1、什么叫过拟合，避免过拟合都有哪些措施？
答：过拟合就是在机器学习中，测试模型的时候，提高了在训练数据集的表现力时候，但是在训练集上的表现力反而下降了。
解决方案：正则化；在训练模型过程中，调节参数。学习率不要太大；对数据进行交叉验证；选择适合训练集合测试集数据的百分比，选取合适的停止训练标准；在神经网络模型中，可以减小权重。
2、什么是核函数？
答：核函数是将线性不可分的特征隐射到高位特征空间，从而让支持向量机在这个高维空间线性可分，也就是使用核函数可以向高维空间映射并解决非线性的分类问题。包括线性核函数，多项式核函数，高斯核函数等，其中高斯核函数最为常用。
3、深度学习框架TensorFlow中常见的核函数都有哪些？
答：SVM高斯核函数，应为如果想要分割非线性数据集，改变线性分类器隐射到数据集，就要改变SVM损失函数中的核函数。线性核函数+多项式核函数。
4、朴素贝叶斯方法的优势是什么？
答：朴素贝叶斯有稳定的分类效率，对于小规模的数据表现很好，能处理多分类问题，可以在数据超出内存时，去增量训练，对缺失数据不太敏感，算法比较简单，常用于文本分类。
5、什么是监督学习的标准方法？
答：所有的回归算法和分类算法都属于监督学习，并且明确的给给出初始值，在训练集中有特征和标签，并且通过训练获得一个模型，在面对只有特征而没有标签的数据时，能进行预测。
6、在机器学习中，模型的选择是指什么？
答：根据一组不同复杂度的模型表现，从某个模型中挑选最好的模型。选择一个最好模型后，在新的数据上来评价其预测误差等评价和指标。
7、LR和SVM的联系与区别是什么？
答：都是分类算法。如果不考虑核函数，LR和SVM都是线性分类算法，也就是说他们的分类决策面都是线性的。LR和SVM都是监督学习算法。LR和SVM的损失函数不同。SVM只考虑局部的边界线附近的点 ，LR考虑全局，远离的点对边界线的确定也起作用。
8、什么是聚类，聚类的应用场景？
答：聚类是指根据一定的准则，把一份事物按照这个准则归纳成互不重合的几份，机器学习中，聚类指按照一个标准，这个标准通常是相似性，把样本分成几份，是得相似程度高的聚在一起，相似程度低的互相分开。聚类的应用场景，求职信息完善（有大约10万份优质简历，其中部分简历包含完整的字段，部分简历在学历，公司规模，薪水，等字段有些置空顶。希望对数据进行学习，编码与测试，挖掘出职位路径的走向与规律，形成算法模型，在对数据中置空的信息进行预测。）
9、机器学习中，为何要经常对数据做归一化？
答：归一化后加快的梯度下降对最优解的速度。归一化有可能提高精度。