前言
涵盖机器学习、深度学习、CV、NLP、训练调优、项目实战、手撕算法高频必考问答，全篇精简无废话，考前速背快速过知识点，校招 / 实习 / 社招通用，吃透直接稳过算法面试。
一、机器学习基础必背
- 监督、无监督、半监督、强化学习区别 监督有标签训练，无监督自主聚类分组，半监督少量标签大量无标签，强化学习靠奖励机制迭代决策。
- 偏差与方差 偏差高欠拟合，模型拟合能力弱；方差高过拟合，泛化能力差。
- 生成式与判别式模型 生成式学习数据分布，朴素贝叶斯；判别式直接学决策边界，逻辑回归、SVM。
- 为什么要做数据归一化 消除量纲影响，加速梯度下降收敛，让特征权重更新均衡。
- 梯度下降三种形式 批量 GD 稳但慢，随机 SGD 快易震荡，小批量 Mini-Batch 兼顾速度与稳定。
- 正则化作用 L1 稀疏化可特征筛选，L2 限制权重大小抑制过拟合。
- 集成学习三大方式 Bagging 并行训练如随机森林，Boosting 串行拟合残差如 GBDT，Stacking 多层堆叠融合。
- 特征选择常用方法 方差筛选、相关性分析、卡方检验、树模型特征重要性筛选。
- 类别不平衡如何处理 上采样、下采样、类别权重调整、Focal 损失、合成样本扩充。
- 离群点检测方法 箱线图、3σ 原则、聚类筛选、孤立森林。
二、深度学习核心问答
- 激活函数必要性 引入非线性，多层网络才能拟合复杂映射关系。
- ReLU 优缺点 计算快缓解梯度消失，易出现神经元死亡；Leaky ReLU 解决该问题。
- 梯度消失与梯度爆炸 深层网络链式求导梯度持续衰减为消失，梯度无限增大为爆炸；用残差、BN、梯度裁剪解决。
- BN 层作用 归一化输入分布，加速收敛，缓解梯度消失，自带轻微正则。
- Dropout 原理与作用 训练随机失活神经元，减弱神经元依赖，强力防过拟合，测试恢复全部权重。
- 正向传播与反向传播 前向算预测结果，反
