本文已参与「新人创作礼」活动，一起开启掘金创作之路。

前言

提前准备总归是好的嘛，为未来做准备！简单的模型对应简单的环境，而复杂的模型对应复杂的环境。由简单模型到复杂模型：LR-SVM-神经网络-深度学习。模型的复杂度源于：模型本身的选择、模型参数的个数、模型的参数空间选择、模型拟合的样本个数。

---

一、机器学习相关模型

1、朴素贝叶斯

1-1、相关概念介绍

先验概率（边缘概率）：某个事件发生的概率，即通过经验来判断事情发生的概率。 条件概率（后验概率）：事件A在事件B已经发生条件下的发生概率。 联合概率：两个事件共同发生的概率。 $p(x, y)=p(x)p(y|x)$ $p(x, y)=p(y)p(x|y)$ 条件独立： $p(x,y|z) = p(x|z)p(y|z)$ 注意：朴素贝叶斯定理假设特征之间相互独立。

1-2、贝叶斯定理

贝叶斯原理：实际上就是求解后验概率。 贝叶斯公式(根据联合概率求得)： 推导贝叶斯公式： 根据上边两个条件概率公式即可推导出贝叶斯公式。

1-3、贝叶斯算法的优缺点

优点 1、对小规模数据的表现很好，能处理多分类任务，适合增量式训练。 2、算法简单，训练速度快。

缺点 1、对缺失数据不太敏感。 2、因为朴素贝叶斯模型假设了属性之间相互独立，这在实际应用中往往是不成立的，在属性之间相关性比较大的时候，分类效果并不好。适合属性之间相关性较小的样本。 3、需要首先知道先验概率。如果先验概率是假设的，那么往往预测结果不会那么准确。 4、对于输入数据的表达形式很敏感。

1-4、拓展延伸

1-4-1、MLE（最大似然）

理解：假设数据服从某个分布（模型已知），但是参数未知，这个时候我们希望对这个参数进行估计，而MLE的思想就是找到一个参数值，使得每条样本出现的概率最大。 似然函数： 总体X为离散型时： $L(θ) = \prod_{i=1}^n p(x_i; θ)$ 那么要优化的目标为： $argmax \prod_{i=1}^n p(x_i| θ)$

总体X为连续型时： $L(θ) = \prod_{i=1}^n f(x_i; θ)$

注意：最大似然估计会寻找关于 θ的最可能的值（即，在所有可能的θ取值中，寻找一个值使这个采样的“可能性”最大化）。

1-4-2、MAP（最大后验概率）

理解：在MLE的基础之上，我们还有一个额外的信息，就是我们知道这个参数也服从某个分布，MAP就是加上这个条件，对我们的参数进行估计。

2、逻辑回归

逻辑回归是一种分类方法，主要用于二分类问题，使用逻辑函数（即Sigmoid函数）。 $g(z)= \frac {1}{1+e^{-z}}$ 原始的条件概率为（w是设定好的向量矩阵，x是特征表示为的向量，b是偏置项。） $p(Y|X) = {w^T}x+b$ 上述两个式子结合，可以将条件概率和逻辑回归联系到一起，则在特征X的条件下，被划分为Y类别的概率是： $p(Y|X)= \frac {1}{1+e^{-{w^T}x+b}}$ Sigmoid函数如图所示： 如果是二分类的情况，则有： $p(y=1|x, w)= \frac {1}{1+e^{-{w^T}x+b}}$ $p(y=0|x, w)= 1-p(y=1|x, w)$ 即： $p(y=0|x, w)= \frac {e^{-{w^T}x+b}}{1+e^{-{w^T}x+b}}$ 把y=1和y=0的两个式子合并可以得到： $p(y|x, w)= p(y=1|x, w)^y[1-p(y=1|x, w)]^{1-y}$

2-1、推导目标函数

目的：我们需要最大化目标函数。找出使得目标函数最大的w和b。 引入最大似然： $\prod_{i=1}^{m} {p(y^{i}|x^{i}, w)= \prod_{i=1}^{m} p(y=1|x^{i}, w)^{y^{i}}[1-p(y=1|x^{i}, w)]^{1-y^{i}}}$ 两边取自然对数可得： $\sum_{i=1}^{m} {[y^i log p(y=1|x^{i},w)+(1-y^{i})log(1-p(y=1|x^{i}, w))]}$ 最大化原函数等价于求最小化函数： $-\frac{1}{m}\sum_{i=1}^{m} {[y^i log p(y=1|x^{i},w)+(1-y^{i})log(1-p(y=1|x^{i}, w))]}$ 将$p(y=1|x^{i},w)$表示为：$h(x^{i})$ 则最终的目标函数为： $J（W,b）= -\frac{1}{m}\sum_{i=1}^{m} {[y^i log h(x^{i})+(1-y^{i})log(1-h(x^{i}))]}$

