利兹大学COMP3611机器学习考试重要考点总结！

利兹大学COMP3611机器学习课程（Machine Learning）期末考核核心围绕算法原理推导、模型优化逻辑、实践场景应用展开，尤其重视对基础理论的深度理解与计算能力。以下结合课程目标、考试范围，对COMP3611考点进行详细梳理。

一、利兹大学COMP3611机器学习课程目标

1、列出机器学习中使用的主要算法，并推导其更新规则

2、了解当前方法的能力与局限性；

3、评估机器学习算法的性能；

4、利用现有的机器学习算法实现来探索数据集并构建模型。

二、利兹大学COMP3611机器学习考试范围

主题选择：神经网络、决策树、支持向量机、贝叶斯学习、基于实例的学习、线性回归、聚类、强化学习、深度学习。

评估方法：将举例说明机器人学和计算机视觉研究中出现的简单问题。

三、利兹大学COMP3611机器评估方式

1、In-course Assessment课程评估（占30%）——除非另有说明，重考将采用与首次相同的评估方法。

2、Open Book exam开卷考试（占60%）——该课程将通过开卷考试重新评估。

四、利兹大学COMP3611机器学习考点总结

1.线性回归

①单变量/多变量线性回归模型的数学表达（$y=w^Tx+b$）及参数意义；

②损失函数构建（均方误差MSE）与优化方法（梯度下降法的迭代公式推导、正规方程求解及其适用场景对比）；

③正则化机制（L1正则化Lasso与L2正则化Ridge的原理、对参数的影响及过拟合抑制效果）；

④模型评估指标（R²、调整后R²、MAE的计算与解读）。

2.基于实例的学习

①k近邻（k-NN）算法的核心逻辑（距离度量：欧氏距离、曼哈顿距离的计算与适用场景；k值选择对模型偏差-方差的影响）；

②局部加权回归（LWR）的核函数作用（如高斯核）与权重计算；

③算法优缺点分析（对异常值的敏感性、计算复杂度与数据标准化的必要性）。

3.决策树

①决策树构建的核心步骤（特征选择、决策节点划分、剪枝策略）；

②特征选择指标的计算（信息增益、信息增益比、Gini系数的公式及物理意义，对比不同指标对离散/连续特征的适配性）；

③剪枝技术（预剪枝的停止条件、后剪枝的误差计算方法）；

④集成学习延伸（随机森林的Bagging思想、特征随机选择对过拟合的抑制作用）。

4.支持向量机（SVM）

①线性可分SVM的核心目标（最大间隔分离超平面的数学表达、支持向量的定义与作用）；

②对偶问题转化（拉格朗日乘数法的应用、KKT条件的含义）；

③核函数机制（线性核、多项式核、高斯核（RBF）的公式及适用场景，核技巧解决非线性分类问题的原理）；

④软间隔SVM（松弛变量的引入、惩罚参数C对模型泛化能力的影响）。

5.贝叶斯学习

①贝叶斯定理的应用（先验概率、似然函数、后验概率的计算）；

②朴素贝叶斯分类器的假设（特征条件独立性）与分类流程（高斯朴素贝叶斯、多项式朴素贝叶斯对不同数据类型的适配）；

③贝叶斯估计与最大似然估计的对比（先验信息对参数估计的影响）；

④贝叶斯网络的结构（节点、边的含义）与联合概率计算。

6.聚类

①k-均值聚类（k值选择方法（肘部法则、轮廓系数）、迭代步骤（初始化、分配、更新中心）、对初始值的敏感性）；

②层次聚类（凝聚式聚类的合并准则（单链接、全链接、平均链接）及树状图解读）；

③密度聚类（DBSCAN的核心概念：ε邻域、核心点、边界点、噪声点，聚类过程及对非球形簇的适配性）；

④聚类效果评估指标（兰德指数、互信息、轮廓系数的计算与解读）。

7.神经网络

①神经元模型（感知机的输入输出计算、激活函数（Sigmoid、ReLU、Tanh）的作用与梯度特性）；

②多层神经网络的结构（输入层、隐藏层、输出层的参数传递）；

③反向传播算法的推导（链式法则计算各层参数的梯度、权重更新公式）；

④过拟合抑制方法（dropout、权重衰减、早停策略的原理）。

8.深度学习

①深度学习与传统神经网络的区别（深度的定义、特征自动提取能力）；

②典型深度模型结构（卷积神经网络CNN的核心组件：卷积层、池化层、全连接层的作用；循环神经网络RNN对序列数据的处理逻辑）；

③深度学习优化技巧（批量归一化BN的原理、Adam优化器的参数更新规则）；

④模型训练难点（梯度消失/爆炸的原因及解决方法：权重初始化、残差连接）。

9.强化学习

①强化学习基本框架（智能体、环境、状态、动作、奖励的定义）；

②马尔可夫决策过程（MDP的四元组定义、状态转移概率、回报与价值函数的计算）；

③核心算法（动态规划的策略迭代与价值迭代步骤；蒙特卡洛学习的无模型特点与回报计算；时序差分学习TD(0)的更新公式及优势）；

④Q-学习算法的流程（Q表更新公式、ε-贪婪策略的探索与利用平衡）。

以上利兹大学COMP3611机器学习考试重要考点总结。如果同学们在备考规划中遇到问题，可以咨询考而思在线客服。我们可匹配专业的利兹大学考试辅导老师，为大家提供线上一对一答疑，定制专属COMP3611备考辅导方案，帮你快速厘清完整考试范围，精准攻克知识难点与易错点，熟练掌握解题技巧与应试策略，为COMP3611考试充分准备，冲刺理想成绩！