周志华《机器学习》复习要点（持续更新）

周志华《机器学习》复习要点（持续更新） 周志华的《机器学习》被广泛认为是该领域的经典教材，理解其核心内容是成为一名机器学习工程师的关键。以下是一些考试重点，并提供持续更新的复习要点： 一、监督学习基础 线性回归与逻辑回归： 熟练掌握线性回归的原理、损失函数（均方误差）以及正则化方法（L1、L2）。理解逻辑回归的原理，熟悉Sigmoid函数和二元分类问题。 支持向量机（SVM）： 理解SVM的核心思想——最大化间隔。掌握软间隔（M，B）的概念，理解支持向量的作用和线性可分/非线性可分问题。 多分类问题： 熟悉One-vs-All方法，以及One-vs-One方法。 掌握多项式核函数和RBF核函数的作用。 二、非监督学习 聚类方法： 理解K-means算法的原理，掌握K-means算法的优缺点以及应用场景。熟悉层次聚类方法，理解凝聚式聚类和分裂式聚类。 降维方法： 熟悉PCA（主成分分析）的原理，理解其在数据降维和特征提取方面的应用。 三、模型评估与选择 交叉验证： 掌握K折交叉验证的原理，理解其在模型评估中的重要性。 评估指标： 熟悉准确率、召回率、F1-score等评估指标，并理解其在不同场景下的应用。 四、持续更新内容 深度学习： 虽然《机器学习》主要关注传统机器学习方法，但对于深度学习的基本概念、神经网络结构以及常见模型（如卷积神经网络、循环神经网络）的理解也是必要的。 模型选择与调参： 掌握Grid Search、Random Search等模型选择和调参技巧。 持续更新：机器学习领域发展迅速，新的算法、模型和技术层出不穷。建议持续关注学术论文、技术博客以及开源项目，保持学习的热情。 关注模型的可解释性和公平性，提升机器学习应用的可信度。 展开