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
我要学习别拦我~19 小时前
逻辑回归中的决策边界解析与应用实例
经验分享·机器学习·逻辑回归
峥嵘life19 小时前
Android16 应用代码新特性
java·开发语言·学习·安全
若天明20 小时前
深度学习-自然语言处理-序列模型与文本预处理
人工智能·深度学习·自然语言处理
Roye_ack20 小时前
【项目实战 Day5】springboot + vue 苍穹外卖系统(Redis + 店铺经营状态模块 完结)
java·spring boot·redis·学习·mybatis
.银河系.20 小时前
9.24 深度学习6
人工智能·深度学习
Wah-Aug20 小时前
深度学习视角下的图像分类
人工智能·深度学习·分类
山烛20 小时前
一文读懂循环神经网络(RNN):原理、局限与LSTM解决方案
人工智能·rnn·深度学习·lstm·门控循环单元·循环神经网络·长短时记忆网络
jun~20 小时前
SQLMap绕过 Web 应用程序保护靶机(打靶记录)
linux·笔记·学习·安全·web安全
青云交20 小时前
Java 大视界 -- Java 大数据机器学习模型在金融衍生品定价与风险管理中的应用(415)
java·机器学习·金融衍生品·dl4j·信用风控·spark mllib·期权定价
.银河系.20 小时前
9.25 深度学习7
人工智能·深度学习