1.1 模型融合有哪些方法
1.2 特征选择有哪些方法
1.3 机器学习项目的一般步骤
1.4 推导LR算法
1.5 多参数调参
1.6 XGBoost算法的主要参数及其作用
1.7 Bagging和Boosting的区别
1.8 PCA和LDA降维原理
1.9 为什么L1正则可以是实现参数稀疏，L2不可以
1.10 如何解决数不平衡问题
1.11 经验风险最小化和结构风险最小化
1.12 欠拟合过拟合解决方法
1.13 GBDT原理
1.14 为什么要用ROC和AUC
1.15 XGBoost如何进行特征选择和特征提取
1.16 常见机器学习算法的优缺点（KNN， DT， SVM， LR， 。。。）