AIGC 产品经理面试 100 道高频问题及答案解析
前言
本文整理了 AIGC 产品经理岗位面试中的核心高频问题，涵盖机器学习与深度学习基础理论、经典算法原理、AIGC 底层模型架构以及产品实战场景。内容包含 KNN、线性回归、CNN、RNN、GAN、Transformer 等核心模型的实现原理与应用案例，并针对自我介绍、技术背景、工作场景、行业认知等维度提供了详细的回答思路与框架，帮助求职者系统梳理知识体系，提升面试准备效率。
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，利用多层神经网络自动提取特征。两者的核心区别在于特征工程的处理方式：传统机器学习依赖人工特征提取，而深度学习具备端到端的特征学习能力。
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，通过计算待分类样本与已知样本的距离，选取距离最近的 K 个邻居，根据多数投票决定类别。
- 应用场景：用户画像分类、推荐系统中的相似物品推荐。
- 优缺点：简单直观，无需训练过程；但计算量大，对高维数据和噪声敏感。
算法二：线性回归
- 实现原理：假设目标变量与输入特征之间存在线性关系，通过最小化误差平方和求解参数。
- 应用场景：房价预测、广告投放效果预估。
- 优缺点：可解释性强，计算效率高；无法处理非线性关系，易受异常值影响。
算法三：逻辑回归
- 实现原理：在回归基础上引入 Sigmoid 函数将输出映射到 (0,1) 区间，用于解决二分类问题。
- 应用场景：点击率预估、信用评分。
- 优缺点：概率输出便于阈值调整；特征工程要求较高，难以捕捉复杂特征交互。
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，计算后验概率进行分类。
- 应用场景：垃圾邮件过滤、文本情感分析。
- 优缺点：对小规模数据表现良好，训练速度快；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：决策树通过递归划分特征空间构建树状结构；随机森林集成多棵决策树，通过投票降低方差。
- 应用场景：用户违约预测、医疗诊断辅助。
- 优缺点：可解释性好，能处理数值和类别数据；单棵树易过拟合，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，使不同类别的样本间隔最大化，可通过核函数处理非线性问题。
- 应用场景：图像分类、文本分类。
- 优缺点：在高维空间表现优异，泛化能力强；大规模数据下训练慢，参数调优复杂。
算法七：K-means 聚类算法
- 实现原理：迭代更新簇中心，将样本分配到最近的簇，直到收敛。
- 应用场景：用户分层、市场细分。
- 优缺点：简单高效，适用于大数据；需预先指定 K 值，对初始值敏感，难以处理非凸形状簇。
