AI 岗位知识

AI 岗位面试需要把线性代数、概率统计、机器学习方法、神经网络、强化学习、语言与视觉任务以及大模型串成一条知识主线。本栏目先建立题库分类入口，后续按专题补充原理、公式、算法推导、工程实践和面试追问。

推荐学习顺序

先掌握线性代数、概率统计和机器学习中的基本概念，再学习神经网络的表示、训练与优化；自然语言处理、计算机视觉和强化学习是面向任务的扩展方向，大模型则建立在深度学习、自然语言处理和分布式训练等知识之上。

题库分类

专题	题目数量	覆盖内容
📐 线性代数	—	向量与范数、子空间、矩阵、线性变换、特征值与特征向量等
📊 概率论与数理统计	131	随机变量、概率分布、假设检验、贝叶斯定理等
⚙️ 机器学习基础	138	学习范式、监督模型、集成学习、降维、聚类、推荐系统和模型评估
🧠 深度学习与神经网络	181	神经网络架构、Attention、Transformer、训练优化、推理部署、视觉与多模态
🎮 强化学习	164	MDP、Q-Learning、策略梯度、Actor-Critic 等
📝 自然语言处理	13	分词、词向量、序列标注、文本分类、机器翻译等
🤖 大模型与 LLM 应用	22	预训练、并行训练、PEFT、推理优化、Agent、模型评测、RAG、GraphRAG 和向量检索
🖼️ 计算机视觉	91	图像分类、目标检测、图像分割、特征提取等

概率论与数理统计

从随机变量与常见概率分布出发，整理期望、方差、协方差、极限定理、参数估计、假设检验和贝叶斯方法，为机器学习中的损失函数、评估指标和不确定性分析打基础。

机器学习基础

以“监督信号—模型假设—损失与优化—泛化评估”为主线，拆分为监督学习与集成模型、降维、聚类与矩阵分解和模型评估三个专题。总览见机器学习基础。

深度学习与神经网络

以“表示—架构—训练—部署”为主线，拆分为神经网络与经典架构、Attention 与 Transformer、训练优化与部署工程和视觉、多模态与生成应用。总览见深度学习与神经网络。回答模型结构时，应同时说明数据流、梯度流和计算成本。

强化学习

围绕马尔可夫决策过程（MDP）、价值函数、Bellman 方程、Q-Learning、时序差分、策略梯度和 Actor-Critic 建立统一框架，并区分探索与利用、on-policy 与 off-policy 等关键取舍。

自然语言处理

覆盖分词、词向量、序列标注、文本分类和机器翻译等经典任务，串联文本表示、序列建模、注意力机制与任务评估，为理解现代语言模型做好准备。

大模型与 LLM 应用

围绕大模型系统中的训练扩展、参数高效适配、推理服务、Agent、评测和外部知识增强，拆分为训练、适配与推理、Agent 与模型评测和RAG 与检索系统。总览见大模型与 LLM 应用。

计算机视觉

覆盖图像分类、目标检测、图像分割和特征提取等常见任务，后续补充卷积网络、数据增强、检测框架、评价指标以及视觉多模态模型的面试知识。

面试复习方法

每个专题都建议按“概念 → 数学 / 算法机制 → 训练或推理流程 → 评价指标 → 工程取舍 → 常见追问”复述。对于模型类问题，除了说明“是什么”，还要能解释输入输出、优化目标、适用假设、失败模式和如何验证效果。