此文章是机器学习(Machine Learning)、深度学习(Deep Learning)、NLP面试中常考到的知识点和代码实现，也是作为一个算法工程师必会的理论基础知识。
文章介绍
•此文章是机器学习、NLP面试中常考到的知识点和代码实现，也是作为一个算法工程师必会的理论基础知识。
•文章以各个模块为切入点，让大家有一个清晰的知识体系。
•每一章里的问题都是面试时有可能问到的知识点，如有遗漏可联系我进行补充，结尾处都有算法的实战代码案例。
内容整理自网络，源地址：https://github.com/NLP-LOVE/ML-NLP
目录
机器学习1. 线性回归(Liner Regression)
机器学习2. 逻辑回归(Logistics Regression)
机器学习3. 决策树(Desision Tree)
机器学习3.1 随机森林(Random Forest)
机器学习3.2 梯度提升决策树(GBDT)
机器学习3.3 XGBoost
机器学习3.4 LightGBM
机器学习4. 支持向量机(SVM)
机器学习5. 概率图模型(Probabilistic Graphical Model)
机器学习5.1 贝叶斯网络(Bayesian Network)
机器学习5.2 马尔科夫(Markov)
机器学习5.3 主题模型(Topic Model)
机器学习6.最大期望算法(EM)
机器学习7.聚类(Clustering)
机器学习8.ML特征工程和优化方法
机器学习9.K近邻算法(KNN)
深度学习10.神经网络(Neural Network)
深度学习11. 卷积神经网络(CNN)
深度学习12. 循环神经网络(RNN)
深度学习12.1 门控循环单元(GRU)
深度学习12.2 长短期记忆(LSTM)
深度学习13.迁移学习(Transfer)
深度学习14.强化学习(Reinforcement) & 多任务
深度学习15. 深度学习的优化方法
NLP16. 自然语言处理(NLP)
NLP16.1 词嵌入(Word2Vec)
NLP16.2 子词嵌入(fastText)
NLP16.3 全局向量词嵌入(GloVe)
NLP16.4 textRNN & textCNN
NLP16.5 序列到序列模型(seq2seq)
NLP16.6 注意力机制(Attention Mechanism)
NLP16.7 Transformer模型
NLP16.8 BERT模型
NLP16.9 XLNet模型
项目17. 推荐系统(Recommendation System)
项目18. 智能客服(Intelligent Customer Service)
项目19. 知识图谱(Knowledge Graph)
项目20. 评论分析
欢迎点赞收藏转发～
本文来自投稿，不代表科技代码立场，如若转载，请注明出处https://www.cwhello.com/35661.html
如有侵犯您的合法权益请发邮件951076433@qq.com联系删除
