本合集包含60篇大模型面试文章（机器学习、深度学习、大模型各20篇），共计299微信豆，谢谢您的订阅。
适合人群：
- 在校学生：如果你是在校学生，对AI有浓厚兴趣，并希望通过学习相关内容增强自己的实践能力，以便在未来的实习或工作中脱颖而出，那么大模型的知识将是你简历上的一大亮点。
- 职场新人：对于那些刚刚步入职场不久的同学，如果你想通过掌握大模型技术来提升自己的职业竞争力，无论是为了升职加薪还是寻求更好的职业发展机会，这部分内容都将是你的宝贵资产。
- 追求效率者：如果你希望通过“偷懒”来节省时间，获取整理好的大模型面试资料和信息，以便更高效地准备面试或学习，那么这些资源将是你的得力助手。
- 经验交流者：渴望与行业内的专业人士近距离交流，汲取更多实战经验，获取第一手行业信息的人群，也将从这些内容中受益匪浅。
不适合人群：
-
自主学习强者：对于那些已经拥有强大自我学习能力，能够独立完成AI相关知识学习的人来说，这些额外的帮助可能不是必需的。
-
非AI领域人士：如果你不准备进入AI相关领域，或者对AI学习没有兴趣，那么这部分内容可能并不适合你。
向量化（Embedding） 是一种将离散数据（如单词、图像等）转换为连续向量表示的技术。这些向量通常能够捕捉原始数据之 间的语义或结构相似性。
- 独热编码（One-Hot Encoding）：为每个词分配一个唯一的二进制向量，但存在维度灾难和无法表示语义相似性的问题。
- 词嵌入（Word Embeddings）：如Word2Vec、GloVe、FastText等，将每个词映射到一个高维实数向量，这些向量在语义上是相关的。
Embedding
Word2Vec 由 Google 的研究人员在 2013 年提出，Word2Vec 是一种用于自然语言处理（NLP）中词嵌入学习的方法，它能够将单词从词汇表映射到连续的向量空间中，这样词与词之间的相似度就可以通过向量之间的距离（如欧几里得距离或余弦相似度）来衡量。
- Skip-Gram：在 Skip-Gram 模型中，目标是利用中心词来预测上下文中的词（即，给定一个词，预测它周围的词）。例如，给定“the cat is on the mat”这句话，并假设“cat”是中心词，Skip-Gram 模型会尝试预测“the”、“is”、“on”和“the”（可能还包括“mat”，取决于上下文窗口的大小）等词。
- Continuous Bag of Words (CBOW)：与 Skip-Gram 相反，CBOW 模型使用上下文中的词来预测中心词。在同样的例子中，如果使用“the”, “is”, “on”, 和 “the”作为上下文，CBOW 模型会尝试预测出中心词“cat”。
GloVe（Global Vectors for Word Representation） 是一种由斯坦福大学的研究团队在2014年提出的无监督学习算法，用于生成词向量。GloVe模型是一种结合了全局词频统计（count-based）和局部上下文窗口（direct prediction）方法的词表征工具。它通过将单词映射到高维向量空间中，使得向量之间的距离能够反映单词之间的语义相似性。
FastText 是一种由Facebook AI Research实验室开发的开源库，主要用于文本分类和词向量表示。FastText的核心算法基于连续词袋模型（Continuous Bag of Words, CBOW），并引入了n-gram技术。在FastText中，文本被表示为一个词袋（bag of words），即一个词的集合，并通过n-gram技术将文本中的每个词及其n-gram表示相加，得到文本的向量表示。
ELMo（Embeddings from Language Models） 是一种基于语言模型的深度语境化词表征方法，它通过在大规模语料中训练深度双向长短期记忆网络（LSTM）来捕捉句子中的长期依赖关系，并生成高质量的词向量。ELMo与传统的词向量学习方法（如Word2Vec、GloVe等）不同，ELMo生成的词向量不是固定的，而是会根据当前句子的上下文环境进行动态调整。 这种动态词向量的特性使得ELMo能够更好地处理一词多义问题。
Embedding