1、用自己的话说明机器学习的四大分类： classification (分类)、 clustering (聚类)、regression (回归)、dimensionality reduction (降维)。
classification (分类)：分类需要先找到数据样本点中的分界线，再根据分界线对新数据进行分类，分类数据是离散的值，比如图片识别、情感分析等领域会经常用到分类任务。
clustering (聚类)：聚类是根据样本之间的相似度，将一批数据划分为N个组。比如用户分组、异常值检测等领域会用到聚类任务。
regression (回归)：回归是对已有的数据样本点进行拟合，再根据拟合出来的函数，对未来进行预测。回归数据是连续的值，比如商品价格走势的预测就是回归任务。
dimensionality reduction (降维)：降维是减少数据的维度，对数据进行降噪、去冗余，方便计算和训练；如数据预处理，减少一些对模型准确率影响很小维度，可以提高计算效率。再如图表可视化，我们进行数据分析时，通常会将高维模型降为三维或二维图表，便于直观分析。
2、用自己的话说明正向传播、反向传播、梯度下降。
正向传播：正向传播是指对神经网络沿着从输入层到输出层的顺序，依次计算并存储模型的中间变量。
反向传播：反向传播用于计算神经网络中的参数梯度。
梯度下降：用于优化目标函数，如果要最小化一个损失函数，就使用梯度下降法。
3、用自己的话说明梯度消失和梯度爆炸原因。
（1）隐藏层的层数过多；（2）采用了不合适的激活函数；（3）权重的初始化值过大.