1. 实现基于用户的协同过滤； 2. 实现基于物品的协同过滤； 3. 实现基于模型（矩阵分解）的协同过滤。 4. 对每种推荐算法的推荐结果，用Top10个推荐歌曲的准确率和召回率评价推荐系统的性能。

采用Wide and Deep模型，对Criteo提供的Kaggle竞赛数据进行CTR预估。

1. 为什么Bagging能改进模型性能？ 2. 随机森林中随机体现在哪些方面？ 3. 随机森林和GBDT的基学习器都是决策树。请问这两种模型中的决策树有什么不同。 4. 请简述LightGBM的训练速度问什么比XGBoost快。 5. 采用tfidf特征，采用LightGBM（gbdt）完成Otto商品分类，尽可能将超参数调到最优，并用该模型对测试数据进行测试，提交Kaggle网站，提交排名。 6. 采用tfidf特征，采用LightGBM（goss）完成Otto商品分类，尽可能将超参数调到最优，并用该模型对测试数据进行测试，提交Kaggle网站，提交排名。

Faster-RCNN源码详解

1. 为什么要引入核函数？ 2. 给出合页损失的数学形式并画出图形。 3. 什么是支持向量？为什么SVM中只有一小部分的训练样本是支持向量（稀疏的）？ 4. 决策树中特征分裂的准则有哪些？ 5. SVM模型并没有概率解释。为了使SVM模型能输出概率，我们应该设置哪个参数？ 6. 采用train_test_split，从将数据集中随机抽取10000条记录，用于下述作业中模型的训练（原始数据集太大，剩余数据抛弃）。 7. 根据6中得到的训练数据，训练线性SVM，并对超参数（正则惩罚项、C）进行超参数调优，并分析不同C对应的训练误差和交叉验证得到的测试误差的变化趋势。 8. 根据6中得到的训练数据，训练RBF核SVM，并对超参数（C和gamma）进行超参数调优，并分析参数C和gamma对模型复杂度的影响，以及对训练误差和交叉验证得到的测试误差的影响。

1. 适当的特征工程 2. 用LightGBM完成任务，并用交叉验证对模型的超参数（learning_rate、n_estimators、num_leaves、max_depth、min_data_in_leaf、colsample_bytree、subsample）进行调优。 或者用XGBoost完成任务，并用交叉验证对模型的超参数（learning_rate、n_estimators、max_depth、min_child_weight、colsample_bytree、subsample、reg_lambda、reg_）进行调优。 3. 对最终模型给出特征重要性