完整教程：入门概述（面试常问）

一、机器学习（Machine Learning）

✅ 定义：

让计算机“自动从材料中学习”的方式，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。

基础结构：

• 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”