一、特征工程

1.特征归一化：所有特征统一到一个区间内

线性函数归一化（0到1区间）、零均值归一化（均值0，标准差1）

2.类比型特征->数值性特征

序号编码、独热编码、二进制编码（010，110）

3.高维数组组合特征处理：为了提高拟合能力

降维：用k维向量表示，再运算

4.组合特征：找到哪些特征应该组合，决策树

5.文本数据表示：词袋模型（只记录出现频率、TF-IDF、n-gram）、主题词、词嵌入

6.Word2Vec（两种网络结构：CBOW-上下文预测当前、skip-gram当前预测上下文）、LDA（隐狄利克雷-主题变概率分布）

7.图像数据不足处理方法：随机旋转、平移、缩放等、添加噪声、颜色变化、改变清晰度

二、模型评估

1.混淆矩阵：T对不对、P是不是

1.分类问题：准确率（TP/总样本）、精确率（查准率-TP/TP+FP）、召回率（查全率TP/TP+FN）、F1、PR曲线（精确率和召回率-两难全，平衡点即F1）、ROC（越陡越好-遍历所有阈值如>0.9，0.8来绘制-FP率和TP率）、AUC（曲线下的面积-越高越好）

2.回归问题：MAE（L1损失函数，绝对值）、MSE（L2损失函数，平方，对异常更敏感，但丢失部分正常）

3.余弦相似度（方向上的一致性）、欧氏距离（具体数值的一致性）

4.过拟合（更多数据、降低模型复杂度、正则化约束-对模型参数进行约束L1L2、drop）和欠拟合（添加新特征、加模型参数、多训练轮数）

三、经典算法

1.支持向量机：一种二类分类模型，在特征空间中寻找间隔最大的分离超平面，泛化性更好。

感知机是找到一个平面使误差点最小。

核函数：当样本在原始空间线性不可分时，可将样本从原始空间映射到一个更高维的特征空间，使得样本在这个特征空间内线性可分

对偶问题：最小化一个包含正则化项的损失函数--->为一个无约束的求最大值的凸二次优化。

k分类：1-训k个，取最高。2-训Ck2个。

2.逻辑回归（输出概率值、预测二分类是否患病）、线性回归（输出实数值、预测房价、温度等）

3.决策树：ID3、C4.5、CART等算信息增益和选择

四、降维

1.PCA（主成分分析、无监督）：投影新坐标系、最大程度保留方差。根据特征值大小选前k个

2.LDA（线性判别分析、有监督）：投到一条直线上，同类的尽可能近。最大化类间最小化类内。

五、无监督学习

1.k均值。调优：数据归一化和离群点处理，合理选择k值（手肘法），欧氏距离变核函数

kmeans++：越远的点越可能成为下一个聚类中心

自底向上层次聚类：指每次找质心之间距离最小的类。最后是多个{}

2.高斯混合模型：比kemans可以给出样本属于类的概率，一个复杂的事务分为几个高斯函数模型，均值、方差和权重来合成总的

3.自组织映射神经网络，二维网格，将输入数据样本聚类到不同的网格单元。

和kmeans区别：不用定义k值，k只更新本类，网格更新相邻的

4.聚类算法评估：聚类的数量、紧凑情况等、模型复杂度

六、概率图模型

1.贝叶斯公式

P(A|B)=P(AB)|P(B)

先验概率：直接的概率。后验概率：观察到某些数据后更新

2.生成式模型（如何生成）和判别式模型（如何区分）

生成式：朴素贝叶斯、贝叶斯网络、pLSA、LDA、隐马尔可夫

判别式：最大熵模型、条件随机场（CRF）

3.模型详解：

朴素贝叶斯（特征独立）：先验概率、后验概率来预测

贝叶斯网络（有向无环图）：推断算法查询

pLSA（概率潜在语义分析）：主题词和文档概率分布、EM算法迭代（E期望，M最大似然函数。计算在当前参数下隐变量的期望值，最大化参数的似然函数）

LDA（每个文档多个主题词）：pLSA扩展

隐马尔可夫（观测序列来推测）：隐层状态转移，寻找最可能的状态序列

最大熵模型（最大化熵来避免过拟合）：通过梯度上升法

条件随机场（CRF-直接建模条件概率预测）

七、优化算法

1.损失函数

适用回归：适用输出连续，最后一层无sigmoid

均方误差：对大误差敏感

绝对误差：更加稳健

适用分类：

交叉熵损失：计算预测概率分布与实际标签分布之间的差异，对错误分类的惩罚较大

对数似然损失：常用于概率模型

KL散度：衡量两个概率分布之间的差异

2.梯度下降

通过计算损失函数相对于参数的梯度，调整参数使损失函数最小

随机梯度下降：每次只使用一个样本来计算梯度

mini-batch梯度下降：每次使用小批量样本计算梯度

动量方法：纸球下落和铁球下落不一样

自适应调整（Adam）：结合动量和加权平均更新学习率

八、采样

九、前向神经网络

1.多层感知机（MLP）

输入层，隐藏层，输出层

每个神经元接收前一层的输出，进行加权和和激活函数运算

2.激活函数

常用：sigmoid（0，1）、Tanh-sigmoid的平移，减轻偏向，在两头会梯度消失（-1，1）、ReLu（在正区间内输出等于输入，负区间内输出为零，神经元可能死亡）、Leaky ReLU（负区间有较小输出，防止死亡）、softmax-通过对原始分数进行指数化和归一化处理，确保所有类别的概率之和为1

1-引入非线性变换，否则退化成简单线性模型

2-缓解梯度消失，如ReLu在正区间上导数为常数1

3-正规化输出信号，将神经元的输出信号映射到特定的范围内，如sigmoid（0，1）

4-激活神经元，通过比较神经元的输入和阈值，来确定要激活哪个神经元

3.反向传播算法