2-2、求梯度

2-3、逻辑回归实战

3、SVM

SVM（一般不会手推，说一下最大间隔、KKT，核）

4、k临近

5、决策树

6、集成方法。

7、CRF

8、HMM

9、解释一下正则化

正则化：将系数估计朝0的方向进行约束、调整或者缩小。也就是说，正则化可以在学习过程中降低模型复杂度和不稳定程度，从而避免过拟合的危险。（即正则化是给损失函数加上一些限制。避免其过拟合） 过拟合函数：过拟合函数往往都是一个高阶多项式，正则化的目的就是使得高次项系数尽可能的为0或者是接近于0。 $f(x) = θ_0+ θ_1x+θ_2x^2+θ_3x^3+θ_4x^4$ 线性回归模型的代价函数：代价函数=损失函数+正则化项 $J(θ) = \frac{1}{2m}[\sum_{i=1}^m (h_θ(x^{i})-y^i)^2+λ \sum_{j=1}^n θ_j^2]$ 备注：λ是正则化参数，参数越大，则对其惩罚的力度也越大，相应的会把所有的参数最小化，能起到规范的作用。$θ^2$平方是为了求导方便。 L1、L2正则化：又叫做L1范数、L2范数。目的是对损失函数加上一个约束，减小其解的范围。 L1正则化：逼迫更多w为0，变得稀疏。（Lasso回归） L2正则化：逼迫所有w尽可能趋向于0但是不为0，顾及到了每一个点。（岭回归）

二、深度学习相关模型

1、CNN

2、RNN

3、LSTM

lstm结构图

4、textcnn

5、transformer

transformer结构图

6、bert

6-1、bert

6-2、bert衍生模型

6-2-1、Albert

6-2-2、Roberta

6-2-3、XLNET

6-2-4、ERNIE

6-3、bert激活函数

6-4、bert的其他一些问题

bert以及衍生模型

三、自然语言处理过程中使用的技巧以及方法

1、Batch Normalization 优缺点

2、分词

3、各种激活函数优缺点

4、word2vec原理

请查看我的另一篇博客文章——Word2vec原理笔记.

四、以问题为导向

1、如何解决维度灾难？

维度灾难：指的是在建模的过程中，随着特征数量的增多，计算量呈指数级增长的一种现象。 如何解决：主成分分析法PCA、线性判别法LDA、拉普拉斯特征映射。

2、GDBT和XGboost区别、改进？

3、Bert和GPT的区别

结构上的区别：Bert的网络结构类似于Transformer的Encoder部分，而GPT类似于Transformer的Decoder部分。 预训练任务的区别：Bert的预训练任务中，Bert主要使用“填空题”的形式来完成预训练，随机盖住一些输入文字，被mask的部分是随机决定的。而GPT要做的任务是，预测接下来，会出现什么。

4、Bert的优化机制

Bert模型是欠训练的，可以考虑训练的时间更长，添加更多的训练数据，每一批次的训练数据增大。训练更长的句子。

梯度下降 学习率 各个激活函数：Sigmoid、Tanh、Relu、Leaky Relu、Elu attention self-attention

去除噪声、数据获取

数据不平衡的处理：重采样、上采样、下采样等等。 文本表示：tf-idf（公式） 词袋模型 word2vec：CBOW，Skip-Gram（公式、训练技巧） word2vector负采样时为什么要对频率做3/4次方 改进后的word2vec fasttext，glove，elmo

序列标注： 基于概率模型的方法：HMM，MEMM，CRF（画图，比较差异） 基于深度学习的方法：bi-lstm+CRF

关系抽取： 应用场景：知识图谱。 方法：Bootstrap（半监督方法） 深度学习方法：

熟悉hadoop、spark对海量数据进行处理。

四

大型任务： 1、文本聚类： 方法：划分法、层次法、基于密度的方法、基于网格的方法。 场景应用案例：数据整理，数据挖掘，用户画像，数据可视化。 2、文本分类： 机器学习： 模型融合的方法： 深度学习的方法： 应用场景：垃圾邮件二分类，新闻主题分类，多标签多分类。 3、文本摘要： 抽取式的 压缩式的 重组法 4、语言生成： 基于概率统计： 基于深度学习： 任务：写诗机器人，聊天任务中的语言生成。 5、机器翻译： 关键技术：编码器-解码器注意力机制。 6、聊天系统： 类型：闲聊，专业领域问答，任务型（基于特定任务，多轮对话）。 任务型机器人：意图识别、词槽填充、对话管理。 强化学习，适合多轮对话。

五、

公司： 专业做nlp技术的，卖技术。

百度实习算法岗

参考文献： 贝叶斯公式由浅入深大讲解—AI基础算法入门. 详解最大似然估计（MLE）、最大后验概率估计（MAP），以及贝叶斯公式的理解. 百度百科——最大似然估计.