避坑点：不要只罗列语法差异（如“C没有类，C++有类”），要聚焦**“特性→场景→抖音业务”** 的逻辑链，体现你懂“为什么用”而非只懂“是什么”；关键词突出：反复强调C的“极致性能”“硬件级控制”“底层模块”，以及在抖音客户端的“视频编解码、网络传输、内存池管理”等具体场景，让回答有针对性；逻辑闭环：先讲三者核心区别，再聚焦C的核心场景，最后关联抖音业务和自身优势，让回答既有技术深度，又贴合岗位

维度CC++Python编程范式纯面向过程面向过程+面向对象+泛型面向对象（原生支持）执行效率最高（接近硬件）极高（略低于C）低（解释型）开发效率低中等极高内存管理完全手动手动为主+智能指针自动GC类型检查静态编译期静态编译期动态运行期抖音客户端应用底层性能模块核心功能/渲染/音视频测试/脚本/AI原型。

AIGC：ChatGPT（文本/代码/翻译）、Midjourney（文生图）、Sora（文生视频）、DeepSeek（国产大模型，低成本、开源）。南开大学软件工程本科核心课，衔接AI、CV、LLM、数据科学、高级统计，支撑人工智能应用方向培养。研究让计算机模拟、延伸、扩展人类智能（认知、学习、推理等）的理论与技术；机器学习是AI核心技术。Python库：Numpy、SciPy、Matplotlib

1855年高尔顿提出，研究子女身高向平均身高回归的线性关系。：通过特征的线性组合预测连续目标值，用于房价预测、资信评估等。特点：预测正确时代价为0，错误时代价趋近无穷，惩罚错误预测。：1958年David Cox提出，用于二分类。：显式编码规则（硬逻辑），适合规则明确场景。：输出离散类别（如0/1、是否患病），核心是。：数据驱动自动学规则，适合规则复杂场景，是。：用训练数据+优化算法，学习最优模型

模型流派：神经网络（模拟大脑）、统计模型（线性回归）、概率模型（朴素贝叶斯）、几何模型（KNN）、信息论模型（决策树）、博弈论模型（GAN）、生物模型（进化算法）。各国推进脑科学计划（含中国脑计划）。多层感知器（MLP）：用两层感知器可解决XOR，实现非线性分类。1. MP神经元（1943，McCulloch-Pitts）2. 感知器（1958，Rosenblatt）输入加权求和+激活函数（阈值）

LeNet-5（手写数字）、AlexNet、VGG、ResNet。：加载（MNIST/CIFAR）→预处理（归一化/通道转换）→增强。：Dropout（随机失活，防过拟合）、数据增强（旋转/翻转等）。：输入图片→类别（MNIST、CIFAR、ImageNet）。：算法突破、海量标注数据、超强算力、专用芯片、成熟应用生态。：ReLU（常用，避免梯度消失）、Sigmoid、Tanh。：选择损失（交叉熵

二、朴素贝叶斯分类器（Naive Bayes）KMeans、高斯混合模型、HMM参数估计。四、贝叶斯信念网（Bayes Net）：类条件概率（特征在类别下的分布）条件概率表（CPT）：描述依赖概率。判断文本正向/负向（如评论情感）4. 平滑处理（拉普拉斯修正）：统计频率/最大似然估计CPT。：BIC/AIC评分、约束搜索。2. 语言模型（N-gram）的参数估计（数据缺失/未观测）：给定类别，各特

图嵌入：DeepWalk（游走）、GCN（卷积），节点向量化。PageRank：随机游走+权威传递，网页排序基石。1. 核心思想（1998，Google）4. 图卷积网络（GCN，2017）二、PageRank：网页排序算法。社交网络、生物基因网络、引文网络。支持节点分类、链接预测、图分类。RWR：带重启游走，半监督学习。网页排序（PageRank）：被权威页面链接，页面更权威。三、带重启随机游走

别名：多分类器系统、委员会学习、MoE（混合专家）二、Boosting（提升法）与AdaBoost。4. 错误率上限（Hoeffding不等式）4. 随机森林（RF，Bagging代表）三、Bagging（自举汇聚）与随机森林。：基学习器类型不同（树+SVM+LR）2. AdaBoost算法（1995）3. 弱分类器：单层决策树（决策树桩）第二层：元模型学习基输出与真实标签映射。：基学习器类型相同

1993/1995年：Cortes & Vapnik提出现代SVM。隐式高维映射，把低维非线性问题转为高维线性可分。机器学习·第5章 支持向量机（SVM）笔记。：1990年代—2015年深度学习兴起前，1968年：提出VC维（统计学习理论基础）1963年：Vapnik提出支持向量概念。求解：二次规划 / SMO算法。三、软间隔SVM（线性不可分）五、sklearn调用（要点）二、线性可分SVM（硬