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
gmmi8 分钟前
嵌入式学习 51单片机(3)
单片机·学习·51单片机
木头左32 分钟前
结合机器学习的Backtrader跨市场交易策略研究
人工智能·机器学习·kotlin
Coovally AI模型快速验证38 分钟前
3D目标跟踪重磅突破!TrackAny3D实现「类别无关」统一建模,多项SOTA达成!
人工智能·yolo·机器学习·3d·目标跟踪·无人机·cocos2d
楼田莉子1 小时前
C++算法专题学习——分治
数据结构·c++·学习·算法·leetcode·排序算法
fsnine1 小时前
深度学习——残差神经网路
人工智能·深度学习
荼蘼1 小时前
迁移学习实战:基于 ResNet18 的食物分类
机器学习·分类·迁移学习
和鲸社区2 小时前
《斯坦福CS336》作业1开源,从0手搓大模型|代码复现+免环境配置
人工智能·python·深度学习·计算机视觉·语言模型·自然语言处理·nlp
THMAIL2 小时前
深度学习从入门到精通 - LSTM与GRU深度剖析:破解长序列记忆遗忘困境
人工智能·python·深度学习·算法·机器学习·逻辑回归·lstm
Gyoku Mint2 小时前
NLP×第六卷:她给记忆加了筛子——LSTM与GRU的贴靠机制
人工智能·深度学习·神经网络·语言模型·自然语言处理·gru·lstm
励志不掉头发的内向程序员3 小时前
C++进阶——继承 (1)
开发语言·c++·学习