我们学习机器学习时，都想快速入门并掌握机器学习相关的基础核心知识，如LR模型与朴素贝叶斯模型的异同点？降维（为什么要使用降维？你知道哪些降维方法？你用过哪些降维方式？结合实际使用说明一下）。缺失值问题（说一下你遇到的缺失值处理问题，你知道哪些缺失值处理方式？你使用过哪些，效果怎样）。从目前的行情来看既要掌握比较扎实的机器学习理论基础，又要有实践经验、懂业务场景，还要能编码、会计算机算法题。机器学习主要设计基础理论、线性回归模型、分类模型、聚类模型、降维模型和深度神经网络模型等内容。

    算法《机器学习基础从入门到求职》PDF+胡欢武
    《机器学习基础从入门到求职》PDF，385页，有书签目录，文字可以复制，胡欢武著。
    下载: https://pan.baidu.com/s/1bGd-9DqL4OZEk1e2yKGeuQ
    提取码: mzs4
    下载: https://pan.baidu.com/s/1L_-AVlYunVX3poJ2_kvdXw
    提取码: xqcf

    机器学习算法相关的岗位待遇比一般的开发岗位要好一些，但要求也变得更多。从目前的行情来看，站在公司招聘的角度，是一个既要、又要、还要的过程，即:既要掌握比较扎实的机器学习理论基础，又要有实践经验、懂业务场景，还要能编码、会计算机算法题。
    111.png
    理论基础就是我们一直所说的机器学习算法理论，业务能力是指相关的项目或者工作经验，工程实践能力就是动手写代码的能力。对于一个想求职机器学习相关岗位的应届生，或者是想将机器学习应用到自己专业领域的人士，再或者是一个有一定编程经验想要转算法岗位的人来说，机器学习理论可能都是第一拦路虎。本书希望可以帮助读者用最短的时间、最少的精力，攻克这最难的一关。
    222.png
    推荐《机器学习基础从入门到求职》，可以作为机器学习算法方面的理论+实践参考，包含机器学习基础理论、线性回归模型、分类模型、聚类模型、降维模型和深度神经网络模型六大部分。机器学习基础理论部分介绍机器学习的理论基础和工程实践基础。线性回归模型包括模型的建立、学习策略的确定和优化算法的求解过程，最后结合三种常见的线性回归模型实现了一个房价预测的案例。
    333.png
    通过学习，解决了疑问，比如模型评估指标（回归模型和分类模型各有哪些常见的评估指标？各自的含义是什么？解释一下AUC？你在平时的实践过程中用到过哪些评估指标？为什么要选择这些指标）。
    444.png
    常见的分类模型包括朴素贝叶斯模型、K 近邻模型、决策树模型、Logistic 回归模型、支持向量机模型、随机森林模型、AdaBoost 模型和提升树模型，每一个模型都给出了较为详细的推导过程和实际应用案例。五种常见的聚类模型包括K-Means 聚类、层次聚类、密度聚类、谱聚类和高斯混合聚类，每一个模型的原理、优缺点和工程应用实践都给出了较为详细的说明。四种常用的降维方式，包括奇异值分解、主成分分析、线性判别分析和局部线性嵌入，同样给出了详细的理论推导和分析。Word2Vec 和Doc2Vec 词向量模型和深度神经网络模型。