〈数据结构与算法〉｜西交大AI考研真题的基石
作为839科目核心，本模块占专业课总分30%以上，且与后续AI模块深度耦合。例如：图算法用于神经网络优化、动态规划用于序列建模、树结构用于决策树与梯度提升。
典型真题示例（2023年）：“给定一个有向无环图（DAG），设计算法求所有节点的最长路径长度，并说明如何用于RNN计算图的并行调度”。解题关键在于：①拓扑排序；②动态规划状态定义（dp[v] = max(dp[u]+w(u,v))）；③时间复杂度O(V+E)。
高频考点清单：
- 线性结构：循环队列操作、稀疏矩阵压缩存储（CSR/CSC）
- 树与图：二叉树遍历重建、最小生成树（Prim/Kruskal）、最短路径（Dijkstra/SPFA/Floyd）
- 查找：B树插入删除、哈希冲突解决（开放定址/链地址）、AVL树旋转调整
- 算法设计：动态规划（背包、LIS/LCS）、贪心（区间调度、霍夫曼编码）、回溯（N皇后、子集和）
备考建议：建议用“手写推演+代码复现”双轨训练。例如：
① 手写Dijkstra算法伪代码（含优先队列维护）；
② 用Python实现BFS拓扑排序并用于课程依赖图；
③ 对比递归与迭代实现斐波那契数列的时空差异。
〈机器学习基础〉｜AI考研真题的理论核心
本模块集中于845科目前半部分，强调数学推导与模型理解。西交大真题特别注重：从“会用”到“会推”的过渡，如要求写出SVM的原始问题→对偶问题→KKT条件→松弛变量处理的完整链条。
典型真题示例（2022年）：“推导逻辑回归的损失函数（对数损失），并证明其梯度表达式；进一步说明如何用牛顿法加速收敛”。完整解答需包含：
① 损失函数定义：L(θ) = -∑[y log(hθ(x)) + (1-y) log(1-hθ(x))]
② 梯度推导：∇L = Xᵀ(hθ(X) - y)
③ 牛顿法更新：θ ← θ - H⁻¹∇L，其中H为Hessian矩阵（需写出二阶导表达式）
高频考点清单：
- 监督学习：线性回归/逻辑回归（推导+正则化）、SVM（硬边/软边、对偶、核技巧）、决策树（熵/基尼指数、剪枝）
- 集成学习：Bagging vs Boosting、AdaBoost权重更新公式、随机森林（OOB误差、特征重要性）
- 聚类与降维：K-Means（目标函数、Lloyd算法）、GMM（EM推导）、PCA（协方差矩阵、特征分解）
- 理论基础：VC维、偏差-方差分解、过拟合判别与对策
备考建议：建立“公式推导树”：
以SVM为例：
原始问题 → 拉格朗日函数 → 对偶问题 → KKT条件 → 松弛变量 → 核函数替换 → 多分类扩展（OvR/OvO）
每一步均需手写推导，并对比教材（如周志华《机器学习》）确保逻辑严密。
〈深度学习核心〉｜AI考研真题的高阶模块
本模块聚焦神经网络架构、训练技巧与前沿进展，要求考生不仅熟悉CNN/RNN/Transformer结构，更需理解其设计动机与适用场景。2023年真题“对比CNN与Transformer在图像分类任务中的优劣”，满分10分，得分率仅42%，暴露出考生对计算效率、并行性、长程依赖建模等关键差异理解不足。
典型真题示例（2024年）：“画出Transformer编码器单层结构图，并标注自注意力、前馈网络、残差连接、层归一化模块；说明为何需要残差连接与层归一化”。标准答案需包含：
① 图形标注（6分）
② 残差连接解决梯度消失（1分）
③ 层归一化稳定训练（1分）
④ 位置编码必要性（2分）
高频考点清单：
- 基础网络：CNN（卷积层/池化层/填充/步长）、RNN/LSTM（门机制、梯度消失）、Transformer（自注意力公式、多头机制、位置编码）
- 训练技巧：反向传播链式法则、梯度消失/爆炸处理（BN/Grad Clipping）、正则化（Dropout/L2/Early Stopping）
- 经典模型：ResNet（残差块）、U-Net（跳跃连接）、BERT（MLM/NSP任务）
- 生成模型：VAE（重参数技巧）、GAN（生成器/判别器对抗目标）
备考建议：重点攻克“公式手写+代码理解”：
① 手写Transformer自注意力公式：Attention(Q,K,V) = softmax(QKᵀ/√dₖ)V
② 用PyTorch复现单头注意力层（含mask）
③ 分析ResNet-50中瓶颈结构（1×1→3×3→1×1）的计算优势
〈计算机视觉与NLP〉｜AI考研真题的应用延伸
本模块考查考生将基础模型应用于具体任务的能力，强调任务定义→模型选择→评价指标→典型问题的完整链条。西交大真题常以“小场景+大原理”形式出现，如2021年“用Faster R-CNN检测行人，画出流程图并说明RPN作用”。
典型真题示例（2020年）：“解释语义分割中Dice系数与IoU的区别；若某模型对前景类预测IoU=0.65，Dice=0.75，分析可能原因”。正确解答需指出：
① IoU = TP/(TP+FP+FN)，Dice = 2TP/(2TP+FP+FN)
② 当FP与FN不对称时二者差异显著（如前景区域稀疏）
③ 本例中Dice > IoU，说明FP略大于FN（模型倾向于多预测）
高频考点清单：
- 计算机视觉：目标检测（Faster R-CNN/YOLO/SSD流程）、语义分割（FCN/U-Net/DeepLab）、图像分类（ResNet/ViT对比）
- 自然语言处理：词嵌入（Word2Vec/CBOW/Skip-gram）、序列建模（LSTM/GRU）、预训练模型（BERT/ELMo/GPT）
- 评价指标：分类（Precision/Recall/F1/AUC）、检测（mAP/IoU阈值）、生成（BLEU/ROUGE）、分割（Dice/IoU）
- 工程实践：数据增强（旋转/裁剪/颜色抖动）、迁移学习（ImageNet预训练）、模型压缩（剪枝/量化/蒸馏）
备考建议：建立“任务-模型-指标”映射表：
例如：
[目标检测] → Faster R-CNN（两阶段）/ YOLO（单阶段） → mAP@0.5
[机器翻译] → Seq2Seq+Attention / Transformer → BLEU-4
[图像生成] → DCGAN / StyleGAN → FID