《杉川机器人》专题

确实，不太契合，非科班鼠鼠的计网，操作系统基本功太差了，题也没撕。 1. 为何转行 2. 拷打项目 3. 知道哪些网络攻击（csrf，xss） 4. csrf如何防御 5. xss如何开展（嵌入脚本，咋嵌入的？忘了） 6. 你在宿舍ping百度的ip的过程中发生了什么（我真不会） 7. linux如何查看进程监听的tcp端口 8. 如何查看进程PID 9. kill -9 中-9的作用和目的是什么

智元机器人不方便透露的部门前端岗 1. 项目 2. 难点 3. js基本数据类型 4. 对基本数据类型string访问length时发生了什么 5. 事件循环 6. 浏览器实现异步的几种写法 7. react的setState是同步还是异步的 8. 函数组件的基本的hook介绍下 9. redux更新状态的过程 10. 虚拟dom优势，劣势（简单的修改需要很多对比） 11. 算法： 1. 小青蛙上

1101 - 技术面 自我介绍 实习经历 K8S： K8S 和 Spring Cloud 了解 如何基于 K8S 部署服务 K8S 部署服务的流程 基于 Spring 开发过的个人项目，是课程吗 对巨杉了解 算法 1103 - HR 面 自我介绍 校园经历 实习经历 Offer： 手头 Offer 及薪资待遇，偏向程度 期望薪资 相同薪资的 Offer 如何选择 个人优势 反问 #面经##校招##

首先自我介绍 我说了大概两分钟，期间HR一直在看东西，应该是在看我的简历，不过好像并没有在听我的自我介绍，等我说到了谢谢，她才说，啊你自我介绍完了。 其次项目介绍 自我介绍之后，她说那我们重点说一下你这个简历上的项目吧。然后我就开始了我六分钟的项目介绍，期间她也是并没有打断我，也没有再提出相关的技术性问题，只问了我是独立完成的吗。 然后测试知识 因为我投的是软件测试工程师岗位，她也并没有问我具体的

支持向量机（SVM）是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面，可以将问题化为一个求解凸二次规划的问题。与逻辑回归和神经网络相比，支持向量机，在学习复杂的非线性方程时提供了一种更为清晰，更加强大的方式。

感知机可以理解为几何中的线性方程：w*x+b=0 对应于特征空间 R^n 中的一个超平面 S ，其中 w 是超平面法向量，b 是超平面的截距。这个超平面将特征空间划分为两个部分。位于两部分的点（特征向量）分别被分为正、负两类。

Scikit-learn 套件的安装 目前Scikit-learn同时支持Python 2及 3，安装的方式也非常多种。对于初学者，最建议的方式是直接下载 Anaconda Python (https://www.continuum.io/downloads)。同时支持 Windows / OSX/ Linux 等作业系统。相关数据分析套件如Scipy, Numpy, 及图形绘制库 matplot

相机触发驱动器是为了让AUX端口发出一个脉冲来触发相机. 这个可以用于多个应用程序，包括航测和重建照片、同步多相机系统或者视觉惯性导航. 除了发送脉冲之外,还会发布一个MAVLink消息，其中包含序列号（当前会话的图像序列号）和对应的时间戳。 触发模式 支持四种不同的模式，由TRIG_MODE参数控制 TRIG_MODE 1 就像一个基本的定时曝光器，可以使用MAVLink命令MAV_CMD_DO

我目前正在学习的一本手册（我是新手）说： “小于机器ε的数字在数字上是相同的” 使用Python，可以通过键入 如果我查一下 我获得False。 但如果我查一下 我明白了。 如果我将eps除以100，我的后一个逻辑表达式将变为False。那么，机器epsilon是如何工作的呢？Python文档只是说 “可表示的最小正数，使1.0 eps！=1.0。eps的类型是合适的浮点类型。” 提前谢谢你。

Index 基本遵从《统计学习方法》一书中的符号表示。 除特别说明，默认w为行向量，x为列向量，以避免在wx 中使用转置符号；但有些公式为了更清晰区分向量与标量，依然会使用^T的上标，注意区分。 输入实例x的特征向量记为： 注意：x_i 和 x^(i) 含义不同，前者表示训练集中第 i 个实例，后者表示特征向量中的第 i 个分量；因此，通常记训练集为： 特征向量用小n表示维数，训练集用大N表示个数

Reference CS229 课程讲义（中文） - Kivy-CN - GitHub 超参数选择 Grid Search 网格搜索 在高维空间中对一定区域进行遍历 Random Search 在高维空间中随机选择若干超参数 相关库（未使用） Hyperopt 用于超参数优化的 Python 库，其内部使用 Parzen 估计器的树来预测哪组超参数可能会得到好的结果。 GitHub - https

偏差与方差 《机器学习》 2.5 偏差与方差 - 周志华 偏差与方差分别是用于衡量一个模型泛化误差的两个方面； 模型的偏差，指的是模型预测的期望值与真实值之间的差； 模型的方差，指的是模型预测的期望值与预测值之间的差平方和； 在监督学习中，模型的泛化误差可分解为偏差、方差与噪声之和。 偏差用于描述模型的拟合能力； 方差用于描述模型的稳定性。 导致偏差和方差的原因 偏差通常是由于我们对学习算法做了错

机器学习 概述 机器学习(Machine Learning,ML) 是使用计算机来彰显数据背后的真实含义，它为了把无序的数据转换成有用的信息。是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。 它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及

机器学习是人工智能的一个分支，它是一门研究机器获取新知识和新技能，并识别现有知识的学问。机器学习的精确定义为： It’s a computer program learning from experience E with respect to some task T and some performance measure P, if its performance on T as measur

以下服务属于“应用服务”部分 - 亚马逊CloudSearch 亚马逊简单队列服务（SQS） 亚马逊简单通知服务（SNS） 亚马逊简单电子邮件服务（SES） 亚马逊SWF 在本章中，我们将讨论Amazon SWF。 Amazon Simple Workflow Service (SWF)是一种基于任务的API，可以轻松协调跨分布式应用程序组件的工作。 它提供了一种编程模型和基础结构，用于协调分布式