导读:在金三银四跳槽季,程序员面试常考的十道算法题,希望对大家有帮助
前言
大家好,我是捡田螺的小男孩。收集了腾讯常考的十道算法题(真题)。在金三银四,希望对大家有帮助呀。
重排链表
最长递增子序列
环形链表
反转链表
最长回文子串
全排列
LRU 缓存
合并K个升序链表
无重复字符的最长子串
删除链表的倒数第 N 个结点
1. 重排链表
给定一个单链表 L 的头节点 head ,单链表 L 表示为:
L0 → L1 → … → Ln - 1 → Ln
请将其重新排列后变为:
L0 → Ln → L1 → Ln - 1 → L2 → Ln - 2 → …
输入:
head = [1,2,3,4]
输出:
[1,4,2,3]
思路:
如果是数组就好了,哈哈,因为数组可以直接通过下标访问,很容易就可以解答这道题了。但是这是链表。链表不支持下标访问,我们没办法随机访问到链表任意位置的元素,怎么办呢?
我们可以先遍历一下,用数组把链表的元素按顺序存储起来呀,然后就可以把它当做数组这么访问来用了对吧,最后重建下链表即可啦。
ArrayList的底层就是数组,我们先用它存储链表就好,如下:
List<ListNode> list = new ArrayList<ListNode>();
ListNode node = head;
while (node != null) {
list.add(node);
node = node.next;
}
有了一个数组结构的链表后,如何重建链表呢?回头多看示例两眼,很容易就发小规律啦:先排第1个,再排倒数第1个,接着排第2个,紧接着倒数第2个。显然这个规律很明显,代码也比较好实现:
int i = 0;
int j = list.size()-1;
while(i<j){
list.get(i).next = list.get(j);
i++;
if(i==j){
break;
}
list.get(j).next = list.get(i);
j--;
}
//大家画个图就很清晰知道为什么需要这行了,哈哈
list.get(i).next = null;
完整实现代码如下:
class Solution {
public void reorderList(ListNode head) {
if (head == null) {
return;
}
List<ListNode> list = new ArrayList<ListNode>();
ListNode node = head;
while (node != null) {
list.add(node);
node = node.next;
}
int i = 0, j = list.size() - 1;
while (i < j) {
list.get(i).next = list.get(j);
i++;
if (i == j) {
break;
}
list.get(j).next = list.get(i);
j--;
}
list.get(i).next = null;
}
}
2. 最长递增子序列
给你一个整数数组 nums ,找到其中最长严格递增子序列的长度。
实例1:
输入:nums = [10,9,2,5,3,7,101,18]
输出:4
解释:最长递增子序列是 [2,3,7,101],因此长度为 4 。
实例2:
输入:nums = [0,1,0,3,2,3]
输出:4
思路:
这道题是求最值问题,可以使用动态规划解决。动态规划的解题整体思路就是:
穷举分析
分析找规律,拆分子问题
确定边界
确定最优子结构
写出状态转移方程
2.1 穷举分析
动态规划的核心思想包括拆分子问题,记住过往,减少重复计算。所以我们在思考原问题:数组num[i]的最长递增子序列长度时,可以思考下相关子问题,比如原问题是否跟子问题num[i-1]的最长递增子序列长度有关呢?
自底向上的穷举过程:
当nums只有一个元素10时,最长递增子序列是[10],长度是1.
当nums需要加入一个元素9时,最长递增子序列是[10]或者[9],长度是1。
当nums再加入一个元素2时,最长递增子序列是[10]或者[9]或者[2],长度是1。
当nums再加入一个元素5时,最长递增子序列是[2,5],长度是2。
当nums再加入一个元素3时,最长递增子序列是[2,5]或者[2,3],长度是2。
当nums再加入一个元素7时,,最长递增子序列是[2,5,7]或者[2,3,7],长度是3。
当nums再加入一个元素101时,最长递增子序列是[2,5,7,101]或者[2,3,7,101],长度是4。
当nums再加入一个元素18时,最长递增子序列是[2,5,7,101]或者[2,3,7,101]或者[2,5,7,18]或者[2,3,7,18],长度是4。
当nums再加入一个元素7时,最长递增子序列是[2,5,7,101]或者[2,3,7,101]或者[2,5,7,18]或者[2,3,7,18],长度是4.
