本文主要针对NLP算法工程师，构建NLPer面试所需知识的思维导图； 只和应付面试的知识有关。 主要是：统计机器学习，深度学习（NLP方向），算法与数据结构
本文的主要目的：仅构建整体知识框架(面)，不涉及算法细节。 每个算法的详细信息将在相应的算法学习文档中详细介绍。 本章构建的知识框架便于回顾整体知识。
1统计机器学习
1.1基础算法主要包括6种机器学习算法：感知机、KNN、明亮鼠标贝叶斯、决策树、LR、SVM。
线性模型(探测器、LR、贝叶斯) ) ) ) ) ) ) ) ) ) )线性模型) ) ) ) ) )。
树模型(ID3，C4.5，CART ) ) ) ) ) ) )。
SVM
1.2概率图模型概率图部分的知识主要包括三大线性概率图模型的思想和区别。
主要通过概率图模型的演化过程： HMM-MEMM-CRF学习这三种线性概率图模型。
从HMM-MEMM-CRF看概率图模型的演化
HMM隐马尔可夫模型
最大熵模型介绍
CRF条件随机场
1.3整合学习整合学习的内容包括以下两个不同的类别(boosting和bagging )、基础模型结合策略、多样性测量方法、多样性增强方法。
综合学习综述：两个范畴(boosting，bagging )与战略/多样性衡量/多样性增强相结合
Adaboost算法介绍
xgboost算法介绍
2深度学习(NLP ) 3算法和数据结构