簡(jiǎn)介這份PDF是模式識(shí)別與機(jī)器學(xué)習(xí)課程的期末考查試題及參考答案面向修讀該課程的研究生及備考學(xué)生幫助梳理兩大方向的核心考點(diǎn)與答題思路。資源共1個(gè)PDF文件壓縮包約453KB內(nèi)容以試題與標(biāo)準(zhǔn)答案為主便于打印或電子設(shè)備上隨時(shí)查閱。試題圍繞模式識(shí)別與機(jī)器學(xué)習(xí)的共同問(wèn)題及各自研究側(cè)重點(diǎn)展開(kāi)并系統(tǒng)梳理了K近鄰、貝葉斯決策、DES加密、決策樹(shù)、C均值聚類(lèi)、遺傳算法、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、隨機(jī)森林以及CNN、RNN、Transformer等常用算法的原理與優(yōu)缺點(diǎn)答案條理清晰、覆蓋全面。目前已有2291人學(xué)習(xí)下載適合用于期末復(fù)習(xí)、知識(shí)點(diǎn)查漏補(bǔ)缺與答題框架參考也可作為理解算法適用場(chǎng)景與局限性的輔助材料。1. 一份期末考查 PDF 背后藏著模式識(shí)別與機(jī)器學(xué)習(xí)最該刷的題帶過(guò)幾屆課程之后我發(fā)現(xiàn)一個(gè)規(guī)律真正拉開(kāi)分?jǐn)?shù)差距的不是誰(shuí)把公式背得最熟而是誰(shuí)能在有限時(shí)間里把「模式識(shí)別」和「機(jī)器學(xué)習(xí)」這兩條線串起來(lái)答題。這份《模式識(shí)別與機(jī)器學(xué)習(xí)期末考查試題及參考答案》的 PDF本質(zhì)上就是一份把兩門(mén)課核心考點(diǎn)壓縮到一張卷子里的復(fù)習(xí)地圖。它適合三類(lèi)人正在準(zhǔn)備期末的本科生、考研復(fù)試要快速過(guò)一遍基礎(chǔ)的研究生以及工作后想回頭補(bǔ)理論短板的工程師。很多人拿到這種 PDF 的第一反應(yīng)是「背答案」但真正有效的用法是把它當(dāng)成一份考點(diǎn)索引——順著每道題反查自己哪塊知識(shí)是空的。下面我按「先看懂考什么、再動(dòng)手把題做透、最后避開(kāi)判分坑」的順序把這份資料怎么用講清楚。2. 先搞清楚這份卷子到底在考什么題型分布與考點(diǎn)映射2.1 從題型反推兩門(mén)課的知識(shí)邊界模式識(shí)別與機(jī)器學(xué)習(xí)經(jīng)常被合并成一門(mén)課來(lái)考但兩者的側(cè)重點(diǎn)并不一樣。模式識(shí)別更偏「給定特征如何分類(lèi)」講究判別函數(shù)、決策面、距離度量機(jī)器學(xué)習(xí)更偏「如何從數(shù)據(jù)里學(xué)出模型」講究損失函數(shù)、優(yōu)化、泛化。一份典型的期末卷子會(huì)把這兩條線交織在一起常見(jiàn)題型大致是下面這幾類(lèi)。題型常見(jiàn)分值占比主要對(duì)應(yīng)知識(shí)塊選擇/填空20%~30%基本概念、算法歸屬、參數(shù)含義簡(jiǎn)答20%~25%算法思想、優(yōu)缺點(diǎn)、適用場(chǎng)景計(jì)算/推導(dǎo)25%~35%貝葉斯決策、感知機(jī)、SVM、聚類(lèi)綜合設(shè)計(jì)15%~25%特征工程、模型選擇、流程設(shè)計(jì)看懂這張表的意義在于如果你時(shí)間只夠復(fù)習(xí)一輪優(yōu)先保證計(jì)算推導(dǎo)和綜合設(shè)計(jì)因?yàn)檫@兩塊分值高且最容易因?yàn)椴襟E不完整丟分。選擇和填空靠平時(shí)積累臨時(shí)抱佛腳收益有限。2.2 高頻考點(diǎn)清單哪些題幾乎年年出現(xiàn)把這類(lèi)卷子翻幾遍會(huì)發(fā)現(xiàn)有些考點(diǎn)反復(fù)出現(xiàn)幾乎是「必刷題」。我一般會(huì)讓復(fù)習(xí)的人先鎖定下面這些貝葉斯決策與最小錯(cuò)誤率/最小風(fēng)險(xiǎn)分類(lèi)尤其是先驗(yàn)、類(lèi)條件概率、后驗(yàn)的計(jì)算。感知機(jī)與線性判別包括判別函數(shù)形式、梯度下降更新規(guī)則。SVM 的基本概念間隔、支持向量、核函數(shù)的作用。K-means 與層次聚類(lèi)的步驟、距離度量、終止條件。特征降維PCA 的思想和主成分的物理含義。過(guò)擬合與正則化、訓(xùn)練集/驗(yàn)證集/測(cè)試集的劃分邏輯。