說明：以下部分內容來源於網絡，經由本人整理發布，后續內容陸續更新中......
廈大信息學院考情分析
904數據結構與機器學習考試范圍
王道經驗貼
904數據結構與機器學習：數據結構（50分）+ 機器學習（100分）
[數據結構部分]
題型分布：(共計50分)
5道選擇（10分），5道填空（10分），兩道應用題（20分）和一道編程題（10分）
考試內容：
關於本部分內容，以嚴蔚敏《數據結構》為參考書目，其中關於串部分參考網上博客。以廈大慕課PPT做概念回顧，並整理往年903考卷及廈大本科期末考卷等。
復習策略:
Notes:
| 章節 | 學習筆記 | 思維導圖 | 習題 | 擴展習題 | 延伸閱讀 | 其他 |
|---|---|---|---|---|---|---|
| 一、緒論 | 緒論 | - | 習題 | - | - | - |
| 二、線性表 | 線性表 | - | 習題 | - | - | - |
| 三、棧、隊列 | 棧、隊列 | - | 習題 | - | - | - |
| 四、串 | 串 | - | 習題 | - | - | - |
| 五、數組與廣義表 | 數組與廣義表 | - | 習題 | - | - | - |
| 六、樹與二叉樹 | 樹與二叉樹 | - | 習題 | - | - | - |
| 七、圖 | 圖 | - | 習題 | - | - | - |
| 八、查找 | 查找 | - | 習題 | - | - | - |
| 九、內部排序 | 內部排序 | - | 習題 | - | - | - |
【機器學習部分】
題型分布：(共計100分)
5道選擇（15分）、5道判斷（10分）、3道簡答（30分）和3道計算題（45分）
考試內容：
關於本部分內容，廈大考試中心與信息學院官網招生信息並未直接說明參考書籍及資料，但根據考試范圍，南大周志華教授《機器學習》的目錄及內容與之較為契合(以下簡稱西瓜書)。因此，這里結合考綱，以西瓜書為主綱，算法及公式推導部分，以開源《南瓜書》及李航教授《統計學習方法》作為參考補充；概念理解部分以邱錫鵬教授《神經網絡與深度學習》、吳恩達機器學習課程等作為補充，以期達到復習備考之用。
學習視頻：
B站浙大機器學習視頻
B站up致敬大神
考試輔導機構：紅果研；研途星
考察目標：
考查目標:
- 理解機器學習的基本概念和性能評估指標；掌握機器學習中典型算法的基本思想、適用條件和計算過程等；
- 在熟練掌握算法思想的基礎上，能夠針對具體的問題對相關的算法進行改進，設計相應的訓練策略，並選用合適的編程語言進行實現。
- 針對具體的應用問題，綜合利用所學的知識對問題進行建模，選擇合適的模型解決問題。
Notes:
章節的編排順序，對於初學來說不太友好，建議的閱讀/學習順序為：1->3->4->6->7->5->2->10->8->9。
學習筆記部分為以西瓜書為主體，參考其他相關資料整合而成。
思維導圖部分以西瓜書學習筆記為參照，通過Xmind進行參考整理。
課后習題部分為西瓜書課后習題，涉及公式推導題、簡答題、編程實現題以及算法優化設計題目。
延伸閱讀部分為微信公眾號AmoyAI中整理校內教學資料以及筆記。
考試范圍僅包含第一章至第十章，剩余章節可作為擴展延伸閱讀，以豐富知識體系。
目前各部分仍處於修改階段，為避免誤人子弟，因此暫不對外開放(已設置閱讀密碼)。
| 相關資料鏈接 |
|---|
| 機器學習術語 速查表 |
| 章節 | 學習筆記 | 思維導圖 | 課后習題 | 延伸閱讀 | 擴展習題 | 其他 |
|---|---|---|---|---|---|---|
| 一、緒論 | Note1 | Mind1 | 習題1 | 基本概念part1 基本概念part2 基本概念Part3 機器學習基礎（上） |
- | - |
| 二、模型評估與選擇 | Note2 | Mind2 | 習題2 | 機器學習基礎（下） |
- | - |
| 三、線性模型 | Note3 | Mind3 | 習題3 | 感知機（上） 感知機+SVM+LR（上） 感知機+SVM+LR（下） SVM(下) + LR Logistic回歸+產生式模型 |
- | - |
| 四、決策樹 | Note4 | Mind4 | 習題4 | 決策樹+隨機森林+AdaBoost（上） 決策樹+隨機森林+AdaBoost（中） 決策樹+隨機森林+AdaBoost（下） |
- | - |
| 五、神經網絡與深度學習 | Note5 | Mind5 | 習題5 | - | - | |
| 六、支持向量機 | Note6 | Mind6 | 習題6 | 支持向量機 | - | - |
| 七、貝葉斯分類器 | Note7 | Mind7 | 習題7 | 朴素貝葉斯+隱馬爾可夫模型 貝葉斯估計 NaiveBayes, HMM（上） NaiveBayes, HMM（上） NaiveBayes, HMM（下） 貝葉斯學習與EM算法（上） 貝葉斯學習與EM算法（中） 貝葉斯學習與EM算法（下） |
- | - |
| 八、集成學習 | Note8 | Mind8 | 習題8 | EM算法 EM算法回顧+集成學習 |
- | - |
| 九、聚類 | Note9 | Mind9 | 習題9 | - | - | |
| 十、降維與度量學習 | Note10 | Mind10 | 習題10 | - | - | |
| 十一、特征選擇與稀疏學習 | Note11 | Mind11 | 習題11 | |||
| 十二、計算學習理論 | Note12 | Mind12 | 習題12 | |||
| 十三、半監督學習 | Note13 | Mind13 | 習題13 | |||
| 十四、概率圖模型 | Note14 | Mind14 | 習題14 | 概率圖模型(上) 概率圖模型(中) 概率圖模型(下) 概率圖模型(下下) |
||
| 十五、規則學習 | Note15 | Mind15 | 習題15 | |||
| 十六、強化學習 | Note16 | Mind16 | 習題16 | |||