算法面试指南

LeNet 是卷积神经网络（CNN）的早期代表，由 Yann LeCun 等人在 1989 年提出，最初用于手写数字识别（MNIST 数据集）。 作为最早成功应用于实际任务的卷积网络。

前面我们介绍了机器学习中的所有知识点，从最开始确定机器学习知识库知识体系框架，到编写内容，再到最后的排版，前前后后三个月的时间，终于机器学习知识库和大家见面。

模型调优是机器学习中提升模型性能的重要环节，其核心目标是通过优化模型的超参数和结构，使模型在训练数据上学习充分，同时在未见过的数据上具有良好的泛化能力。

在机器学习中，评估指标用于量化模型在不同任务上的性能，是模型选择与调优的重要依据。不同类型的任务对应不同的指标。

在机器学习中，为了评估模型的泛化能力，需要将数据集合理划分为训练集、验证集和测试集。训练集用于模型的学习，验证集用于模型选择和超参数调优，而测试集则用于最终性能评估。

强化学习是一类通过与环境交互来学习最优决策策略的机器学习方法。与监督学习不同，强化学习没有直接提供的“正确答案”，而是通过奖励信号来评估行为的好坏。

半监督学习（Semi-Supervised Learning）是一类介于监督学习和无监督学习之间的方法，旨在利用少量带标签的数据与大量无标签的数据共同训练模型。

概率图模型（Probabilistic Graphical Models, PGM）是一类结合概率论与图论的强大工具，用于描述多个随机变量之间的依赖关系。

降维与表示学习是无监督学习中的重要方法，旨在将高维数据映射到低维空间，同时尽可能保留数据的结构与信息。

降维与表示学习是无监督学习中的重要方法，旨在将高维数据映射到低维空间，同时尽可能保留数据的结构与信息。

降维与表示学习是无监督学习中的重要方法，旨在将高维数据映射到低维空间，同时尽可能保留数据的结构与信息。

聚类（Clustering）是一种典型的无监督学习方法，其目标是在没有标签信息的情况下，将数据样本按照相似性划分为若干簇，使得同一簇内的样本相似度高，不同簇之间差异显著。

什么是聚类？ 聚类（Clustering）是一种典型的无监督学习方法，其目标是在没有标签信息的情况下，将数据样本按照相似性划分为若干簇，使得同一簇内的样本相似度高，不同簇之间差异显著。

聚类（Clustering）是一种典型的无监督学习方法，其目标是在没有标签信息的情况下，将数据样本按照相似性划分为若干簇，使得同一簇内的样本相似度高，不同簇之间差异显著。

树模型与集成模型是机器学习中非常重要的一类方法。树模型（如决策树）通过逐层划分特征空间，把复杂的预测问题转化为一系列“如果-那么”的规则，具有直观、可解释性强的特点。

树模型与集成模型是机器学习中非常重要的一类方法。树模型（如决策树）通过逐层划分特征空间，把复杂的预测问题转化为一系列“如果-那么”的规则，具有直观、可解释性强的特点。

分类模型（Classification Models） 是监督学习中的另一大核心分支，目标是将输入样本正确地划分到预定义的类别中。与回归模型预测连续值不同，分类模型的输出是 离散的类别标签。

回归模型（Regression Models） 是监督学习中用于预测连续数值的一类方法，其核心目标是：根据输入特征预测数值型输出。

特征工程（Feature Engineering） 是机器学习流程中将原始数据转换为适合模型学习的特征的关键步骤。它直接决定了模型能否高效捕捉数据中的规律。

特征构造是 通过已有的原始特征生成新的、更具信息量的特征 的过程。它是特征工程中提升模型性能的重要手段。 目标是增强特征的表达能力，使模型更容易捕捉数据的潜在规律