這些點(diǎn)之所以高頻是因?yàn)樗鼈兺瑫r(shí)是兩門(mén)課的交匯處出題人用一道題就能同時(shí)考到模式識(shí)別的「分類(lèi)」和機(jī)器學(xué)習(xí)的「學(xué)習(xí)」。復(fù)習(xí)時(shí)不要孤立地背而要問(wèn)自己這個(gè)算法解決的是什么問(wèn)題它的決策邊界長(zhǎng)什么樣參數(shù)變了結(jié)果怎么變。2.3 把 PDF 拆成可檢索的復(fù)習(xí)索引拿到 PDF 后不要從頭讀到尾那樣效率很低。我的做法是先建一張索引表把每道題映射到知識(shí)點(diǎn)再按知識(shí)點(diǎn)強(qiáng)弱排序復(fù)習(xí)。可以用下面這段腳本把題目文本粗提取出來(lái)方便自己打標(biāo)簽。# 用 pdfplumber 提取 PDF 文本按頁(yè)輸出便于逐題打標(biāo)簽 import pdfplumber def extract_pages(pdf_path): with pdfplumber.open(pdf_path) as pdf: for i, page in enumerate(pdf.pages, start1): text page.extract_text() or # 去掉多余空行保留題目結(jié)構(gòu) lines [ln.strip() for ln in text.split(\n) if ln.strip()] print(f 第 {i} 頁(yè) ) print(\n.join(lines)) if __name__ __main__: extract_pages(exam.pdf) # 換成你的文件名這段代碼的邏輯很簡(jiǎn)單逐頁(yè)讀取文本并按行清理空行輸出時(shí)標(biāo)出頁(yè)碼方便你對(duì)照原卷定位。參數(shù)上extract_text()對(duì)掃描版 PDF 無(wú)效如果提取出來(lái)是空的說(shuō)明這份 PDF 是圖片掃描件需要先做 OCR。這一步的意義不是讓你自動(dòng)化做題而是把「翻頁(yè)找題」變成「按知識(shí)點(diǎn)檢索」復(fù)習(xí)節(jié)奏會(huì)快很多。3. 把每類(lèi)題真正做透從貝葉斯到聚類(lèi)的動(dòng)手路徑3.1 貝葉斯決策題先驗(yàn)、類(lèi)條件、后驗(yàn)三步不能亂貝葉斯決策是這類(lèi)卷子里最穩(wěn)定的計(jì)算題。很多人失分不是因?yàn)椴粫?huì)公式而是步驟跳得太快判分時(shí)看不出邏輯。標(biāo)準(zhǔn)做法是三步走寫(xiě)先驗(yàn)、寫(xiě)類(lèi)條件概率、算后驗(yàn)并比較。下面用一個(gè)二分類(lèi)的例子把流程固定下來(lái)。import numpy as np # 二分類(lèi)貝葉斯決策比較后驗(yàn)概率輸出類(lèi)別 def bayes_decision(x, priors, means, variances): posteriors [] for c in range(len(priors)): # 高斯類(lèi)條件概率 likelihood (1 / np.sqrt(2 * np.pi * variances[c])) * \ np.exp(-((x - means[c]) ** 2) / (2 * variances[c])) posteriors.append(priors[c] * likelihood) posteriors np.array(posteriors) # 歸一化得到后驗(yàn) posteriors posteriors / posteriors.sum() return int(np.argmax(posteriors)), posteriors priors [0.6, 0.4] # 先驗(yàn)概率 means [0.0, 2.0] # 兩類(lèi)均值 variances [1.0, 1.0] # 兩類(lèi)方差 label, post bayes_decision(1.2, priors, means, variances) print(預(yù)測(cè)類(lèi)別:, label, 后驗(yàn):, post)邏輯說(shuō)明先算每個(gè)類(lèi)的「先驗(yàn) × 類(lèi)條件」再歸一化成后驗(yàn)最后取最大后驗(yàn)對(duì)應(yīng)的類(lèi)。參數(shù)上priors必須和為 1variances不能為 0?？荚嚂r(shí)即使不用代碼也要把這三步寫(xiě)全尤其是后驗(yàn)歸一化那一步很多人直接比較「先驗(yàn) × 類(lèi)條件」就下結(jié)論雖然結(jié)果一樣但過(guò)程分容易丟。