👀 最近发现了什么？ 美团、蚂蚁、阿里云等越来越多的大厂笔面试悄悄加了新题型！算法工程师们注意啦～这类机器学习编程算法题目主要考察各种机器学习算法的底层实现能力，需要用numpy、scipy、pandas等库手写算法～不是调包侠就能过关的！ 🔍 在哪里刷题？ 牛客网→题库→在线编程→AI篇 里面有超多《机器学习算法题》，从线性回归到神经网络应有尽有～ 💡 刷题小技巧 1️.先理解再编码：千万别急着写代码！先在纸上推导算法公式，理解底层原理比调包重要100倍！ 2️.小数据测试：用2-3个样本手算一遍结果，再和代码输出对比，这样才能确保你真的理解了算法～ 3️.复现经典论文：每掌握一个算法...

核心概念  特征选择：识别对目标变量预测最有价值的特征 决策树算法：  通过递归划分数据构建树形结构 使用基尼不纯度或信息增益选择最佳划分特征 特征重要性 = 该特征减少的不纯度 × 覆盖样本比例   标签编码：将分类变量（如"Yes/No"）转换为数值  解题思路  数据预处理：  对字符串特征进行标签编码 分离特征矩阵和目标变量   决策树训练：  使用所有特征训练决策树分类器   特征重要性分析：  提取每个特征的重要性分数 选择重要性最高的特征   结果输出：返回最重要特征的索引  代码解析 import numpy as np from sklearn.tree ...

核心概念 多元高斯分布： 维随机向量的概率分布，由均值向量  和协方差矩阵  定义，概率密度函数为：  其中：  ： 维数据点向量 ： 维均值向量 ： 协方差矩阵 ：协方差矩阵的行列式  解题思路  参数提取：从输入字典获取数据点、均值向量和协方差矩阵 概率计算：使用 scipy.stats.multivariate_normal.pdf 计算概率密度 结果格式化：将结果四舍五入到两位小数  代码解析 import numpy as np from scipy.stats import multivariate_normal def calculate_pdf(data): # 提取输入参数并...

核心概念 卡方检验：衡量特征（词汇）与类别（情感）独立性的统计方法，计算公式：  其中：  ：包含该词且正面的文档数 ：包含该词且负面的文档数 ：不包含该词且正面的文档数 ：不包含该词且负面的文档数 ：总文档数（）  统计意义：   值越大，特征与类别相关性越强  表示特征与类别独立  解题思路   数据读取：  读取文档数量  解析每行文档的标签和文本内容 读取需要选择的特征数     特征统计：  统计每个词汇在正/负面文档中的出现次数 统计正/负面文档总数    卡方计算：  对每个词汇构建  列联表 根据公式计算卡方统计量    特征选择：  按卡方值降序排序 卡方值相同时按字母顺序升...

核心概念   高斯混合模型：   ：混合系数（第 k 个高斯成分的权重） ：均值向量 ：协方差矩阵    EM 算法：  E 步骤：计算后验概率（责任度）  M 步骤：更新模型参数      解题思路  数据读取：获取数据点数量  和二维坐标 参数初始化：  混合系数  均等初始化 均值  随机选择数据点 协方差  初始化为单位矩阵   EM 迭代：  E 步：计算责任度  M 步：更新    标签分配：根据最大后验概率确定聚类标签 结果输出：输出每个数据点的聚类标签  代码解析 import sys import numpy as np from scipy.stats import mul...

解题思路  数据读取：获取样本数量  和特征数量  构建数据集：分离特征矩阵和目标值向量 相关系数计算：对每个特征计算与目标值的皮尔逊相关系数 结果排序：按相关系数绝对值降序排序（绝对值相同按索引升序） 格式化输出：输出所有特征索引和相关系数（保留4位小数）  代码解析 import sys import numpy as np def read_data(N, M): """读取数据集并分离特征和目标值""" data = [] # 特征矩阵 targets = [] # 目标值向量 for _ in range(N): line ...

解题思路  计算整个数据集的信息熵 对每个特征：  计算条件熵（按特征取值划分子集） 计算特征固有值（属性熵） 计算信息增益比   选择信息增益比最大的特征  代码解析 import sys from math import log def calcInfoEnt(data): """计算数据集的信息熵""" numEntres = len(data) labelcnt = {} # 统计各类标签数量 for item in data: label = item[-1] # 最后一列为标签 labelcnt[label] = labe...

解题思路  计算数据集的信息熵：统计信用评分结果中"良好"和"不良"的比例，计算整个数据集的不确定性。 计算每个特征的信息增益比：  对每个特征，统计其不同取值 计算按该特征划分后各子集的信息熵 计算信息增益和分裂信息 得到信息增益比   选择最佳特征：比较所有特征的信息增益比，选择值最大的特征。  代码解析 import numpy as np def calculate_entropy(data): """计算数据集的信息熵""" labels = [record[-1] for recor...