2.2 分析找规律,拆分子问题
通过上面分析,我们可以发现一个规律:
如果新加入一个元素nums[i]
, 最长递增子序列要么是以nums[i]
结尾的递增子序列,要么就是nums[i-1]
的最长递增子序列。看到这个,是不是很开心,nums[i]
的最长递增子序列已经跟子问题 nums[i-1]
的最长递增子序列有关联了。
原问题数组nums[i]的最长递增子序列 = 子问题数组nums[i-1]的最长递增子序列/nums[i]结尾的最长递增子序列
是不是感觉成功了一半呢?但是如何把nums[i]
结尾的递增子序列也转化为对应的子问题呢?要是nums[i]
结尾的递增子序列也跟nums[i-1]
的最长递增子序列有关就好了。又或者nums[i]
结尾的最长递增子序列,跟前面子问题num[j](0=<j<i)
结尾的最长递增子序列有关就好了,带着这个想法,我们又回头看看穷举的过程:
![6459ca775a59d3b0021743c461641092.png](https://i-blog.csdnimg.cn/blog_migrate/bc6d90f6682e871b04da234590f160ec.png)
nums[i]
的最长递增子序列,不就是从以数组num[i]
每个元素结尾的最长子序列集合,取元素最多(也就是长度最长)那个嘛,所以原问题,我们转化成求出以数组nums每个元素结尾的最长子序列集合,再取最大值嘛。哈哈,想到这,我们就可以用dp[i]
表示以num[i]
这个数结尾的最长递增子序列的长度啦,然后再来看看其中的规律:
![8a1d9391932928e9714c27e03d1ff0d7.png](https://i-blog.csdnimg.cn/blog_migrate/3f50508e8f2d909ed38e50b7a2059427.png)
其实,nums[i]
结尾的自增子序列,只要找到比nums[i]
小的子序列,加上nums[i]
就可以啦。显然,可能形成多种新的子序列,我们选最长那个,就是dp[i]
的值啦
nums[3]=5,以5结尾的最长子序列就是[2,5],因为从数组下标0到3遍历,只找到了子序列[2]比5小,所以就是[2]+[5]啦,即dp[4]=2
nums[4]=3,以3结尾的最长子序列就是[2,3],因为从数组下标0到4遍历,只找到了子序列[2]比3小,所以就是[2]+[3]啦,即dp[4]=2
nums[5]=7,以7结尾的最长子序列就是[2,5,7]和[2,3,7],因为从数组下标0到5遍历,找到2,5和3都比7小,所以就有[2,7],[5,7],[3,7],[2,5,7]和[2,3,7]这些子序列,最长子序列就是[2,5,7]和[2,3,7],它俩不就是以5结尾和3结尾的最长递增子序列+[7]来的嘛!所以,dp[5]=3 =dp[3]+1=dp[4]+1。
很显然有这个规律:一个以nums[i]结尾的数组nums
如果存在j属于区间[0,i-1],并且num[i]>num[j]的话,则有:dp(i) =max(dp(j))+1。
2.3 确定边界
当nums数组只有一个元素时,最长递增子序列的长度dp(1)=1,当nums数组有两个元素时,dp(2) =2或者1, 因此边界就是dp(1)=1。
2.4 确定最优子结构
从2.2 穷举分析找规律,我们可以得出,以下的最优结构:
dp(i) =max(dp(j))+1,存在j属于区间[0,i-1],并且num[i]>num[j]。
max(dp(j)) 就是最优子结构。
2.5 写出状态转移方程
通过前面分析,我们就可以得出状态转移方程啦:
![b2cf43f9669ded6a7de8471a1ea4ebb1.png](https://i-blog.csdnimg.cn/blog_migrate/392d8b5a1bc78035c885ad00acc41abe.png)
所以数组nums[i]的最长递增子序列就是:
最长递增子序列 =max(dp[i])
完整代码实现如下:
class Solution {
public int lengthOfLIS(int[] nums) {
if (nums.length == 0) {
return 0;
}
int[] dp = new int[nums.length];
//初始化就是边界情况
dp[0] = 1;
int maxans = 1;
//自底向上遍历
for (int i = 1; i < nums.length; i++) {
dp[i] = 1;
//从下标0到i遍历
for (int j = 0; j < i; j++) {
//找到前面比nums[i]小的数nums[j],即有dp[i]= dp[j]+1
if (nums[j] < nums[i]) {
//因为会有多个小于nums[i]的数,也就是会存在多种组合了嘛,我们就取最大放到dp[i]
dp[i] = Math.max(dp[i], dp[j] + 1);
}
}
//求出dp[i]后,dp最大那个就是nums的最长递增子序列啦
maxans = Math.max(maxans, dp[i]);
