具体来说就是从几个维度匹配公司的相似度或者说是匹配度 或者说是合作可能性。这个机遇机器学习算法如何实现

虽说很多人表示 1） 这本书是self-contained的 2) 这本书的数学推导“相对较少”如果说测度论， 实变等数学工具不必深究的话， 那么至少在数学，统计学和计算机方面应该具备什么水平呢？谢谢。

海量数据场景下，通过大规模机器学习方法来充分挖掘数据集中的价值已经在很多公司里都有着非常多的应用了，相关的资料也已经很多，但是在我看来却还谈不上非常的系统，所以期望通过这个问题来一起把这个方向的知识体系梳理得更为清晰系统化，为有需要的同学提供一些导引性的帮助。

实验室有什么规则性要求？如何逐渐提高和发论文？以出国为目的的话，参加项目比较好还是搞理论比较好？有什么好的建议？你是怎么走过来的？谢谢！

题主是一个二本院校的计算机大四学生，去年报考某985计算机没过该校的线，现在有个普通一本院校的老师联系我说我可以调剂到他那里去，研究的是机器学习 视觉 大数据这一些。但我也找了份工作，做asp,js jQuery那些的，在苏州5000块工资。我不知道该怎么选择，求各位知友前辈给点建议！谢谢！另外，本人也很想今后从事大数据工作，但家庭经济压力也有点大。

一组是Decision Tree，一组是SVM，一组是Adaboost，为什么最后留出1/4的数据validation时正确率都在95%以上，但是提交测试时正确率只有75%？大概1800组数据，维度是20000左右的sparse数据。（遇到这种情况很奇怪，希望能听到大家的见解和常见调参数的技巧，我怀疑是overfitting了）

数据分析师，工作中经常使用机器学习模型，但是以调库为主。自己一直也在研究算法，也裸写过一些经典的算法。最近在看PRML这类书籍，感觉有点吃劲，主要是公式推导看不懂，很多数学符号不知其意。也特地学过线性代数、微积分等，但是然并卵，还是看不懂大段的公式以及那些神奇的矩阵计算~机器学习新手，想前来问下，有没有哪些数学知识是可以弥补这一类缺陷的?能否具体的说一些知识点或者相关的文章和书籍？感谢~~

连续特征比如 历史点击率 离散特征比如 广告id 如果把离散特征映射到 0.5 ～1.5的区间会有一些好处么？