此專案是機器學習（Machine Learning）、深度學習（Deep Learning）、NLP面試中常考到的知識點和程式碼實現，也是作為一個演算法工程師必會的理論基礎知識。
專案介紹
•此專案是機器學習、NLP面試中常考到的知識點和程式碼實現，也是作為一個演算法工程師必會的理論基礎知識。
•既然是以面試為主要目的，亦不可以篇概全，請諒解，有問題可提出。
•此專案以各個模組為切入點，讓大家有一個清晰的知識體系。
•此專案亦可拿來常讀、常記以及面試時複習之用。
•每一章裡的問題都是面試時有可能問到的知識點，如有遺漏可聯絡我進行補充，結尾處都有演算法的實戰程式碼案例。
內容整理自網路，源地址：https：//github。com/NLP-LOVE/ML-NLP
目錄
機器學習1。 線性迴歸（Liner Regression）
機器學習2。 邏輯迴歸（Logistics Regression）
機器學習3。 決策樹（Desision Tree）
機器學習3。1 隨機森林（Random Forest）
機器學習3。2 梯度提升決策樹（GBDT）
機器學習3。3 XGBoost
機器學習3。4 LightGBM
機器學習4。 支援向量機（SVM）
機器學習5。 機率圖模型（Probabilistic Graphical Model）
機器學習5。1 貝葉斯網路（Bayesian Network）
機器學習5。2 馬爾科夫（Markov）
機器學習5。3 主題模型（Topic Model）
機器學習6。最大期望演算法（EM）
機器學習7。聚類（Clustering）
機器學習8。ML特徵工程和最佳化方法
機器學習9。K近鄰演算法（KNN）
深度學習10。神經網路（Neural Network）
深度學習11。 卷積神經網路（CNN）
深度學習12。 迴圈神經網路（RNN）
深度學習12。1 門控迴圈單元（GRU）
深度學習12。2 長短期記憶（LSTM）
深度學習13。遷移學習（Transfer）
深度學習14。強化學習（Reinforcement） & 多工
深度學習15。 深度學習的最佳化方法
NLP16。 自然語言處理（NLP）
NLP16。1 詞嵌入（Word2Vec）
NLP16。2 子詞嵌入（fastText）
NLP16。3 全域性向量詞嵌入（GloVe）
NLP16。4 textRNN & textCNN
NLP16。5 序列到序列模型（seq2seq）
NLP16。6 注意力機制（Attention Mechanism）
NLP16。7 Transformer模型
NLP16。8 BERT模型
NLP16。9 XLNet模型
專案17。 推薦系統（Recommendation System）
專案18。 智慧客服（Intelligent Customer Service）
專案19。 知識圖譜（Knowledge Graph）
專案20。 評論分析
