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. 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

DBNet算法原理及源码详解