}
return maxans;
}
}
3. 环形链表
给定一个链表的头节点head ,返回链表开始入环的第一个节点。如果链表无环,则返回 null。
实例:
![765f8b459df43fa5c0fe6e5bbc869ede.png](https://i-blog.csdnimg.cn/blog_migrate/76e7e8753e18e56e2bc8f27c69e869f0.png)
输入:head = [3,2,0,-4], pos = 1
输出:返回索引为 1 的链表节点
解释:链表中有一个环,其尾部连接到第二个节点。
如果判断链表是否有环,我们可以使用快慢指针,快指针是慢指针速度的两倍,当两个指针相遇时,即表示有环。
boolean hasCycle(ListNode head ){
ListNode slow = head;
ListNode fast = head;
while(fast!=null && fast.next!=null){
fast = fast.next.next;
slow = slow.next;
if(fast==slow){
return true;
}
}
return false;
}
我们可以很容易就判断有环,但是如何返回入环的第一个节点呢?我们来画个图分析一波:
![1337d0656cf6d9a5f24638a4efc2df32.png](https://i-blog.csdnimg.cn/blog_migrate/77eb1415116f085dccf3e2c7ad51bc00.png)
假设起点为A,入环点为B,快慢指针相遇点为C,慢指针走到相遇点为k
步,B到C的距离为m
。设环型周长为X。因为快指针速度是慢指针的2倍。则有:
K-m + X + m = 2K = 快指针走的举例
所以周长X = K
。相遇后,快指针到继续往前走,走到入环点B,刚好距离是X-m = K-m
。而起点到B节点,距离也是K-m
。因此,快慢指针相遇后,慢指针回到起点,这时候快慢指针一样的速度走,相遇时,就是入环点啦,是不是无巧不成书呀,哈哈哈。
完整代码如下:
public class Solution {
public ListNode detectCycle(ListNode head) {
if(head ==null){
return null;
}
ListNode fast = head;
ListNode slow = head;
while(fast!=null&&fast.next!=null){
fast = fast.next.next;
slow = slow.next;
//快慢指针相等表示有环
if(slow==fast){
//回到起点一起相同速度走
while(head!=fast){
head = head.next;
fast = fast.next;
}
return head;
}
}
return null;
}
}
4. 反转链表
给你单链表的头节点 head ,请你反转链表,并返回反转后的链表。
![769e74d610f3ae2f79924e16207541aa.png](https://i-blog.csdnimg.cn/blog_migrate/45b60d0fff7d2e5bf11f4c6af522d104.png)
输入:head = [1,2,3,4,5]
输出:[5,4,3,2,1]
完整代码如下:
class Solution {
public ListNode reverseList(ListNode head) {
ListNode prev = null;
ListNode next = head;
ListNode curr = head ;
while(curr!=null){
next = curr.next ;
curr. next = prev;
prev = curr ;
curr = next ;
}
return prev;
}
}
之前图解过这道题,大家可以看下哈:
5. 最长回文子串
给你一个字符串 s,找到 s 中最长的回文子串。
实例1:
输入:s = "babad"
输出:"bab"
解释:"aba" 同样是符合题意的答案。
这道题可以使用中心扩展法实现,从中间开始向两边扩散来判断回文串。
for 0 <= i < len(s):
找到以 s[i] 为中心的回文串
更新答案
但是回文串可能是长度可能是奇数,也可能是偶数,因此需要加多一步:
for 0 <= i < len(s):
找到以 s[i] 为中心的回文串
找到以 s[i] 和s[i+1] 为中心的回文串
更新答案
完整代码如下:
class Solution {
public String longestPalindrome(String s) {
if(s==null|| s.length()<2){
return s;
}
String result ="";
for(int i=0;i<s.length();i++){
String r1 = subLongestPalindrome(s,i,i);
