1、多项式分布
2、文本的多项式分布建模
3、共轭先验
4、概率平滑｛Lapace平滑、加1平滑、Dirichlet贝叶斯平滑、2阶段语言模型｝
5、似然函数
6、log似然函数
7、期望最大化算法
8、条件概率
9、贝叶斯全公式
10、生成模型
11、判别模型
12、条件期望
13、拉格朗日系数
14、VSM，LSI，PLSI，LDA。。。
15、CRF、HMM、SVM、NN、DT、MEM。。。
16、协同过滤
17、expert finding
18、信息抽取
19、贝叶斯决策论
20、KL-divergence
21、熵、条件熵、交叉熵、互信息
22、最大似然同交叉熵之间的联系
23、一般图模型的画法以及其含义
24、马尔可夫性质
25、Gibbs Sampling或者就是Sampling
26、Varitional inference
27、Simplex
28、各种概率分布：Gauss、多重贝努力、Beta、Dirichlet。。。
29、贝叶斯网络
30、各种排序方法的评估：如NDCG
31、自然语言中各种名词的含义：如WSD
32、基本概念：监督学习、半监督学习、无监督学习等等
33、维度规约
34、假设检验
35、特征提取的基本方法
36、文本分类、聚类的基本方法
37、PageRank,HITS等基本方法
38、TrustRank
39、 Web Spam
40、信息检索的基本模型：VSM、LM、RSJ、BIR等等
41、Okapi
42、如何创建评测集合：pooling
43、文本采样的方法: shingling、fingerprint
44、feedback的基本方法
45、TRANSLATION MODEL
46、Kernal Method
47、Active learning
48、语言模型/n-gram
49、Discriminative Mode、Generative Mode
50、Exchangeable random variables