如果看到這裏，還不確定是否適合學習本書，那麼看看本書的“機器學習求職60問”吧，這些都是求職過程中可能遇到的高頻問題，也是機器學習需要掌握的核心理論基礎，而這些問題，在本書中都有較為詳細的推導和解答。如果你看了這些問題以後覺得都已經掌握了，那麼本書不適合你。如果對一半以上問題覺得沒什麼概念或者似懂非懂，那麼建議你看一看本書，相信你會有所收獲！
機器學習求職60問類型一：基礎概念類
問題1：過擬合與欠擬合（定義、產生的原因、解決的方法各是什麼）。
問題2:L1正則與L2正則（有哪些常見的正則化方法？作用各是什麼？區別是什麼？為什麼加正則化項能防止模型過擬合）。
問題3：模型方差和偏差（能解釋一下機器學習中的方差和偏差嗎？哪些模型是降低模型方差的？哪些模型是降低模型偏差的？舉例說明一下）。
問題4：奧卡姆剃刀（說一說機器學習中的奧卡姆梯刀原理）。
問題5：模型評估指標（回歸模型和分類模型各有哪些常見的評估指標？各自的含義是什麼？解釋一下AUC？你在平時的實踐過程中用到過哪些評估指標？為什麼要選擇這些指標）。
問題6：風險函數（說一下經驗風險和結構風險的含義和異同點）。
問題7：優化算法（機器學習中常見的優化算法有哪些？梯度下降法和牛頓法的原理推導）。
問題8：激活函數（神經網絡模型中常用的激活函數有哪些？說一下各自的特點）。
問題9：核函數（核函數的定義和作用是什麼？常用的核函數有哪些？你用過哪些核函數？說一下高斯核函數中的參數作用）。
問題10：梯度消失與梯度爆炸（解釋一下梯度消失與梯度爆炸問題，各自有什麼解決方案）。
問題11：有監督學習和無監督學習（說一下有監督學習和無監督學習的特點，舉例說明一下）。
問題12：生成模型與判別模型（你知道生成模型和判別模型嗎？各自的特點是什麼？哪些模型是生成模型，哪些模型是判別模型）。
類型二：模型原理類
問題13：線性回歸（線性回歸模型的原理、損失函數、正則化項）。
問題14:KNN模型（KNN模型的原理、三要素、優化方案以及模型的優br缺點）。
問題15：樸素貝葉斯（樸素貝葉斯模型的原理推導，拉普拉斯平滑，後驗概率最大化的含義以及模型的優br缺點）。
問題16：決策樹（決策樹模型的原理、特征評價指標、剪枝過程和原理、幾種常見的決策樹模型、各自的優br缺點）。
問題17：隨機森林模型（RF模型的基本原理，RF模型的兩個“隨機”。從偏差和方差角度說一下RF模型的優br缺點，以及RF模型和梯度提升樹模型的區別）。
如果看到這裏，還不確定是否適合學習本書，那麼看看本書的“機器學習求職60問”吧，這些都是求職過程中可能遇到的高頻問題，也是機器學習需要掌握的核心理論基礎，而這些問題，在本書中都有較為詳細的推導和解答。如果你看了這些問題以後覺得都已經掌握了，那麼本書不適合你。如果對一半以上問題覺得沒什麼概念或者似懂非懂，那麼建議你看一看本書，相信你會有所收獲！
機器學習求職60問類型一：基礎概念類
問題1：過擬合與欠擬合（定義、產生的原因、解決的方法各是什麼）。
問題2:L1正則與L2正則（有哪些常見的正則化方法？作用各是什麼？區別是什麼？為什麼加正則化項能防止模型過擬合）。
問題3：模型方差和偏差（能解釋一下機器學習中的方差和偏差嗎？哪些模型是降低模型方差的？哪些模型是降低模型偏差的？舉例說明一下）。
問題4：奧卡姆剃刀（說一說機器學習中的奧卡姆梯刀原理）。
問題5：模型評估指標（回歸模型和分類模型各有哪些常見的評估指標？各自的含義是什麼？解釋一下AUC？你在平時的實踐過程中用到過哪些評估指標？為什麼要選擇這些指標）。