String r2 = subLongestPalindrome(s,i,i+1);
String tempMax= r1.length()>r2.length()? r1 :r2;
result = tempMax.length()> result.length()?tempMax:result;
}
return result;
}
private String subLongestPalindrome(String s,int l,int r){
while(l>=0&&r<s.length()&&s.charAt(l)==s.charAt(r)){
l--;
r++;
}
return s.substring(l+1,r);
}
}
6.全排列
给定一个不含重复数字的数组 nums ,返回其 所有可能的全排列 。你可以 按任意顺序 返回答案。
示例 1:
输入:nums = [1,2,3]
输出:[[1,2,3],[1,3,2],[2,1,3],[2,3,1],[3,1,2],[3,2,1]]
示例 2:
输入:nums = [0,1]
输出:[[0,1],[1,0]]
这道题可以用回溯算法解决,完整代码如下:
class Solution {
//全排列,即所有路径集合
List<List<Integer>> allPath = new LinkedList<>();
public List<List<Integer>> permute(int[] nums) {
//当前路径,入口路径,path是空的
List<Integer> path = new LinkedList<>();
//递归函数入口,可做选择是nums数组
backTrace(nums,path);
return allPath;
}
public void backTrace(int[] nums,List<Integer> path){
//已走路径path的数组长度等于nums的长度,表示走到叶子节点,所以加到全排列集合
if(nums.length==path.size()){
allPath.add(new LinkedList(path));
return;
}
for(int i=0;i<nums.length;i++){
//剪枝,排查已经走过的路径
if(path.contains(nums[i])){
continue;
}
//做选择,加到当前路径
path.add(nums[i]);
//递归,进入下一层的决策
backTrace(nums,path);
//取消选择
path.remove(path.size() - 1);
}
}
}
大家可以看下之前我写的这篇回溯文章哈,有回溯算法的框架套用。
7. LRU 缓存
请你设计并实现一个满足 LRU (最近最少使用) 缓存 约束的数据结构。
实现 LRUCache 类:
LRUCache(int capacity) 以 正整数 作为容量 capacity 初始化 LRU 缓存
int get(int key) 如果关键字 key 存在于缓存中,则返回关键字的值,否则返回 -1 。
void put(int key, int value) 如果关键字 key 已经存在,则变更其数据值 value ;如果不存在,则向缓存中插入该组 key-value 。如果插入操作导致关键字数量超过 capacity ,则应该 逐出 最久未使用的关键字。
函数 get 和 put 必须以O(1)
的平均时间复杂度运行。
示例:
输入
["LRUCache", "put", "put", "get", "put", "get", "put", "get", "get", "get"]
[[2], [1, 1], [2, 2], [1], [3, 3], [2], [4, 4], [1], [3], [4]]
输出
[null, null, null, 1, null, -1, null, -1, 3, 4]
解释
LRUCache lRUCache = new LRUCache(2);
lRUCache.put(1, 1); // 缓存是 {1=1}
lRUCache.put(2, 2); // 缓存是 {1=1, 2=2}
lRUCache.get(1); // 返回 1
lRUCache.put(3, 3); // 该操作会使得关键字 2 作废,缓存是 {1=1, 3=3}
lRUCache.get(2); // 返回 -1 (未找到)
lRUCache.put(4, 4); // 该操作会使得关键字 1 作废,缓存是 {4=4, 3=3}
lRUCache.get(1); // 返回 -1 (未找到)
lRUCache.get(3); // 返回 3
lRUCache.get(4); // 返回 4
这道题,出现的频率还是挺高的,很多小伙伴在面试时,都反馈自己遇到过原题。
LRU,Least Recently Used,即最近使用过的数据是有用的,可以使用双链表+Hashmap
解答,双链表用于存储LRUCache的数据,Hashmap实现O(1)的平均时间复杂度。
