机器学习

机器学习是人工智能的一种应用，其中包括解析数据、从数据中学习，然后应用他们所学到的知识来做出明智决策的算法。但大家经常把机器学习（ML）和深度学习（DL）混淆，因为这两者都属于数据科学的范畴。虽然机器学习和深度学习存在相似之处，但它们之间也存在主要的区别。本文将通过三个示例为你解答ML和DL的区别所在。

机器学习面试中，除了答案以外，面试官还想看到你对该主题/问题更深层次的了解。在回答问题时，简单地陈述答案是不够的，你应该将问题展开讲述，例如陈述利弊、讨论替代模型/算法、编写方程式、甚至建议如何生产模型等。让我们来看看下面的几个例子，帮助我们了解应该如何回答 ML 面试问题。

在处理数据中的异常值时，传统的线性回归（Linear Regression）可能存在一些缺点。如果一个数据点离集合中的其他点很远，这会极大地影响最小二乘回归线，接近集合数据点的总体方向的线将因异常值的存在而发生偏移。本文将介绍如何处理数据样本中的异常值、Huber回归和Ridge回归的区别、如何在Huber回归中修改异常值敏感度、以及如何用 RMSE 确定模型。

神经网络（Neural Networks）是计算智能（Computational Intelligence）的一个分支，比深度学习更加高级。然而，神经网络不仅仅是深度分类/回归算法。神经网络研究领域包括前馈神经网络、循环神经网络、自组织神经网络、深度学习、卷积神经网络等。这篇文章会对三种不同类型的神经网络——卷积神经网络、自组织特征图、和极限学习机进行高度概括。

机器学习是指训练计算机程序，以建立基于数据的统计模型的过程。 机器学习 (ML) 的目标是转换数据，并从数据中识别关键模式或获得关键见解。而数学是机器学习面试中的一大重点。为了练习，我们汇总了机器学习面试问题中的数学相关的函数和问题。这份ML最重要数学的指南会对大家的求职很有帮助。

数据科学家的工作是弄清事实。 不过在进行这种分析时，又不得不必须做出主观决定。 因此，即使处理确凿的事实和数据，数据科学也有很强的解释性成分。因此，数据科学家需要格外小心避免受到认知偏见的影响。在这篇文章中，会列举出几种最常见的偏见类型。 同时还提供了一些避免它们的方法，并做出更好、更合理的决策的建议。

机器学习正在推动人工智能的大部分最新进展，包括计算机视觉、自然语言处理、预测分析、自主系统和广泛的应用。 由于自动化机器学习 (AutoML)、协作 AI 和机器学习平台（如 Dataiku）的进步，所有不同工作类型的人对数据的使用（包括用于预测建模）正在增加。 本文将介绍合理建立机器学习模型的四个概念，同时带你了解构建模型的过程。

动态定价是一种应用可变价格而不是固定价格的定价策略。 零售商可以每天多次更新价格，而不是决定一个季节的固定价格，以利用不断变化的市场。这些价格变化的目标有两个：一方面，公司希望优化利润率，另一方面，他们希望增加销售机会。本文将以行业代表性系统为例，带你了解动态定价背后的技术和框架逻辑。