入门概述(面试常问)

🧮 一、机器学习(Machine Learning)

✅ 定义:

让计算机"自动从数据中学习"的方法,而不是手动写规则。

🔨 分类方式:
类型 标签有无 应用示例
监督学习 有标签 回归预测、分类任务
无监督学习 无标签 聚类、降维
半监督学习 部分有标签 提高训练效率
强化学习 奖励驱动 游戏、机器人控制
📦 常见模型:
  • 线性回归:预测连续值(如房价)

  • 逻辑回归:做二分类(如是否违约)

  • 决策树:用"条件判断"做分类,容易理解

  • 随机森林:多个决策树组合,效果更稳健

  • KNN:靠"邻居"投票分类,懒惰学习

  • SVM 支持向量机:寻找最优分界线分类

  • KMeans 聚类:自动把数据分成 K 类

  • XGBoost / GBDT:集成模型,用提升树叠加训练,性能好


🤖 二、深度学习(Deep Learning)

✅ 定义:

是机器学习的一个分支,用"人工神经网络"模拟大脑的学习方式,适合处理图像、语音、自然语言等复杂任务。

🧱 基本结构:
  • 神经网络(ANN):输入 → 隐藏层 → 输出

  • 激活函数:如 ReLU、Sigmoid,引入非线性

  • 损失函数:如 MSE、交叉熵,衡量模型效果

  • 优化器:如 SGD、Adam,更新权重参数

🧰 常见网络结构:
  • CNN(卷积神经网络):用于图像识别、目标检测

  • RNN(循环神经网络):处理序列数据,如语音、文本

  • LSTM / GRU:RNN 的改进版,能记住更长信息

  • Transformer:靠"注意力机制"实现并行处理,是 NLP 主力结构

  • BERT / GPT:基于 Transformer 的预训练语言模型,用于理解或生成语言


🧠 三、其他重点概念(易被问到)

  • 过拟合 / 欠拟合:模型过强 or 过弱,对泛化能力影响大

  • 交叉验证:稳定评估模型性能的方式

  • 特征工程:清洗、选择、转换特征,提高模型表现

  • 标准化 / 归一化:让特征数据处于统一尺度,加速训练

  • 集成学习(Ensemble):多个模型组合,提升稳定性

  • 训练 & 推理:训练是学习,推理是"用模型做预测"

相关推荐
叼烟扛炮7 小时前
[LangChain] 学习笔记(09):工具(Tool)定义与调用闭环 · 理论+实战完整版
笔记·学习·langchain
个 人 练 习 生7 小时前
C++:从零基础到深入了解vector的使用
开发语言·c++·经验分享·学习·程序人生·stl
Rabitebla9 小时前
【Linux操作系统】 文件篇(一):文件描述符与 Linux 文件管理机制
linux·网络·c++·笔记·学习
旖旎夜光11 小时前
【C++ 基础入门】智能指针:RAII、unique_ptr 与 shared_ptr 循环引用
c++·笔记·学习·智能指针
zdr尽职尽责14 小时前
终端工具凭空消失:Codex + GPT-6 的一次完整排障复盘
数据库·gpt·学习·ai
蒸蒸yyyyzwd15 小时前
计算机网络后端面试错题
笔记·学习
艾莉丝努力练剑16 小时前
【AI大模型接入SDK】C++的SessionManager 线程安全
java·开发语言·前端·c++·人工智能·学习·安全
蒸蒸yyyyzwd17 小时前
数据库相关错题笔记
笔记·学习
哈尔滨张谦蛋19 小时前
兰州大学 · 甘肃省可穿戴装备重点实验室 · 2027年博士招生
人工智能·深度学习