题库刷题知识点总结
算法与机器学习相关
- 支持向量机：是一种有监督的机器学习算法，用于分类和回归任务。它通过寻找一个最优超平面来将不同类别的数据点分开，最大化两类数据点到超平面的间隔，具有良好的泛化能力和抗噪声能力。
- 机器学习：是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。它专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
- 聚类算法：是一种无监督学习算法，旨在将数据集中的样本划分为不同的组或簇，使得同一簇内的样本具有较高的相似性，而不同簇之间的样本具有较大的差异性，如K-Means算法等。
- 反向传播算法：是深度学习中用于训练神经网络的一种重要算法。它基于链式求导法则，将误差从输出层反向传播到输入层，依次计算每一层的梯度，然后根据梯度下降法更新神经网络的参数，使得损失函数不断减小。
网络与拓扑结构相关
- 广播风暴：是指在一个局域网中，当广播数据帧过多时，会导致网络带宽被大量占用，网络性能急剧下降，甚至瘫痪的现象。路由器可以防止广播风暴，是因为路由器工作在网络层，它能够隔离广播域，不会将接收到的广播数据包转发到其他网段，从而限制了广播的传播范围。
- 网络的星型拓扑结构：是一种常见的网络拓扑结构，有一个中心节点（如交换机、集线器），其他节点都与中心节点相连，数据通过中心节点进行转发。其优点是易于管理和维护、故障诊断和隔离容易；缺点是中心节点负担较重，一旦中心节点出现故障，会导致整个网络瘫痪。
计算机基础与数据处理相关
- 硬盘格式化：可分为高级格式化和低级格式化。高级格式化主要是对硬盘的文件系统进行初始化，创建文件分配表等，通常在操作系统中即可完成。低级格式化则是对硬盘进行更底层的初始化操作，如划分磁道、扇区等，一般在硬盘出厂前进行，不建议用户自行操作。
- 点阵图形：是由许多点组成的图像，每个点的颜色、亮度等信息被存储起来，这些点按照一定的规则排列形成图像，常见的点阵图形文件格式有BMP、JPEG等。
- CMYK模式：俗称印刷色，因为它是一种基于印刷的色彩模式，由青（Cyan）、洋红（Magenta）、黄（Yellow）、黑（Key Plate）四种颜色的油墨混合来产生各种颜色。在印刷过程中，这四种颜色的油墨可以通过不同的比例混合，实现丰富的色彩表现。
- 数据透视表：是一种数据处理工具，它可以对大量数据进行快速汇总和分析。用户可以通过简单的拖放操作，将数据字段进行重新组合和排列，以不同的角度查看和分析数据，方便地进行求和、计数、平均值等计算。
- Mod取余：是一种数学运算，用于计算两个数相除的余数。例如，a Mod b表示a除以b的余数，如7 Mod 3 = 1。在计算机编程和数据处理中，Mod取余运算常用于循环、分组等操作。
图像处理与标注相关
- 机器视觉通常属于监督学习领域：是指在机器视觉任务中，通常需要有大量带有标注信息（如物体类别、位置等）的图像数据作为训练样本，通过监督学习算法来训练模型，让模型学习从图像特征到标注信息之间的映射关系，从而实现对新的未知图像的识别和分析。
- 多边形属性标注工具：标注形式是通过绘制多边形来框选图像中的目标物体，并为多边形添加相关的属性信息，如物体类别、尺寸等。框+属性标注工具：则是使用矩形框来框选目标物体，同时也可以为框添加属性信息，适用于一些形状较为规则的物体标注。
- 精细分割：是一种图像语义分割技术，它旨在将图像中的每个像素都准确地划分到相应的语义类别中，实现对图像的精细理解和分析，例如将一幅自然图像中的天空、草地、树木、人物等不同物体的每个像素都进行准确分类。
- 标注骨骼关键点：通常用于人体动作分析、姿态估计等领域，需要在图像或视频中的人体或动物身体上标注出一些关键的骨骼关节点，如手腕、脚踝、膝盖、肘部等，以捕捉和分析其动作和姿态信息。
其他
- BBS：即电子公告板系统（Bulletin Board System），它提供公共电子白板是为了让用户可以在上面发布信息、交流讨论、分享资源等。用户可以在不同的板块下发表主题、回复他人的帖子，实现信息的快速传播和互动。
