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”