fbpx

機器學習職涯指引-如何準備技術面試

Contents

通過掌握常見的面試問題,為技術機器學習面試做好準備

報名參加課程更新 coupon code

從這 5 小時的課程,你會學到

  • 準備機器學習技術問題
  • 改進或複習機器學習中的知識
  • 對機器學習的主題有很強的直覺
  • 回顧資料處理的基本方面
  • 瞭解各種特徵工程方法
  • 處理降維的問題
  • 回顧許多分類和迴歸模型
  • 瞭解機器學習方法的優缺點
  • 處理關於監督式學習的高階問題
  • 討論超參數( hyperparameters )以及如何應用交叉驗證
  • 建立對好的實驗設計的理解
  • 回顧特徵選擇的概念
  • 描述不同類型的資料集平衡方法
  • 對主要的聚類演算法( сlustering algorithms )有直覺
  • 練習模型評估問題

要求

  • 高中數學水平
  • 基本的機率論和統計知識
  • 對資料科學概念的基本理解
  • 對機器學習演算法有基本的理解
  • 有電腦科學方面的經驗

課程說明

本課程旨在為準備機器學習技術面試提供方便的資源。 它可以幫助你做好準備,參加50場講座,內容涉及不同主題的問題和答案。 本課程不僅適用於對可能出現的問題有充分理解的學生,也適用於複習機器學習的知識。

我們將系統地介紹資料準備方法,包括資料正常化、異常值處理、特徵工程和降維技術。

在處理完下一節中的資料之後,我們將繼續討論監督式學習方法。 我們將考慮簡單的線性演算法,正則化,最大可能方法。 此外,我們還將討論貝葉斯定理和樸素貝葉斯分類器。 這一部分的幾個講座都是關於支援向量機模型的。 本課程之後的大部分講座將致力於基於決策樹的演算法: 我們將考慮包裝演算法、隨機森林、 AdaBoost 和梯度提升演算法。

在回顧完關於演算法的面試問題之後,我們將進入機器學習的主題領域,並討論諸如好的實驗設計、交叉驗證方法、過擬合( overfitting )和欠擬合( underfitting )、特徵選擇方法、不平衡資料問題等話題。

本課程還包括一些關於聚類演算法( clustering algorithms )的講座,涵蓋了最著名的方法及其概念。 此外,作為本課程的一部分,我們將考慮用於評估有監督和無監督模型品質的各種指標。

總而言之,本課程將幫助你複習真正的機器學習專家所使用的方法,並為這條熱門的職業道路做好準備。

2019年5月更新! 用整個晚上的時間在面試前閱讀完全可下載的演講簡報。

目標受眾

  • 任何想要準備機器學習面試的人
  • 任何想要提高或複習機器學習技能的人
  • 任何想要開始或者轉向資料科學的人

講師簡介

Vladimir Poliakov 機器學習工程師

在機器學習的各個領域有專業經驗的資料科學愛好者。 數學、電腦科學和統計學背景。 使用機器智慧解決業務和研究問題。

在我的職涯中,我發展了一套資料科學領域的技能,我希望在教學中利用這些經驗來幫助其他人學習機器智慧的力量。 我相信人工智慧將使世界變得更美好,我希望你們能夠直接參與其中。

英文字幕:有

  • 想要了解如何將英文字幕自動翻譯成中文? 請參考這篇 How-To

報名參加課程更新 coupon code

Sponsored by Udemy

也許你會有興趣

找其它課程?試看看 Soft & Share 網站搜尋引擎

✍ 搜尋結果太多?可參考 Soft & Share 搜尋引擎使用技巧


追蹤 Soft & Share

幫我們個小忙!

Comments are closed.

Powered by WordPress.com.

Up ↑

%d 位部落客按了讚: