​​1. 人工智能（AI）、机器学习（ML）和深度学习（DL）的定义及关系​​

• ​​AI定义​​：使用计算机模拟或代替人类智能的研究领域（如思考、决策、感知）。

• ​​ML定义​​：从数据中自动获取规律（模型），用于新数据的预测（如房价预测公式 y = kx + b）。

• ​​DL定义​​：通过多层神经网络模拟大脑结构，自动学习复杂模式（如图像识别）。

• ​​三者关系​​：

  • 机器学习是实现人工智能的一种途径。

  • 深度学习是机器学习的一种方法发展而来的。

  关系图示：AI ⊃ ML ⊃ DL

​​2. 样本、特征、标签（举例说明）​​

• ​​样本（Sample）​​：一行数据就是一个样本；多个样本组成数据集；有时一条样本被叫成一条记录

• ​​特征（Feature）​​：一列数据一个特征，有时也被称为属性

• ​​标签（Label/Target）​​：待预测的目标值，如“就业薪资”。

• ​​举例​​：

  • 样本：{学习学科: "Python", 学历: "本科", 工作经验: "2年"}

  • 特征：["学历", "工作经验"]

  • 标签：薪资 = 20k

​​3. x_train, y_train, x_test, y_test的含义与用途​​

• ​​x_train​​：训练集的特征数据，用于训练模型。

• ​​y_train​​：训练集的标签数据，指导模型学习规律。

• ​​x_test​​：测试集的特征数据，用于测试模型泛化能力。

• ​​y_test​​：测试集的真实标签，与模型预测结果对比以评估效果。

• ​​用途​​：

  • 训练集：拟合模型参数（如线性回归中的系数）。

  • 测试集：验证模型在新数据上的表现（避免过拟合）。

​​4. 【面试重点】有监督学习 vs 无监督学习的区别与案例​​

• ​​核心区别​​：

  ​​监督学习​​	​​无监督学习​​
  数据含标签（有目标值）	数据无标签
  学习“输入-输出”映射	探索数据内在结构

• ​​实际案例​​：

  • ​​监督学习​​：垃圾邮件分类（输入：邮件内容，标签：垃圾/正常）。

  • ​​无监督学习​​：用户聚类分析（输入：用户行为数据，无标签，自动分组相似用户）。

​​5. 回归问题 vs 分类问题​​

• ​​回归问题​​：

  • ​​目标值连续​​（如房价、温度预测）。

  • 输出为数值（如y = 0.8x + 10）。

• ​​分类问题​​：

  • ​​目标值离散​​（如垃圾邮件识别、疾病诊断）。

  • 输出为类别（如“0/1”、“猫/狗/鸟”）。

• ​​区分关键​​：目标值是否连续。

​​6. 机器学习建模基本流程​​

1. ​​获取数据​​：收集相关数据集（如房价数据、图像数据）。

2. ​​数据基本处理​​：处理缺失值、异常值（如删除无效样本）。

3. ​​特征工程​​：

   • 特征提取（如文本转向量）

   • 特征预处理（如标准化缩放）

   • 特征降维（如PCA减少维度）

4. ​​模型训练​​：选择合适的算法对模型进行训练。根据不同的任务来选中不同的算法；有监督学习,无监督学习,半监督学习,强化学习

5. ​​模型评估​​：评估效果好上线服务,评估效果不好则重复上述步骤

​​7. 【面试重点】特征工程的重要性​​

• ​​定义​​：利用专业背景知识和技巧处理数据，让模型效果更好  

• ​​为什么重要​​：

  • ​​数据和特征决定模型上限​​：即使算法优秀，差的特征也会限制性能。

  • ​​提升模型效果​​：

    • 特征预处理（如归一化）避免量纲差异影响模型。

    • 特征组合（如将“面积×地段”合并）可挖掘非线性关系。

  • ​​降低计算成本​​：特征降维（如PCA）减少冗余信息，加速训练。

  文档引用：“Applied machine learning is basically feature engineering.”

​​8. 【面试重点】过拟合与欠拟合​​

• ​​泛化（Generalization）​​：模型在新数据上的表现能力。

​​9. 奥卡姆剃刀原则在机器学习中的体现​​

• ​​原则核心​​：在相同泛化能力的模型中，选择结构最简单的模型。

• ​​在ML中的体现​​：

  • 避免过度复杂模型（如深度网络）在简单任务上过拟合。

  • 优先选择可解释性强的模型（如线性回归 vs 深度神经网络）。

  文档引用：“给定两个相同泛化误差的模型，较简单的模型更可取。”