1. 贝叶斯决策：从理论公式到工业质检实战
考试时让你计算最小错误率的贝叶斯决策，你可能觉得这不过是道数学题。但在半导体缺陷检测的生产线上，这套理论每天要处理数百万次决策。我去年参与的一个芯片外观质检项目，就用贝叶斯决策树替代了传统阈值方法，误检率直接降了37%。
先看基础公式：P(ω_i|x)=p(x|ω_i)P(ω_i)/p(x)。工业场景中，先验概率P(ω_i)不再是题目给的固定值，而是动态更新的实时统计量。比如当某批次原材料波动时，缺陷概率分布会明显右移，这时就需要建立在线学习机制——我们采用滑动窗口统计最近5000个样本的类别分布。
连续型特征处理是另一个易错点。考试可能只要求计算正态分布下的判别函数，但实际生产中特征可能服从混合分布。在某液晶屏斑点检测项目中，我们先用KDE（核密度估计）拟合p(x|ω_i)，再结合EM算法迭代优化，最终在3μm级缺陷识别上达到99.2%召回率。
提示：工业级贝叶斯分类器必须内置特征工程模块，常见做法是用自动微分框架实现端到端概率建模
2. 隐马尔可夫模型：语音识别到行为预测的进化
还记得试卷上那个"晴天/雨天→散步/宅家"的HMM例题吗？在智能家居场景中，我们用改进的层次化HMM预测用户行为：第一层建模移动轨迹（客厅→厨房），第二层推断行为意图（取零食/准备做饭）。实测比传统方案预测准确率提升28%。
关键突破在于参数自适应机制。考试题的转移矩阵是固定的，但真实场景中A矩阵需要动态调整。我们设计的时间衰减因子让最近1小时的行为数据具有更高权重，这在老人看护场景中成功预警了多次异常状态。
发射概率建模也有讲究。某智能音箱项目最初直接用MFCC特征作为观测值，后来改用神经网络提取的瓶颈特征（bottleneck features）替代传统高斯混合模型，词错误率从15%降到9%。这里有个工程经验：HMM的B矩阵最好用深度学习特征+线性分类器来构建，既保持时序建模优势又提升特征判别力。
3. 卡尔曼滤波：自动驾驶中的状态估计艺术
考卷要求解释卡尔曼滤波参数时，可能没告诉你过程噪声Q的调参能逼疯工程师。我们在L4级自动驾驶项目中，针对不同路况设计了Q矩阵的自动调节策略：高速公路保持低过程噪声信任度（0.8），城区复杂路况提升到0.95，雨天再引入路面湿度系数。
状态转移矩阵F的工程化改造更有意思。传统匀速模型在弯道表现糟糕，我们改用IMU数据动态修正F矩阵的旋转分量，横向位置误差直接减少42%。开源方案常忽略的预测-更新时序问题也值得注意：务必确保毫米波雷达和视觉的异步数据严格对齐到同一时间戳，否则会出现"幽灵障碍物"。
实测发现，激光雷达点云配准中，将卡尔曼滤波与ICP算法结合（预测位姿作为ICP初始值），计算耗时能从120ms降到35ms。这印证了老工程师那句话："好算法不是替代关系，而是组合创新。"
4. 目标检测算法：从Faster RCNN到DETR的工业选择
考试要求对比Faster RCNN和DETR的损失函数时，可能没深入讨论工业部署的权衡。在某物流分拣系统升级时，我们做过详细测试：Faster RCNN在TX2芯片上跑30FPS但mAP只有68%，换成DETR后mAP升到73%但帧率暴跌到8FPS——最终方案是用Cascade RCNN+知识蒸馏，在保持70FPS时达到75%mAP。
样本效率是另一个关键差异。DETR需要3倍训练数据才能收敛到Faster RCNN同等精度，这对医疗影像等小样本领域很不友好。我们的解决方案是预训练时在Transformer层加入可学习的位置编码（Learnable Positional Encoding），使所需数据量减少40%。
损失函数设计上有个实战技巧：Faster RCNN的smooth L1损失对大小目标权重相同，可以改为GIoU Loss+动态权重调整，这样对小缺陷检测更友好。而DETR的二分匹配损失计算成本高，用匈牙利算法前先做基于IoU的候选筛选能加速20倍。
5. 生成对抗网络：StyleGAN系列的生产级调优
当考题问及StyleGAN、pSp、PTI的区别时，实际项目要考虑更多维度。某电商商品图生成项目中，我们发现原始StyleGAN2在保持品牌标识一致性上得分仅65分，改用pSp编码器后提升到82分，但推理速度从25FPS降到7FPS。最终方案是对高频特征用PTI微调，低频特征保持pSp编码，在15FPS时获得88分质量评价。
潜空间编辑的工业陷阱也值得警惕。直接使用StyleSpace属性控制时，调整嘴部微笑参数常会意外改变发型。我们开发了基于对比学习的解纠缠正则项，使属性控制独立度提升3倍。另一个秘籍是在W+空间做局部微调时，对第一个特征层施加更强约束，这能有效避免图像畸变。
注意：生产环境部署GAN必须添加安全模块，我们设计的异常检测器能拦截99%的mode collapse和artifacts
6. 模式识别系统的工程化思维
设计监考系统这类开放题，反映的是算法落地的综合能力。我们实际开发的在线监考系统包含：1）基于光流法的异常动作检测（HMM时序建模）2）使用YOLOv5+DeepSORT的多人视线追踪 3）基于ResNet50的屏幕内容检测 4）用对比学习构建的个性化行为基线。
样本不平衡问题不能只靠过采样。在某金融反欺诈项目中，我们采用三步策略：首先用GAN生成边界样本（只生成特征空间决策边界附近样本），然后用Focal Loss重新加权，最后引入基于课程学习的渐进式训练。最终在正负样本1:5000的情况下达到89%的召回率。
真实系统必须考虑计算成本。将卡尔曼滤波用于实时手势追踪时，我们把状态向量从9维降到6维（去除指尖加速度），在iPhone上运行时间从18ms降到6ms。这种"算法瘦身"的智慧，是考试题不会告诉你的实战经验。