如果題目給的是離散特征把高斯換成對(duì)應(yīng)的概率表即可。3.2 感知機(jī)與 SVM判別函數(shù)和間隔的直觀理解感知機(jī)和 SVM 常被放在一起考因?yàn)樗鼈兌荚谡揖€性判別面區(qū)別在于感知機(jī)只要分對(duì)就行SVM 還要間隔最大。答題時(shí)先把判別函數(shù)寫(xiě)出來(lái)再談更新或優(yōu)化。# 感知機(jī)訓(xùn)練誤分類(lèi)點(diǎn)驅(qū)動(dòng)更新 def perceptron_train(X, y, lr0.1, epochs20): w np.zeros(X.shape[1]) b 0.0 for _ in range(epochs): for xi, yi in zip(X, y): if yi * (np.dot(w, xi) b) 0: # 誤分類(lèi) w lr * yi * xi b lr * yi return w, b X np.array([[1, 1], [2, 2], [-1, -1], [-2, -1]]) y np.array([1, 1, -1, -1]) w, b perceptron_train(X, y) print(w:, w, b:, b)邏輯說(shuō)明遍歷樣本只要某個(gè)點(diǎn)被誤分類(lèi)就按w lr * yi * xi更新直到所有點(diǎn)分對(duì)或達(dá)到輪數(shù)。參數(shù)lr是學(xué)習(xí)率太大會(huì)震蕩太小收斂慢epochs是最大迭代輪數(shù)。SVM 的答題重點(diǎn)不在代碼而在說(shuō)清「支持向量決定決策面」「核函數(shù)把低維不可分映射到高維」這兩句話并能畫(huà)出間隔示意。常見(jiàn)失分點(diǎn)是混淆感知機(jī)和 SVM 的優(yōu)化目標(biāo)答題時(shí)明確寫(xiě)出「感知機(jī)無(wú)間隔概念SVM 最大化間隔」就能拿住關(guān)鍵分。3.3 聚類(lèi)與降維K-means 步驟和 PCA 主成分含義聚類(lèi)題考的是流程完整性降維題考的是對(duì)主成分的理解。K-means 一定要寫(xiě)全「初始化中心、分配樣本、更新中心、判斷收斂」四步缺一步就扣分。PCA 則要能說(shuō)清主成分是協(xié)方差矩陣特征向量方向第一主成分方差最大。# K-means 簡(jiǎn)化實(shí)現(xiàn)突出四步流程 def kmeans(X, k, max_iter100): # 1. 初始化取前 k 個(gè)樣本作為中心 centers X[:k].copy() for _ in range(max_iter): # 2. 分配每個(gè)樣本歸到最近中心 labels [np.argmin([np.linalg.norm(x - c) for c in centers]) for x in X] # 3. 更新重新計(jì)算中心 new_centers np.array([ X[[i for i, l in enumerate(labels) if l j]].mean(axis0) for j in range(k) ]) # 4. 收斂判斷 if np.allclose(new_centers, centers): break centers new_centers return centers, labels X np.array([[1, 1], [1.5, 2], [5, 5], [5.5, 6]]) centers, labels kmeans(X, 2) print(中心:, centers, 標(biāo)簽:, labels)邏輯說(shuō)明初始化用前 k 個(gè)樣本只是簡(jiǎn)化寫(xiě)法實(shí)際考試可以寫(xiě)「隨機(jī)選取」分配用歐氏距離更新用均值收斂用中心不再變化判斷。參數(shù)k需要預(yù)先給定這也是 K-means 的局限答題時(shí)點(diǎn)出「k 需人為設(shè)定、對(duì)初值敏感」是加分項(xiàng)。PCA 部分不用寫(xiě)代碼重點(diǎn)是把「去中心化、算協(xié)方差、求特征值特征向量、按方差排序取前幾個(gè)」這條鏈說(shuō)清楚。4. 避坑與排查這份 PDF 用起來(lái)最容易翻車(chē)的 4 個(gè)地方4.1 只背答案不理解步驟換個(gè)數(shù)就不會(huì)現(xiàn)象把 PDF 里的參考答案背得很熟考試時(shí)題目數(shù)字一換就卡住。