《视觉算法》专题

问题答案可关注公众号 机器学习算法面试，回复“资料”即可领取啦~~ 1.机器学习理论 1.1 数学知识 1.1.1 机器学习中的距离和相似度度量方式有哪些？ 1.1.2 马氏距离比欧式距离的异同点？ 1.1.3 张量与矩阵的区别？ 1.1.4 如何判断矩阵为正定？ 1.1.5 距离的严格定义？ 1.1.6 参考 1.2 学习理论 1.2.1 什么是表示学习？ 1.2.2 什么是端到端学习？ 1.2

7.21 面的算法岗，面试官很和蔼，问的问题很有深度，后面才知道是百度很多模型的核心开发人员，牛！ 上来先做题，让共享屏幕。题目是编辑距离，想了一会写出来了，让写几个测试样例跑一下，写了几个边界条件测试了一下，面试官说可以了，然后手撕代码就过了。 接着开始自我介绍，完了开始问论文相关的东西。我介绍过程中他会就感兴趣的点提问，问的很有深度，但是好在多数问题我自己准备过，答得还算可以。 接着根据论文延

选择：25 考题内容：c++ python 语音识别算法 图像算法等等 算法： 1、两个字符串的最长公共子串 二维dp可解；100% 2、n个数，找可以合成60+120的组合方式 回溯+排列组合公式； 100% 前两道比较简单 3、k-mean 寄 看见第三题直接懵逼，投的决策规划岗，个人方向为传统的规划方法，没怎么接触过机器学习的东西，干瞪眼40分钟没写出来😂，可能我不适合吧 #科大讯飞##科

算法岗是4*编程题+3*多选题(应该是对应开发岗的编程第五题) 编程题是： 第一题 魔法外卖 很简单 ac 第二题 扫地机器人 也很简单 ac 第三题 模拟扑克牌 简单的逆向模拟 ac 第四题 类似三数之和 a[i]-a[j]=2a[j]-a[k] python超时，通过64%，想用双指针想了下不可行钻了一会儿牛角尖，然后想到用hashmap优化但是没来得及搞就匆匆提交看选择题去了 选择题是： 第

算法岗（当时投递的互联网深度学习算法工程师岗位） 笔试不是很难，投完简历要做一个测评 9.24号一面技术面 自我介绍完，聊了下项目，我的是之前实习时干的一些算法项目，一个是挖掘机销量预测，一个是泵送的异常检测，问的不是很深，大概聊了15分钟吧 手撕代码是：一个无序的整数数组，快速找到中位数，尽量不额外开辟空间。 （写了个快排，中位数就是求第k大个数。也可以用堆，但是尽量不额外开辟空间，所以不能用优

1.定位 ''' 题目描述： 小团在地图上放了三个定位装置，想依赖他们来进行定位！ 小团的地图是一个n×n的一个棋盘，他在(x1,y1),(x2,y2),(x3,y3) xi,yi ∈ Z ∩ [1,n] 这三个位置分别放置了一个定位装置（两两不重叠）。 然后小团在一个特定的位置(a,b)a,b ∈ Z ∩ [1,n]放置了一个信标。每个信标会告诉小团它自身到那个信标的曼哈顿距离，即对i=1,2,

以为刷了1000题，秋招笔试应该AK很轻松了 结果今天考了两场都没A掉，上午卡python的. 太难了 Q1 100% 贪心从左到右转换，题目意思是相邻的数换位置。 Q2 100% 哈希加前缀和 Q3 100% 看到位运算，基本上都是把每一位拆开了看，横看成岭侧成峰 Q4 60% 参考斐波那契数列logn做法，但是我不知道怎么算 mod k,其中n应该是不能mod，不然会影响结果，有没有A了的大佬

说到Boyer-Moore算法，它是一个字符串算法，这个算法追求的就是每次匹配，一般发现失败了，要往前移动尽可能多的距离，少算一点是一点。为了实现这个目标，首先算法选择的就是从pattern的尾部开始算。这个时候就会出现若干种情况。 Boyer-Moore算法不仅效率高，而且构思巧妙，容易理解。1977年，德克萨斯大学的Robert S. Boyer教授和J Strother Moore教授发明了

本篇简述一下IDA*算法，并列出代码帮助大家理解。 （1）算法简介 IDA*(ID A*)算法是一种启发式搜索算法，他是采取了迭代加深的 A*算法，使用了深度优先搜索的方式。 相对于A*算法，IDA*算法主要解决了： 1. A*算法需要判重，对优先级排序的问题。 2. A*算法使用堆，需要大量空间存储的问题。 （2）算法思想 IDA*算法的基本思想是设置一个搜索深度，这个搜索深度从0开始依次递增。

美团算法一面面经（被捞） 1、面试官介绍自己和部门 2、自我介绍 3、问实习 4、问科研项目 5、传统的机器学习算法有无了解 6、决策树，评价指标有哪些 7、逻辑回归算法有无了解？逻辑回归的损失函数？ 8、回归问题有无了解？回归问题采用的损失函数 9、有了解集成学习吗？都有哪些算法？ 10、过拟合有了解吗？过拟合的解决方案。 10、算法题：求一个数组中前k大的数，要求时间复杂度O（logn） 11

美团算法二面面经 美团流程还挺快，一面后第二天就约了二面 1、面试官介绍 2、自我介绍 3、问实习经历 4、问项目经历 5、算法题：sql题：给一个评论表，有用户id，评论，时间，统计表 一个时间段内（具体时间不太记得了），累计评价数以及评价作者数（要去重）。（没写出来） 6、对互联网行业的看法（简单谈了下自己的看法） 7、对互联网算法工程师的认识（说了下算法工程师类型和分工） 8、喜欢当偏结合业

综述 “借问酒家何处有？牧童遥指杏花村。” 本文采用编译器：jupyter  线性模型试图学得一个通过属性的线性组合来进 预测的函数，即 线性模型形式简单、易于建模，但却蕴涵着机器学习中一些重要的基本思想。许多功能更为强大的非线性模型可在线性模型的基础上通过引入层级结构或高维映射而得。此外，由于 ω 直观表达了各属性在预测中的重要性，因此线性模型有很好的可解释性。 例如，我们要判断一个西瓜是好吃的

给定一个整数数组 nums ，找到一个具有最大和的连续子数组（子数组最少包含一个元素），返回其最大和。 示例: 输入: [-2,1,-3,4,-1,2,1,-5,4], 输出: 6 解释: 连续子数组 [4,-1,2,1] 的和最大，为 6。 进阶: 如果你已经实现复杂度为 O(n) 的解法，尝试使用更为精妙的分治法求解。 实现方案如下： /** * @param {number[]}

给定一个正整数 n，生成一个包含 1 到 n2 所有元素，且元素按顺时针顺序螺旋排列的正方形矩阵。 示例: 输入: 3 输出: [ [ 1, 2, 3 ], [ 8, 9, 4 ], [ 7, 6, 5 ] ] 解法如下： /** * @param {number} n * @return {number[][]} */ var generateMatrix = f

给定两个以字符串形式表示的非负整数 num1 和 num2，返回 num1 和 num2 的乘积，它们的乘积也表示为字符串形式。 示例 1: 输入: num1 = "2", num2 = "3" 输出: "6" 示例 2: 输入: num1 = "123", num2 = "456" 输出: "56088" 说明： num1 和 num2 的长度小于110。 num1 和 num2 只包含数字 0