AIGC 产品经理面试高频 100 题及核心解析
本文系统梳理了人工智能与 AIGC 领域产品经理面试中的核心技术概念、算法原理及高频问题。内容涵盖机器学习、深度学习基础，大模型底层逻辑，以及产品落地场景与项目经验问答，旨在帮助求职者构建完整的技术认知体系。
第一章：机器学习和深度学习的关系
机器学习是人工智能的一个子集，侧重于通过数据训练模型以进行预测或决策。深度学习则是机器学习的一个分支，利用多层神经网络模拟人脑结构，能够自动提取特征，特别适用于图像、语音和自然语言处理等复杂任务。简而言之，深度学习是机器学习的进阶形式，解决了传统机器学习依赖人工特征工程的痛点。
第二章：机器学习 7 大经典算法
算法一：K 近邻算法（KNN）
实现原理：基于实例的学习方法。对于一个待分类样本，在特征空间中找出与其距离最近的 K 个邻居，根据这 K 个邻居的多数类别来决定该样本的类别。距离度量通常使用欧氏距离。 应用场景：用户画像分类、推荐系统中的相似物品推荐、信用评分预测。 优缺点：优点是无参数假设，简单直观；缺点是计算量大，对高维数据敏感，需要大量内存存储训练集。
算法二：线性回归
实现原理：假设因变量与自变量之间存在线性关系，通过最小化误差平方和来拟合最佳直线。公式为 $y = wx + b$。 应用场景：广告投放预算预估、房价预测、销售趋势分析。 优缺点：优点是解释性强，计算快；缺点是对异常值敏感，无法处理非线性关系。
算法三：逻辑回归
实现原理：虽然名为回归，实为分类算法。使用 Sigmoid 函数将线性回归的输出映射到 (0,1) 区间，表示概率。通过最大似然估计求解参数。 应用场景：点击率预估（CTR）、用户流失预测、欺诈检测。 优缺点：优点是输出概率便于阈值调整，可解释性好；缺点是非线性能力弱，需配合特征工程。
算法四：朴素贝叶斯
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、文本分类。 优缺点：优点是训练速度快，对小规模数据表现好；缺点是特征独立性假设在实际中往往不成立。
算法五：决策树与随机森林
实现原理：决策树通过一系列规则将数据划分到不同节点。随机森林集成多棵决策树，通过投票机制提高泛化能力。 应用场景：客户违约预测、医疗诊断辅助、用户分层。 优缺点：优点是可视化强，无需归一化；缺点是容易过拟合（单棵树），随机森林计算成本较高。
算法六：支持向量机（SVM）
实现原理：寻找一个超平面，使得正负样本之间的间隔最大化。通过核函数可将低维不可分数据映射到高维可分空间。 应用场景：股票涨跌预测、文本分类、生物信息学。 优缺点：优点是小样本下表现优异，泛化能力强；缺点是大样本训练慢，参数调节复杂。
算法七：K-means 聚类算法
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，直至收敛。 应用场景：用户分群、市场细分、异常检测。 优缺点：优点是简单高效；缺点是需预先指定 K 值，对初始值敏感，难以处理非凸形状簇。
第三章：深度学习 3 大经典模型
一、神经网络
人工神经网络（ANN）模仿生物神经元结构，由输入层、隐藏层和输出层组成，通过反向传播算法调整权重，具备强大的非线性拟合能力。
二、CNN 算法（卷积神经网络）
实现原理：利用卷积核提取局部特征，结合池化层降低维度。适合处理网格状数据如图像。 应用场景：图像识别、目标检测、医学影像分析。 优缺点：优点是特征提取自动化，平移不变性；缺点是参数量大，需要大量数据训练。
