《算法实习》专题

emm，比较简单的，4个题都ac了，要是面试也这么简单的就好了，最近面试天天手写网络快裂开了 第一题 两种糖，每次拿三个，要求每种至少一个，求最多取几次。 话说这个题不把total/3和min比大小会超时 第二题  有一个数组由0，1，-1组成，找一个分割点，分割点左面>=0个数加上右面<=0个数最小 第三题 魔法阵翻转，有n个硬币，开始时候都是正面，正面背面都有数字，要求翻转硬币达到正面相同数字

视频面试，面试时间：50多分钟 1、自我介绍 2、介绍实习项目，并提问 3、介绍科研项目并提问（问了几个） 4、对NLP领域的了解（这个部门搞NLP的） 5、编码器、解码器有了解吗？简单介绍一下 6、attention有了解吗？简要介绍一下？ 7、对NLP经典的和最新的一些技术有了解吗？（报了下菜名，因为研究方向并不是NLP） 8、算法题：不记得了，不过不难，lc中等难度的题 9、反问环节：具体的

阿里云是系统开之前就开始面试了，但是最后被挂了。现在拿到了阿里本地生活的offer，因此来分享一下阿里云的凉经。 一面，电话面50min 1 面试官介绍部门，还是非常详细的，工作内容，行业发展之类的，非常全面 2 自我介绍 3 实习经历 4 问了一些异常检测，时间序列的问题（常用方法） 5 论文方法，研究背景，创新点 6 实习的难点，提升点 7 分布式计算 8 推xgboost，从决策树讲到xgb

给你一个数组 nums 和一个值 val，你需要 原地 移除所有数值等于 val 的元素，并返回移除后数组的新长度。 不要使用额外的数组空间，你必须仅使用 O(1) 额外空间并 原地 修改输入数组。 元素的顺序可以改变。你不需要考虑数组中超出新长度后面的元素。 说明: 为什么返回数值是整数，但输出的答案是数组呢? 请注意，输入数组是以「引用」方式传递的，这意味着在函数里修改输入数组对于调用者是可见

给定一个大小为 n 的数组，找到其中的多数元素。多数元素是指在数组中出现次数大于 ⌊ n/2 ⌋ 的元素。 你可以假设数组是非空的，并且给定的数组总是存在多数元素。 示例 1: 输入: [3,2,3] 输出: 3 示例 2: 输入: [2,2,1,1,1,2,2] 输出: 2 实现如下： /** * @param {number[]} nums * @return {n

给出一个 32 位的有符号整数，你需要将这个整数中每位上的数字进行反转。 示例 1: 输入: 123 输出: 321  示例 2: 输入: -123 输出: -321 示例 3: 输入: 120 输出: 21 注意: 假设我们的环境只能存储得下 32 位的有符号整数，则其数值范围为 [−231,  231 − 1]。请根据这个假设，如果反转后整数溢出那么就返回 0。 实现如下： /**

给定一个包含 m x n 个元素的矩阵（m 行, n 列），请按照顺时针螺旋顺序，返回矩阵中的所有元素。 示例 1: 输入: [ [ 1, 2, 3 ], [ 4, 5, 6 ], [ 7, 8, 9 ] ] 输出: [1,2,3,6,9,8,7,4,5] 示例 2: 输入: [ [1, 2, 3, 4], [5, 6, 7, 8], [9,10,11,12] ] 输出: [1,

给定一个包含 n 个整数的数组 nums，判断 nums 中是否存在三个元素 a，b，c ，使得 a + b + c = 0 ？找出所有满足条件且不重复的三元组。 注意：答案中不可以包含重复的三元组。 例如, 给定数组 nums = [-1, 0, 1, 2, -1, -4]， 满足要求的三元组集合为： [ [-1, 0, 1], [-1, -1, 2] ] 解法如下： /**

给定一个整数数组 nums 和一个目标值 target，请你在该数组中找出和为目标值的那 两个 整数，并返回他们的数组下标。 你可以假设每种输入只会对应一个答案。但是，你不能重复利用这个数组中同样的元素。 示例: 给定 nums = [2, 7, 11, 15], target = 9 因为 nums[0] + nums[1] = 2 + 7 = 9 所以返回 [0, 1] 方法一：时间复杂度O

一面 4.25 介绍项目 BN 和LN的区别，应用场景 GBDT，XGBoost，LightGBM Transformer，chatgpt 介绍一个常用的网络结构：CNN，卷积层和池化层的作用 自己的优缺点#携程#

面试时长二十多分钟，妥妥的kpi面了，但还是记录一下面试官问的问题吧 1、介绍一下你自己 2、介绍项目 3、参与这个项目的有几个人 4、目前图像去噪方向的一些前沿方法 5、医学图像相比于自然图像的一些难点在哪里 6、有没有试过transformer模型 7、和哪些方法做了对比，这些方法发表在什么样的期刊或会议上 8、目前图像分割的一些前沿方法 9、数据量不足怎么办，有没有尝试一些无监督的方法 （说

作者：July、caopengcs、红色标记。致谢：fuwutu、demo。 时间：二零一三年八月十二日 题目：用 1×1×1, 1×2×1以及2×1×1的三种木块（横绿竖蓝，且绿蓝长度均为2）， 搭建高长宽分别为K × 2^N × 1的墙，不能翻转、旋转（其中，0<=N<=1024，1<=K<=4） 有多少种方案，输出结果 对1000000007取模。 举个例子如给定高度和长度：N=1 K=2，

@subpage tutorial_py_knn_understanding_cn 了解kNN的基本知识。 @subpage tutorial_py_knn_opencv_cn 现在让我们在OpenCV中使用kNN进行数字识别（OCR）

1. linear-CRF模型参数学习思路 在linear-CRF模型参数学习问题中，我们给定训练数据集X和对应的标记序列Y，K个特征函数$$f_k(x,y)$$，需要学习linear-CRF的模型参数$$w_k$$和条件概率$$P_w(y|x)$$，其中条件概率$$P_w(y|x)$$和模型参数$$w_k$$满足一下关系：$$P_w(y|x) = P(y|x) = frac{1}{Z_w(x)}

我们经常会从样本观察数据中，找出样本的模型参数。 最常用的方法就是极大化模型分布的对数似然函数。 但是在一些情况下，我们得到的观察数据有未观察到的隐含数据，此时我们未知的有隐含数据和模型参数，因而无法直接用极大化对数似然函数得到模型分布的参数。怎么办呢？这就是EM算法可以派上用场的地方了。 EM算法解决这个的思路是使用启发式的迭代方法，既然我们无法直接求出模型分布参数，那么我们可以先猜想隐含数据（