题解：图像卷积操作 题目概述 本题要求实现灰度图像的卷积操作。给定一个 m×n 的灰度图像矩阵和一个 k×k 的卷积核（k 为奇数），程序需要对图像进行卷积操作，边缘使用零填充（Zero Padding），并输出卷积结果（保留两位小数）。 核心概念  卷积操作：将卷积核在图像上滑动，计算每个位置覆盖区域的像素值与卷积核的乘积之和。 零填充：在图像边缘填充零，使卷积核可以覆盖边缘像素。 卷积核尺寸：k 为奇数，确保卷积核有明确的中心点。  解题思路  读取输入：获取图像矩阵和卷积核矩阵。 零填充：在图像四周各填充 k//2 个零。 卷积计算：  遍历图像的每个像素位置 (i, j)。 截取以 (...

经过牛牛们的一番努力，我们获得了 京东 公司的官方笔试真题授权！共计8份最新的24年秋招笔试真题已经在牛客-公司真题版块正式上线啦本次公开的试卷分为：技术和非技术2个方向。技术岗 对应岗位：技术、算法、测试、前端非技术岗 对应岗位：产品/运营特别提示：本次公开的8份试卷为 京东 独家真题授权！为帮助同学们了解美团笔试的考察重点，公开的试卷是从京东 25届笔试真题试卷中选择的一套噢！题目难度，考察的知识点均与正式笔试相同，快速通关美团笔试，看这里就够啦！ 直达传送门

经过牛牛们的一番努力，我们获得了 美团 公司的官方笔试真题授权！共计6份最新的25年春招笔试真题已经在牛客-公司真题版块正式上线啦本次公开的试卷分为：技术和非技术2个方向。技术岗 对应岗位：技术、算法、测试、前端、运维非技术岗 对应岗位：产品/运营特别提示：本次公开的6份试卷为 美团 独家真题授权！为帮助同学们了解美团笔试的考察重点，公开的试卷是从美团 25届笔试真题试卷中选择的一套噢！题目难度，考察的知识点均与正式笔试相同，快速通关美团笔试，看这里就够啦！ 特别提醒：美团是一个非常重视大模型技术的公司，因此对于每个岗位的卷子里都会有考大模型相关的知识点。直达传送门

凌晨两点，你盯着屏幕上的面试复盘——“TCP三次握手的过程说清楚了吗？”“Redis持久化选RDB还是AOF？”“JVM内存模型中老年代和新生代的GC策略差异？”……明明复习了半个月，一被追问细节就卡壳；刷了上百道题，遇到变种问题还是抓瞎；背完知识点没处练，面试时总像“背课文”，缺乏逻辑串联……这样的场景，是不是你求职季的日常？互联网大厂的面试，从来不是“知道”就够了。​​面试官要的是“精准输出+逻辑自洽”​​——能把HTTP/HTTPS的区别讲清底层原理，能结合TCP滑动窗口解释粘包拆包，能结合Spring IOC源码聊设计模式，甚至能在Redis缓存击穿的实战场景里说出“布隆过滤器+互斥锁...

Java 中的 基本类型（Primitive Types） 和 包装类型（Wrapper Classes） 是两种不同的数据类型，主要区别体现在内存管理、默认值、功能特性以及使用场景上。以下是它们的核心差异： 一、本质区别    特性 基本类型 包装类型     类型 原始数据类型（如 int、char） 对象类型（如 Integer、Character）   存储方式 直接存储值（在栈内存） 存储对象引用（堆内存中的对象）   默认值 有默认值（如 0、false） 默认值为 null   内存占用 内存占用固定且小（高效） 内存占用较大（对象头等额外开销）   比较方式 == 直接比较值是...

最近发现一个超级重要的求职趋势：几乎所有大厂的产品、研发岗位笔面试都开始考察大模型相关知识了！🤯 不懂大模型，简直寸步难行！今天就来分享牛客网最新上线的大模型专项练习，帮你轻松应对面试难题！👇💫 为什么大模型知识这么重要？现在的互联网公司几乎都在布局AI大模型，无论是产品设计还是技术开发，都需要对大模型有基本认知。面试官最爱问的就是这些新知识点，提前准备绝对能让你脱颖而出！✨🧠 大模型专项练习内容揭秘牛客网的大模型专项练习分为两大板块，超级全面：1.大模型基础概念篇 - 必备八股文这部分就像是大模型的"八股文"，包含了：Transformer架构详解注意力机制原理微...