904数据结构与机器学习考试复习
说明：以下部分内容来源于网络，经由本人整理发布，后续内容陆续更新中......
厦大信息学院考情分析
904数据结构与机器学习考试范围
王道经验贴
904数据结构与机器学习：数据结构（50分）+ 机器学习（100分）
[数据结构部分]
题型分布：(共计50分)
5道选择（10分），5道填空（10分），两道应用题（20分）和一道编程题（10分）
考试内容：
关于本部分内容，以严蔚敏《数据结构》为参考书目，其中关于串部分参考网上博客。以厦大慕课PPT做概念回顾，并整理往年903考卷及厦大本科期末考卷等。
复习策略:
Notes:
| 章节 | 学习笔记 | 思维导图 | 习题 | 扩展习题 | 延伸阅读 | 其他 |
|---|---|---|---|---|---|---|
| 一、绪论 | 绪论 | - | 习题 | - | - | - |
| 二、线性表 | 线性表 | - | 习题 | - | - | - |
| 三、栈、队列 | 栈、队列 | - | 习题 | - | - | - |
| 四、串 | 串 | - | 习题 | - | - | - |
| 五、数组与广义表 | 数组与广义表 | - | 习题 | - | - | - |
| 六、树与二叉树 | 树与二叉树 | - | 习题 | - | - | - |
| 七、图 | 图 | - | 习题 | - | - | - |
| 八、查找 | 查找 | - | 习题 | - | - | - |
| 九、内部排序 | 内部排序 | - | 习题 | - | - | - |
【机器学习部分】
题型分布：(共计100分)
5道选择（15分）、5道判断（10分）、3道简答（30分）和3道计算题（45分）
考试内容：
关于本部分内容，厦大考试中心与信息学院官网招生信息并未直接说明参考书籍及资料，但根据考试范围，南大周志华教授《机器学习》的目录及内容与之较为契合(以下简称西瓜书)。因此，这里结合考纲，以西瓜书为主纲，算法及公式推导部分，以开源《南瓜书》及李航教授《统计学习方法》作为参考补充；概念理解部分以邱锡鹏教授《神经网络与深度学习》、吴恩达机器学习课程等作为补充，以期达到复习备考之用。
学习视频：
B站浙大机器学习视频
B站up致敬大神
考试辅导机构：红果研；研途星
考察目标：
考查目标:
- 理解机器学习的基本概念和性能评估指标；掌握机器学习中典型算法的基本思想、适用条件和计算过程等；
- 在熟练掌握算法思想的基础上，能够针对具体的问题对相关的算法进行改进，设计相应的训练策略，并选用合适的编程语言进行实现。
- 针对具体的应用问题，综合利用所学的知识对问题进行建模，选择合适的模型解决问题。
Notes:
章节的编排顺序，对于初学来说不太友好，建议的阅读/学习顺序为：1->3->4->6->7->5->2->10->8->9。
学习笔记部分为以西瓜书为主体，参考其他相关资料整合而成。
思维导图部分以西瓜书学习笔记为参照，通过Xmind进行参考整理。
课后习题部分为西瓜书课后习题，涉及公式推导题、简答题、编程实现题以及算法优化设计题目。
延伸阅读部分为微信公众号AmoyAI中整理校内教学资料以及笔记。
考试范围仅包含第一章至第十章，剩余章节可作为扩展延伸阅读，以丰富知识体系。
目前各部分仍处于修改阶段，为避免误人子弟，因此暂不对外开放(已设置阅读密码)。
| 相关资料链接 |
|---|
| 机器学习术语 速查表 |
| 章节 | 学习笔记 | 思维导图 | 课后习题 | 延伸阅读 | 扩展习题 | 其他 |
|---|---|---|---|---|---|---|
| 一、绪论 | Note1 | Mind1 | 习题1 | 基本概念part1 基本概念part2 基本概念Part3 机器学习基础（上） |
- | - |
| 二、模型评估与选择 | Note2 | Mind2 | 习题2 | 机器学习基础（下） |
- | - |
| 三、线性模型 | Note3 | Mind3 | 习题3 | 感知机（上） 感知机+SVM+LR（上） 感知机+SVM+LR（下） SVM(下) + LR Logistic回归+产生式模型 |
- | - |
| 四、决策树 | Note4 | Mind4 | 习题4 | 决策树+随机森林+AdaBoost（上） 决策树+随机森林+AdaBoost（中） 决策树+随机森林+AdaBoost（下） |
- | - |
| 五、神经网络与深度学习 | Note5 | Mind5 | 习题5 | - | - | |
| 六、支持向量机 | Note6 | Mind6 | 习题6 | 支持向量机 | - | - |
| 七、贝叶斯分类器 | Note7 | Mind7 | 习题7 | 朴素贝叶斯+隐马尔可夫模型 贝叶斯估计 NaiveBayes, HMM（上） NaiveBayes, HMM（上） NaiveBayes, HMM（下） 贝叶斯学习与EM算法（上） 贝叶斯学习与EM算法（中） 贝叶斯学习与EM算法（下） |
- | - |
| 八、集成学习 | Note8 | Mind8 | 习题8 | EM算法 EM算法回顾+集成学习 |
- | - |
| 九、聚类 | Note9 | Mind9 | 习题9 | - | - | |
| 十、降维与度量学习 | Note10 | Mind10 | 习题10 | - | - | |
| 十一、特征选择与稀疏学习 | Note11 | Mind11 | 习题11 | |||
| 十二、计算学习理论 | Note12 | Mind12 | 习题12 | |||
| 十三、半监督学习 | Note13 | Mind13 | 习题13 | |||
| 十四、概率图模型 | Note14 | Mind14 | 习题14 | 概率图模型(上) 概率图模型(中) 概率图模型(下) 概率图模型(下下) |
||
| 十五、规则学习 | Note15 | Mind15 | 习题15 | |||
| 十六、强化学习 | Note16 | Mind16 | 习题16 | |||
Talk is cheap. Show me the code
