性？
50、优化Kmeans？
51、KMeans初始类簇中心点的选取。
52、解释对偶的概念。
53、如何进行特征选择？
54、衡量分类器的好坏？
55、机器学习和统计里面的auc的物理意义是啥？（https://www.zhihu.com/question/39840928）
56、数据预处理。
57、观察增益gain, alpha和gamma越大，增益越小？
58、什麽造成梯度消失问题?
59、简单说说特征工程。
60、你知道有哪些数据处理和特征工程的处理？
61、准备机器学习面试应该了解哪些理论知识？
62、数据不平衡问题
63、特征比数据量还大时，选择什么样的分类器？
63、特征比数据量还大时，选择什么样的分类器？
（http://blog.sina.com.cn/s/blog_178bcad000102x70r.html ）
64、常见的分类算法有哪些？
65、常见的监督学习算法有哪些？
66、说说常见的优化算法及其优缺点？
67、特征向量的归一化方法有哪些？
68、RF与GBDT之间的区别与联系？
69、
70、请比较下EM算法、HMM、CRF
71、带核的SVM为什么能分类非线性问题？
72、请说说常用核函数及核函数的条件
73 boosting与bagging的区别
74 逻辑回归
75、什么是共线性, 跟过拟合有什么关联?
76、机器学习中，有哪些特征选择的工程方法？ （答案有点怪异
77、用贝叶斯机率说明Dropout的原理
78、对于维度极低的特征，选择线性还是非线性分类器？
79、请问怎么处理特征向量的缺失值
80、SVM、LR、决策树的对比。
81、什么是ill-condition病态问题？
82、简述KNN最近邻分类算法的过程？
83、常用的聚类划分方式有哪些？列举代表算法。
84、什么是偏差与方差？ （过拟合与欠拟合）
85、解决bias和Variance问题的方法是什么？
86、采用 EM 算法求解的模型有哪些，为什么不用牛顿法或梯度下降法？
87、xgboost怎么给特征评分？
88、什么是OOB？随机森林中OOB是如何计算的，它有什么优缺点？
89、推导朴素贝叶斯分类 P(c|d)，文档 d（由若干 word 组成），求该文档属于类别 c 的概率， 并说明公式中哪些概率可以利用训练集计算得到
深度学习：
1、CNN的卷积核是单层的还是多层的？
2、什么是卷积？
3、什么是CNN的池化pool层？
4、简述下什么是生成对抗网络。
5、学梵高作画的原理是什么？
6、请简要介绍下tensorflow的计算图
7、你有哪些deep learning（rnn、cnn）调参的经验？ (*)
8、CNN最成功的应用是在CV，那为什么NLP和Speech的很多问题也可以用CNN解出来？为什么AlphaGo里也用了CNN？这几个不相关的问题的相似性在哪里？CNN通过什么手段抓住了这个共性？
34、请详细说说CNN的工作原理
35、CNN究竟是怎样一步一步工作的？
39、CNN是什么，CNN关键的层有哪些？
36、聊一聊基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN （*）
37、rcnn、fast-rcnn和faster-rcnn三者的区别是什么 （*）
32、简单说下sigmoid激活函数
9、LSTM结构推导，为什么比RNN好？
33、如何理解LSTM网络
10、Sigmoid、Tanh、ReLu这三个激活函数有什么缺点或不足，有没改进的激活函数。
11、为什么引入非线性激励函数？
12、请问人工神经网络中为什么ReLu要好过于tanh和sigmoid function？
13、为什么LSTM模型中既存在sigmoid又存在tanh两种激活函数？
14、如何解决RNN梯度爆炸和弥散的问题？
梯度爆炸就是由于初始化权值过大，前面层会比后面层变化的更快，就会导致权值越来越大。
17、如何解决梯度消失和梯度膨胀
26、梯度爆炸会引发什么问题？
27、如何确定是否出现梯度爆炸？
28、如何修复梯度爆炸问题？
15、什麽样的资料集不适合用深度学习？
16、广义线性模型是怎被应用在深度学习中？
19、深度学习常用方法
20、请简述神经网络的发展史
21、神经网络中激活函数的真正意义？一个激活函数需要具有哪些必要的属性？还有哪些属性是好的属性但不必要的？
22、梯度下降法的神经网络容易收敛到局部最优，为什么应用广泛？
23、简单说说CNN常用的几个模型 （*）
24、为什么很多做人脸的Paper会最后加入一个Local Connected Conv？
29、LSTM神经网络输入输出究竟是怎样的？
30、什么是RNN？ （*）
31、RNN是怎么从单层网络一步一步构造的？ （*）
38、在神经网络中，有哪些办法防止过拟合？
40、GRU是什么？GRU对LSTM做了哪些改动？