AIGC 产品经理面试高频 100 题答案解析
前言
本文旨在为 AI 及 AIGC 方向的产品经理提供系统化的面试准备指南。内容涵盖机器学习与深度学习基础、核心算法模型原理、AIGC 底层技术架构，以及针对工作场景、产品经验与行业认知的面试问答框架。通过深入解析关键技术点与回答思路，帮助求职者构建扎实的知识体系。
第一章：机器学习和深度学习的关系
1.1 机器学习概述
机器学习（Machine Learning, ML）是人工智能的一个子集，其核心在于让计算机从数据中学习规律，而非通过显式编程指令。它依赖于统计学习理论，通过训练数据集优化模型参数，以实现对未知数据的预测或分类。
1.2 深度学习概述
深度学习（Deep Learning, DL）是机器学习的一种特殊形式，基于人工神经网络（Artificial Neural Networks）。它通过多层非线性变换自动提取特征，特别适用于处理图像、语音、文本等非结构化数据。
1.3 两者关系
深度学习是机器学习的进阶。传统机器学习需要人工设计特征（Feature Engineering），而深度学习能够端到端地自动学习特征表示。在数据量充足且算力强大的场景下，深度学习的表现通常优于传统机器学习。
第二章：机器学习经典算法详解
2.1 K 近邻算法 (KNN)
实现原理： KNN 是一种惰性学习算法。对于测试样本，计算其与训练集中所有样本的距离（如欧氏距离），选取距离最近的 K 个邻居，根据这 K 个邻居的多数类别决定测试样本的类别。 应用场景： 用户推荐系统、信用评分、医疗诊断辅助。 优缺点： 优点：简单直观，无需训练过程；缺点：计算量大，对高维数据敏感，需存储全部训练数据。
2.2 线性回归 (Linear Regression)
实现原理： 假设目标变量与输入特征之间存在线性关系，通过最小化损失函数（如均方误差）求解最优参数。 应用场景： 房价预测、广告投放效果预估。 优缺点： 优点：可解释性强，计算效率高；缺点：无法处理非线性关系，对异常值敏感。
2.3 逻辑回归 (Logistic Regression)
实现原理： 虽然名为回归，实则用于分类。通过 Sigmoid 函数将线性输出映射到 (0,1) 区间，表示概率。 应用场景： 点击率预估、欺诈检测。 优缺点： 优点：输出概率值，便于阈值调整；缺点：只能处理线性边界问题。
2.4 朴素贝叶斯 (Naive Bayes)
实现原理： 基于贝叶斯定理，假设特征之间相互独立。通过计算后验概率进行分类。 应用场景： 垃圾邮件过滤、情感分析。 优缺点： 优点：对小规模数据有效，训练速度快；缺点：特征独立性假设在实际中往往不成立。
2.5 决策树与随机森林
决策树： 通过一系列规则将数据划分到不同节点，形成树状结构。常用 ID3、C4.5、CART 算法。 随机森林： 集成学习方法，由多棵决策树组成。每棵树使用随机采样数据和特征进行训练，最终结果取平均或投票。 优缺点： 优点：抗过拟合能力强，可处理非线性；缺点：模型复杂度高，解释性不如单棵树。
2.6 支持向量机 (SVM)
实现原理： 寻找一个超平面，使得不同类别的样本间隔最大化。通过核技巧处理非线性问题。 应用场景： 文本分类、图像识别。 优缺点： 优点：在高维空间表现好；缺点：大规模数据训练慢，参数调优复杂。
2.7 K-means 聚类
实现原理： 无监督学习。随机初始化 K 个中心点，迭代分配样本并更新中心点，直到收敛。 应用场景： 用户分群、市场细分。 优缺点： 优点：简单高效；缺点：需预设 K 值，对初始值敏感，易陷入局部最优。
