计算机保研夏令营常见问题答案（二）

1.如何判断一个单链表是不是循环链表

快慢指针都指向head，快指针每次走俩，慢指针每次走一个，如果快指针到了结尾，慢指针还没和快指针相遇，那就是循环链表。

（循环链表因为是走不到头的，一定有快指针和慢指针相遇的那天）

2.介绍一下平衡二叉树

二叉搜索树一定程度上可以提高效率，但当原序列有序时，比如 1,2，3,4，5 效率就很低 因为会出现
的情况，搜索效率变O（n）

但如果保持树的高度最小，就可以保证树的查找效率。

树的高度小一倍 速度也快了一倍

这样左右高度相差不超过1的树为平衡二叉树 —— AVL

其实是俩数学家提出的 这个AVL就是俩数学家名字的简称

可以是空树，如果不是空树，任何一个结点的左子树与右子树都是平衡二叉树，并且高度之差不超过1

平衡因子：某节点左子树与右子树高度的差即为该节点的平衡因子。平衡因子只能取+1，-1，0

3.矩阵的秩

暂时还不会

4.介绍下特征值与特征向量的意义

暂时还不会

5.介绍下线性相关和线性无关

暂时还不会

6.解释下等价关系和等价类

等价关系：满足自反性、对称性、传递性

等价类：类的内部元素都具有等价关系

7. 解释下大数定律

指得是某个随机事件在单次试验中可能发生也可能不发生，但在大量重复实验中往往呈现出明显的规律性，即该随机事件发生的频率会向某个常数值收敛，该常数值即为该事件发生的概率。

8.全概率公式

全概率公式就是

某一事件发生的概率 == 引起某一事件的各个原因的出现概率*该原因导致事件结果发生的概率 之和

9. 贝叶斯公式

条件概率 从结果看原因 比如路上一个人说的话我听不懂 那他是外国人的概率就大幅提升

10. 正态分布

呈现一种 中间密集 两边稀疏的形式

一个群体身高服从正态分布，说明群体中大多数人都在平均身高附近，特别高和特别矮的人都很少

11. 机器学习和深度学习的差别联系

机器学习，是人工智能的一个子集，需要用大量数据，来训练机器

深度学习 尤其与神经网络相关，是机器学习的一个子集，深度学习也需要更高的运算能力支撑，如GPU

12.梯度下降法和牛顿迭代法的算法过程

梯度下降法：从函数的某个初始点开始，一次次移动到函数的极值点。 （每次移动后，会判断该点是否符合某些条件，如果不满足，继续移动，若满足，移动结束）因为负梯度方向是函数值下降最快的方向，所以在迭代的每一步中，以负梯度方向更新x的值，从而减少函数值的目的。（减少损失函数hhh）

牛顿迭代法：在初始点取二阶泰勒展开式。。。（很复杂）

区别：

• 梯度下降法是一阶优化算法，牛顿法是二阶优化算法

• 牛顿法的收敛速度相比梯度下降法常常较快

• 牛顿法每次需要更新一个二维矩阵，计算代价很大，实际使用中常使用拟牛顿法

• 牛顿法对初始值有一定要求，在非凸优化问题中（如神经网络训练），牛顿法很容易陷入鞍点（牛顿法步长会越来越小），而梯度下降法则很容易逃离鞍点（因此在神经网络训练中一般使用梯度下降法，高维空间的神经网络中存在大量鞍点）

• 梯度下降法在靠近最优点时会震荡，因此步长调整在梯度下降法中是必要的，具体有adagrad, adadelta, rmsprop, adam等一系列自适应学习率的方法