《朴朴》专题

因为上一家也是做电商，因此都是紧扣项目来问的 下单全流程，订单数据模型是怎么样的 秒杀怎么做的 库存模型是怎么样的 库存扣减怎么保证正确 悲观锁+流水表做幂等 kafka怎么保证消息不丢失 kafka消息消费幂等性 redis怎么用的 redis加锁如果业务操作过长怎么办（watchdog续约延长时间） es怎么用的 慢sql优化经验 项目结构优化怎么做的

小公司2年产品经验，朴朴的一面业务面有1个小时 •自我介绍 •你在做项目的过程中有哪些困难的点？ •你是怎么处理这个难点的？ •开发对于临时加需求同意吗？（自己挖的坑） •讲一下项目的流程是是怎样的？（深挖简历） •有没有考虑怎么去解决？ •这个项目的缺点是哪些？ •你会考虑加什么上去？（说了上面的举例） •有没有考虑是伪需求？ •你平时都做些什么？（引导回答：比如看小红书、看美妆、衣服） •看完

整个过程50分钟 自我介绍 谈谈兴趣爱好 移动端适配问题 rem布局在开发中是以px存在还是rem，若就想用px在移动端怎么办 OSI七层模型 讲一讲http缓存 HTTP 1.0 和 HTTP 1.1 之间有哪些区别 HTTP 1.1 和 HTTP 2.0 有哪些区别 HTTP请求报文的结构是什么样的？ 谈谈ipv4和ipv6 js定义类的方法【ES5与ES6】 面向对象多态 谈谈数据结构，你认

还是让我们回到运动员的例子。如果我问你Brittney Griner的运动项目是什么，她有6尺8寸高，207磅重，你会说“篮球”；我再问你对此分类的准确度有多少信心，你会回答“非常有信心”。 我再问你Heather Zurich，6尺1寸高，重176磅，你可能就不能确定地说她是打篮球的了，至少不会像之前判定Brittney那样肯定。因为从Heather的身高体重来看她也有可能是跑马拉松的。 最后，

大约30min 1、自我介绍； 2、看你参加了挺多的比赛，说说你在这过程遇到的问题以及解决方案； 3Java语言实现多进程有几种方式，多线程相比单线程要注意那些问题； 4、说说Spring里的ioc和AOP； 5、Student表，对这个表进行增删改查的语句； 6、数据库事务并发会出现那些问题； 数据库事务的隔离级别； 7、手撕判断字符串是否为回文字符串，给这个方法设计测试用例； 8、Git命令：

本文向大家介绍为什么朴素贝叶斯如此朴素？相关面试题，主要包含被问及为什么朴素贝叶斯如此朴素？时的应答技巧和注意事项，需要的朋友参考一下 因为朴素贝叶斯有个重要的假设前提，也就是假设样本的所有特征之间是相互独立的，而这个在现实世界中是不真实的，因此说其很朴素

背景 1年运营经历，运营转产品半年，base广州 朴朴一面 为什么想做产品？ 运营和产品的区别？ 项目细节提问 怎么理解用户增长 怎么提收听时长？ 让你一直做这个时长指标，一直做一直做，你怎么优化？ 在增长上有没有遇到特别难的事情 没法突破的？ 朴朴二面 团队和目标，你所处的位置？ 两年一直做长留，你怎么做？ 产品活跃数、周活跃频次（他想判断日活 项目细节提问 最近看什么书 俞军产品方法论讲什么？

注：该岗位为校招岗位，楼主是福建福州人，朴朴是福州本地企业，base福州，因此投递。 以下为面经： 1.你简历这么好，怎么会想投递朴朴？ 答：我是福州人。 2.hr主动介绍这个岗位平常的工作 3.找工作看哪些因素？ 4.朴朴大小周可以接受吗？ 答：这个……可能要结合薪资来看。 5.我们现在给校招生的薪资统一都是7k，公积金最低标准，能接受吗？ 楼主实在受不了了，这个薪资简直是超乎我预料的大侮辱价，

我们会在这章探索朴素贝叶斯分类算法，使用概率密度函数来处理数值型数据。 内容： 朴素贝叶斯 微软购物车 贝叶斯法则 为什么我们需要贝叶斯法则？ i100、i500健康手环 使用Python编写朴素贝叶斯分类器 共和党还是民主党 数值型数据 使用Python实现

在所有的机器学习分类算法中，朴素贝叶斯和其他绝大多数的分类算法都不同。对于大多数的分类算法，比如决策树,KNN,逻辑回归，支持向量机等，他们都是判别方法，也就是直接学习出特征输出Y和特征X之间的关系，要么是决策函数Y=f(X),要么是条件分布P(Y|X)。但是朴素贝叶斯却是生成方法，也就是直接找出特征输出Y和特征X的联合分布P(X,Y),然后用P(Y|X)=P(X,Y)/P(X)得出。 朴素贝叶斯

朴素贝叶斯 概述 贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。本章首先介绍贝叶斯分类算法的基础——贝叶斯定理。最后，我们通过实例来讨论贝叶斯分类的中最简单的一种: 朴素贝叶斯分类。 贝叶斯理论 & 条件概率 贝叶斯理论 我们现在有一个数据集，它由两类数据组成，数据分布如下图所示： 我们现在用 p1(x,y) 表示数据点 (x,y) 属于类别 1（图中用圆点表示

福州疫情原因，均为腾讯会议线上进行。 一面 （30min） 自我介绍 Vue响应式原理 Vue2、3区别 浏览器和Node.js事件循环 浏览器更新队列，即关于Dom操作的性能优化 BFC？清除浮动？ 场景：如何全局维护用户个人信息，避免重复请求个人数据？ 衍生问题，如何防止重复请求，即在统一时间内不重复对后端业务接口进行请求操作。 反问 二面（40min） HR旁听，所以没有HR面； 自我介绍

校验者: @Kyrie 翻译者: @TWITCH 朴素贝叶斯方法是基于贝叶斯定理的一组有监督学习算法，即“简单”地假设每对特征之间相互独立。 给定一个类别 和一个从 到 的相关的特征向量， 贝叶斯定理阐述了以下关系: ![P(y \mid x_1, \dots, x_n) = \frac{P(y) P(x_1, \dots x_n \mid y)}

#encoding:utf-8 from numpy import * #词表到向量的转换函数 def loadDataSet(): postingList = [['my','dog','has','flea','problems','help','please'], ['maybe','not','take','him','to','dog',

上例的数据格式如下： both sedentary moderate yes i100 both sedentary moderate no i100 health sedentary moderate yes i500 appearance active moderate yes i500 appearance moderate aggressive yes i500