原因是沒(méi)有把「解題步驟」和「具體數(shù)值」分開(kāi)記憶綁死在了數(shù)字上。解決每道計(jì)算題都自己重算一遍把公式和步驟單獨(dú)抄在一張紙上數(shù)字用字母代替練到能對(duì)著字母走完流程。這一步花時(shí)間但比反復(fù)讀答案有效得多。4.2 把模式識(shí)別和機(jī)器學(xué)習(xí)的術(shù)語(yǔ)混著用現(xiàn)象答題時(shí)把「判別函數(shù)」和「損失函數(shù)」當(dāng)一回事把「類(lèi)條件概率」說(shuō)成「似然」卻不解釋。原因兩門(mén)課術(shù)語(yǔ)有重疊但含義不同。解決建一張術(shù)語(yǔ)對(duì)照表左邊寫(xiě)模式識(shí)別常用詞右邊寫(xiě)機(jī)器學(xué)習(xí)對(duì)應(yīng)詞標(biāo)注區(qū)別。比如模式識(shí)別說(shuō)「決策面」機(jī)器學(xué)習(xí)說(shuō)「分類(lèi)邊界」答題時(shí)按題目語(yǔ)境選詞別混用。4.3 綜合設(shè)計(jì)題只寫(xiě)模型不寫(xiě)流程現(xiàn)象綜合題直接寫(xiě)「用 SVM 分類(lèi)」沒(méi)有特征處理、沒(méi)有數(shù)據(jù)劃分、沒(méi)有評(píng)價(jià)指標(biāo)得分很低。原因把綜合題當(dāng)成了簡(jiǎn)答題。解決綜合題按「數(shù)據(jù)獲取→特征工程→模型選擇→訓(xùn)練→評(píng)估」五段寫(xiě)每段一兩句話哪怕模型選得普通流程完整也能拿到大部分分。評(píng)價(jià)指標(biāo)至少寫(xiě)準(zhǔn)確率和召回率能提 F1 更好。4.4 忽略參考答案里的表述規(guī)范現(xiàn)象自己算的結(jié)果和參考答案一致但分?jǐn)?shù)不高。原因參考答案的得分點(diǎn)往往在表述上比如「寫(xiě)出后驗(yàn)公式」「說(shuō)明收斂條件」。解決對(duì)照參考答案時(shí)不只看結(jié)果還要看它寫(xiě)了哪些中間步驟和結(jié)論句把這些「得分句式」整理出來(lái)答題時(shí)照著寫(xiě)。這一步是很多人的盲區(qū)但提分最直接。5. 把這份卷子變成長(zhǎng)期復(fù)習(xí)資產(chǎn)的一個(gè)技巧前面講的都是「怎么用這份 PDF 應(yīng)付一次考試」但如果你想讓它的價(jià)值延續(xù)到考研復(fù)試或者工作面試我建議做一件事把每道題改造成一張「自測(cè)卡」。具體做法是正面寫(xiě)題目和考點(diǎn)背面寫(xiě)解題步驟和易錯(cuò)點(diǎn)然后用間隔重復(fù)的方式過(guò)。這個(gè)技巧的關(guān)鍵不在于卡片工具而在于「改造」這個(gè)動(dòng)作本身——你在改寫(xiě)的過(guò)程中會(huì)被迫把答案壓縮成步驟這恰恰是檢驗(yàn)自己是否真懂的最好方式。我一般會(huì)按下面的結(jié)構(gòu)整理每張卡字段內(nèi)容考點(diǎn)貝葉斯最小錯(cuò)誤率決策題目給定先驗(yàn)和類(lèi)條件求后驗(yàn)并分類(lèi)步驟先驗(yàn)→類(lèi)條件→相乘→歸一化→取最大易錯(cuò)忘記歸一化、方差為 0延伸最小風(fēng)險(xiǎn)決策怎么改整理完一輪之后你會(huì)發(fā)現(xiàn)原本散落在 PDF 各頁(yè)的題目被重新組織成了一條條可以獨(dú)立復(fù)習(xí)的知識(shí)線。這時(shí)候再回頭看整份卷子它就不再是一份「答案」而是一張你自己畫(huà)出來(lái)的知識(shí)地圖。我自己的習(xí)慣是每隔一段時(shí)間把這張表拿出來(lái)遮住「步驟」列只看考點(diǎn)和題目能順暢說(shuō)出步驟就算過(guò)關(guān)說(shuō)不出來(lái)的回去補(bǔ)。最后一個(gè)血淚經(jīng)驗(yàn)不要等到考前一周才開(kāi)始整理。這類(lèi)卷子的價(jià)值在于「反復(fù)過(guò)」整理得越早后面每一輪復(fù)習(xí)越省時(shí)間。我見(jiàn)過(guò)太多人把 PDF 存進(jìn)文件夾就再也沒(méi)打開(kāi)過(guò)等到考試前才翻出來(lái)那時(shí)候已經(jīng)來(lái)不及做改造了。如果你現(xiàn)在手里正好有這份資料今天就先把它拆成索引表哪怕只拆前十道題也比存著不動(dòng)強(qiáng)。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取