- 入侵检测系统（IDS）：是一种网络安全设备或软件，它通过对网络流量或系统活动进行监测和分析，试图发现任何未经授权的访问、恶意攻击或其他异常行为，并及时发出警报，以便管理员采取相应的措施来保护网络和系统的安全。
- 依存句法分析：是自然语言处理中的一项任务，旨在分析句子中词语之间的依存关系，确定句子的句法结构，例如确定主语、谓语、宾语、定语、状语等成分之间的依存关系，帮助计算机更好地理解句子的语义。
-
漏斗分析法：
漏斗分析法是一种广泛应用于市场营销、销售、用户行为分析等领域的数据分析方法，以下是对它的详细介绍：
概念与原理
- 概念：漏斗分析法将业务流程抽象成漏斗形状，按照业务流程的先后顺序，将各个环节依次排列，从漏斗的顶部到底部，每一个环节都代表了业务流程中的一个特定阶段，通过分析每个阶段的转化率和流失率，来评估业务流程的健康程度和效率。
- 原理：基于用户行为的线性流动假设，即用户在完成目标行为的过程中，会按照一定的顺序依次经过各个阶段。在每个阶段，用户都有可能因为各种原因而离开流程，导致转化率下降。通过对各阶段转化率和流失率的计算和分析，可以直观地了解用户在不同阶段的行为表现，找出影响业务转化的关键环节。
分析步骤
- 确定业务流程和漏斗阶段：明确要分析的业务流程，将其分解为若干个具有明确逻辑关系的阶段。例如，电商购物流程可分为浏览商品、加入购物车、生成订单、支付成功等阶段。
- 数据收集与整理：收集与各阶段相关的数据，包括每个阶段的用户数量、操作次数等。确保数据的准确性和完整性，以便进行后续的分析。
- 计算转化率和流失率：转化率=下一阶段用户数/当前阶段用户数×100%，流失率=（当前阶段用户数-下一阶段用户数）/当前阶段用户数×100%。通过计算这些指标，了解用户在各阶段的转化和流失情况。
- 绘制漏斗图：以图形的形式展示漏斗各阶段的转化率和流失率，直观地呈现业务流程的转化情况。漏斗图通常用矩形表示各个阶段，矩形的高度与该阶段的用户数量或转化率成正比，相邻阶段之间用箭头连接，清晰地展示用户的流动方向。
- 数据分析与解读：观察漏斗图的形状和各阶段的数据变化，分析转化率高或低、流失率高的原因。可能存在页面设计问题、用户体验不佳、营销活动效果不好等多种因素。结合其他相关数据和业务背景，深入挖掘问题的根源。
- 提出优化建议：根据分析结果，针对存在问题的环节提出具体的优化建议和改进措施。例如，优化页面布局、简化操作流程、加强营销推广等，以提高转化率，减少用户流失。
应用场景
- 市场营销：用于分析营销活动的效果，从广告曝光、点击、注册到最终购买等环节，了解用户在营销漏斗中的转化情况，评估不同营销渠道和活动的投入产出比，优化营销策略。
- 销售管理：帮助销售团队了解潜在客户在销售流程中的推进情况，从线索获取、商机跟进、报价到成交等阶段，找出销售过程中的瓶颈和问题，及时调整销售策略和资源分配，提高销售成功率。
- 用户行为分析：在互联网产品中，分析用户从注册、激活、使用到留存、付费等各个阶段的行为，了解用户的使用习惯和流失原因，优化产品功能和用户体验，提高用户的活跃度和留存率。
注意事项
- 数据准确性：确保收集到的数据准确无误，避免数据偏差和错误对分析结果的影响。
- 多维度分析：不要仅仅局限于转化率和流失率等单一指标，结合用户行为数据、时间维度、用户画像等多维度信息进行综合分析，以更全面地了解业务流程。
- 动态监测：业务流程和用户行为是动态变化的，需要定期进行漏斗分析，及时发现新的问题和变化，以便调整优化策略。
- 结合实际业务：分析结果要与实际业务情况相结合，不能仅仅依赖数据，要充分考虑业务背景和实际操作中的各种因素，确保提出的优化建议具有可操作性。
- 回归分析：是一种统计分析方法，用于研究变量之间的关系，通过建立数学模型来描述一个或多个自变量与因变量之间的依赖关系，例如根据房屋的面积、房龄、地理位置等自变量来预测房屋的价格。
- 时间序列分析法：是一种基于时间序列数据的分析方法，将观察到的按时间顺序排列的数据序列作为研究对象，通过对历史数据的分析和建模，来预测未来的趋势或变化，如预测股票价格走势、天气预报等。