Shell原始：Θ(N²)Shell sort = 多轮“间隔插入排序”，逐步缩小h直到1Shell sort = “带间隔的插入排序 + 逐步缩小间隔 + 用空间换时间的优化版插入排序”堆排序 & 归并排序 速记模板三、堆排序（Heapsort）堆排序=“先建堆，再不断删除最大值/最小值放到末尾”，每次调整堆。两步流程② N−1次 DeleteMax + PercDown（每次O(logN)）复

数据准备 → 划分数据集选择模型 → 定义损失函数训练模型 → 最小化经验/结构风险验证调参 → 防止过拟合测试评估 → 评估泛化能力过拟合是指模型在训练集上表现良好，但在未见过的测试集上表现较差的现象，通常是由于模型过于复杂或训练数据不足导致。缓解方法包括：增加训练数据使用正则化（如L1、L2正则）简化模型结构采用早停策略使用交叉验证考点出题形式复习提示机器学习三类填空、选择监督/无监督/强化学

考点出题形式复习重点逻辑回归与Sigmoid填空、选择函数形式、作用、与线性回归区别决策树划分指标选择、计算信息增益、增益率、基尼系数计算与比较AdaBoost机制填空、简答权重更新机制、弱分类器组合方式SVM与核函数选择、简答最大间隔思想、核函数作用、软间隔生成 vs 判别模型填空、选择区别、典型算法、适用场景LDA降维思想填空、简答类内方差最小、类间方差最大。

考点出题形式复习重点K均值流程简答题、填空四步流程、终止条件PCA步骤填空、简答中心化、协方差、特征值分解聚类 vs 分类选择题降维方法比较选择题、填空EM算法思想填空、简答E步、M步、隐变量特征人脸方法填空基于PCA、用于人脸识别。

特别是填空常考内容。理解。

LSTM中，输入门、遗忘门、输出门的激活函数通常为（ ）函数，输出值范围在（ ）之间，用于模拟门的（ ）状态。C̃_t = tanh(W_c · [h_{t-1}, x_t] + b_c) [候选记忆]o_t = σ(W_o · [h_{t-1}, x_t] + b_o)[输出门]C_t = f_t ⊙ C_{t-1} + i_t ⊙ C̃_t[新记忆]r_t = σ(W_r · [h_{t-1}

摘要：生成对抗网络（GAN）由生成器和判别器组成，通过交替训练实现纳什均衡。核心变体包括CGAN（条件生成）、CycleGAN（无配对转换）和WGAN（改进训练稳定性）。GAN广泛应用于图像生成、风格迁移和对抗防御，但存在模式崩溃和训练不稳定等问题。关键要点：1. 原始GAN通过生成器生成数据、判别器评估真伪；2. CGAN引入条件信息实现可控生成；3. WGAN采用Wasserstein距离优化

100 个样本优先用 5/10 折交叉验证，训练集调参，独立测试集做最终评估，严控过拟合。

冰川 SMB 与深海流速这两类任务的共同挑战都是：用稀疏、高质量、点尺度的实地真值，去关联覆盖广但间接、有噪声、尺度不匹配的遥感 / 表层数据，并解决空间稀疏、尺度错位、物理关系复杂、模型难以外推等问题。

回答下述问题。