↓跳到主要内容
  1. posts/

北航 BUAA 2025 秋研究生机器学习期末考试回忆版

·107 字·1 分钟
机器学习 BUAA
目录

考试已经过去一周了，根据依稀的记忆写下这篇考试回忆，希望能对后来的同学有所帮助。

本次机器学习期末考试包含大量往年题目，如决策树、反向传播推导、按照最小错误率和最小风险求后验等等。

临近考试不要慌张，多看往年经验分享博客、掌握老师说过的的必考知识点、补齐课件中短板、自信应对考试就可以啦。

以下内容为笔者回忆版，不保证准确性，请各位读者有选择性地参考。

T1 贝叶斯决策 #

给出先验概率和类条件概率，决策损失函数 \(\lambda\)（其实就是选错的风险值）

  1. 使用最小错误率进行决策
  2. 使用最小风险进行决策

T2 K-means #

  1. 使用数学语言描述 K-means 的流程
  2. 执行一遍 K-means 流程（给定 4 个二维点的坐标，初始化了 2 个二维中心点，要求迭代执行 2 次），并简述 EM 算法的 E-step 和 M-step 分别对应 K-means 中的哪个流程
  3. K-means 的缺陷以及解决办法（K-means++）

T3 PCA #

  1. 简述最大方差、最小均方误差的主要思想
  2. PCA 的一般求解过程（求协方差矩阵、最大特征值对应的特征向量等等）
  3. 与 LDA 的关系与区别

T4 SVM #

  1. 从几何解析的角度描述参数 w 和 b 的意义
  2. 说明惩罚系数和松弛变量的作用

T5 关联规则学习 #

  1. 简述先验算法的基本思想（支持度之类的）
  2. 简述关联规则学习的应用场景（社交网络、货品分类）

T6 半监督学习 #

  1. 简述聚类假设和流形假设

  2. 简述一种半监督学习的方法

T7 集成学习 #

  1. 叙述集成学习的思想

  2. 简述 boosting 和 bagging 的执行流程

T8 决策树 #

判断学生是否会加入算法竞赛集训队，4 个属性：GPA（高、中、低）、感兴趣程度（高、一般、低）、时间（充足、一般、紧张）、编程能力（高、中、低）。虽然题目给出了计算所需的 log 值，但笔者还是建议使用计算器。

  1. 按照 ID3 流程生成决策树（4 个属性看似十分复杂，实际上只需要两轮迭代）
  2. 给定一个同学的属性，判断他是否会加入（第一题没做出来的话也可以通过观察法判断）
  3. 简述预剪枝和后剪枝的方法和优缺点

T9 反向传播 #

给定带有一个隐藏层的前馈全连接神经网络，隐藏层和输出层都有激活函数

  1. 推导第一层和第二层参数 w 如何更新
  2. 动量 SGD 和 Adam 是如何解决陷入局部极值点或震荡问题
  3. 简述为什么会出现梯度消失，如何缓解这个现象

T10 强化学习 #

简述强化学习在大语言模型或机器人领域的应用

往年博客 #

  1. https://blog.csdn.net/weixin_66992679/article/details/145398059
  2. https://blog.csdn.net/weixin_52843454/article/details/135317356
  3. https://theuho.site/2025/08/11/ML-final/
  4. https://theuho.site/2025/08/11/ML-review/
  5. https://blog.csdn.net/m0_59182181/article/details/145010304
  6. https://suzumiyaakizuki.github.io/2024/12/21/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E6%9C%9F%E6%9C%AB%E8%80%83%E8%AF%95%E4%BE%8B%E9%A2%98%E6%B1%87%E6%80%BB/