在机器学习中，为何要经常对数据归一化？
归一化可以：
归一化后加快了梯度下降求最优解的速度（两个特征量纲不同，差距较大时，等高线较尖，根据梯度下降可能走之字形，而归一化后比较圆走直线） 归一化有可能提高精度 （一些分类器需要计算样本之间的距离，如果一个特征值域范围非常大，那么距离计算就主要取决于这个特征，这是不合理的）
-
本文向大家介绍哪些机器学习算法不需要做归一化处理？相关面试题，主要包含被问及哪些机器学习算法不需要做归一化处理？时的应答技巧和注意事项，需要的朋友参考一下 概率模型不需要归一化，因为他们不关心变量的值，而是关心变量的分布和变量之间的条件概率，如决策树、RF。而像Adaboost、GBDT、SVM、LR、KNN、KMeans之类的最优化问题就需要归一化
-
简单、纯中文的解释，辅以数学、代码和真实世界的示例 谁应该阅读它 想尽快赶上机器学习潮流的技术人员 想要入门机器学习，并愿意了解技术概念的非技术人员 好奇机器如何思考的任何人 本指南旨在让任何人访问。将讨论概率，统计学，程序设计，线性代数和微积分的基本概念，但从本系列中学到东西，不需要事先了解它们。 为什么机器学习重要 人工智能将比本世纪的任何其他创新，更有力地塑造我们的未来。 任何一个不了解它的
-
1. 手撕，给出中序遍历和后序遍历，构建树 2. 介绍树模型，（GBDT，XGBoost等） 3. 项目为什么用XGBoost 4. 介绍LR 6. XGB和LR的区别，各适用哪些场景。 7. 项目中Lovain算法是个什么算法。 8. 项目中使用的评价指标 9. 准确率有什么缺点和问题 10. AUC 11. 优化算法 12. 激活函数 13. 特征提取方法？ 14. CNN和MLP区别，CNN
-
关联规则：关联规则反映一个事物与其他事物之间的相互依存性和关联性。如果两个或者多个事物之间存在一定的关联关系，那么，其中一个事物就能够通过其他事物预测到。Apriori算法利用频繁项集生成关联规则。它基于频繁项集的子集也必须是频繁项集的概念。频繁项集是支持值大于阈值（support）的项集。
-
一面: 自我介绍、极大似然估计、假设检验、朴素贝叶斯的公式、逻辑回归损失函数是什么，怎么来的（对数损失，等价于极大似然估计）、说说xgboost（我说了目标函数推导，还有一些过拟合措施等等)、了解transformer吗（没细问）、看过源码吗（没看过）、卷积为什么叫卷积（我随便说了个卷积公式，但不对)、对卷积的理解（我说滤波，因为我跟一维卷积打交道比较多，我还举了个人脸识别例子，我说底层的卷积会提
-
9.3一面(1h) 面试官先做了自我介绍 自我介绍 简历上项目比赛介绍、提问 附加问题：矩阵乘法，前向网络计算和反向传播计算梯度哪个更耗时？矩阵C = A*B，已知Grad(C)，计算A和B的梯度 手撕算法题：类似LC上合并k个有序链表，将一个二维数组合并成一维数组，二维数组每行是有序的，合并k行到一行并保证有序。用堆做的，并分析算法的时间复杂度。 反问：业务内容？主要是做自动驾驶里的Planni