![93ebe185ee15cb21bfdba533828b8040.png](https://i-blog.csdnimg.cn/blog_migrate/a17986c861dcb28dc9d56ce8328beeb3.png)
每次从链表尾部添加元素,靠尾的元素就是最近使用过
某个key可以通过哈希表快速定位到节点。
对于双链表,需要做哪些事呢。
首先是链表初始化,为了方便处理i,虚拟一个头节点和尾结点。
添加元素时,放到链表的尾部,表示该元素最近使用过
删除双向链表的某个节点
删除并返回头节点,表示删除最久未使用的元素
返回链表当前长度
LRU缓存有哪些方法
构造函数初始化方法
get和put方法
makeRecently 设置某个元素最近使用过的方法,哈希表已经有该元素
addRecently 添加最近使用过的元素,同时更新map
deleteKey 删除某个key对应的元素,同时删除map上的节点
removeLeastRecently 删除最久未使用的元素
完整代码如下:
class Node {
int key,val;
Node next,prev;
public Node(int key,int val){
this.key = key;
this.val = val;
}
}
class DoubleList {
//虚拟出头节点和尾结点
private Node head, tail;
private int size;
//初始化双链表
public DoubleList() {
//虚拟头结点
head = new Node(0, 0);
//虚拟头结点
tail = new Node(0, 0);
head.next = tail;
tail.prev = head;
size = 0;
}
//要加到链表尾部,且越靠近链表尾部,越表示最近使用过
public void addLast(Node x) {
//比如当前链表为:head <-> 1 <-> tail,加入结点x = 2
x.prev = tail.prev;
// 完成结点2指向两端的箭头 head <-> 1 <- 2 -> tail; 此时tail.pre = 结点1还未断开
x.next = tail;
//head <-> 1 <-> 2 -> tail;
tail.prev.next = x;
//head <-> 1 <-> 2 <-> tail;
tail.prev = x;
//更新链表长度
size++;
}
// 删除指定结点
public void remove(Node x) {
x.prev.next = x.next;
x.next.prev = x.prev;
size--;
}
// 删除并返回头结点
public Node removeHead() {
if (head.next == tail) {
return null;
}
Node first = head.next;
// size在remove中更新了
remove(first);
// 用作在哈希表中移除最久未使用的数据值
return first;
}
// 获取链表长度
public int getSize() {
return size;
}
}
public class LRUCache {
private Map<Integer, Node> map;
private DoubleList doubleList;
private int cap;
public LRUCache(int capacity) {
this.map = new HashMap<>();
this.doubleList = new DoubleList();
this.cap = capacity;
}
public int get(int key) {
if (map.containsKey(key)) {
// 先将key标记为最近使用,再返回value
makeRecently(key);
return map.get(key).val;
} else {
return -1;
}
}
public void put(int key, int value) {
if (map.containsKey(key)) {
deleteKey(key); // 从原map中移除该key
addRecently(key, value); // 更新最近使用
return;
}
int size = doubleList.getSize();
if (size == cap) { // 说明需要移除最久未使用的元素了
removeLeastRecently();
}
addRecently(key, value); //添加新的元素进来
}
public void makeRecently(int key) { // 将某个key标记为最近使用的元素(map中已存在的)
Node x = map.get(key);
doubleList.remove(x); // 先从双链表删除
doubleList.addLast(x); // 再添加到链表末尾, 因为尾部是最近使用过的元素
}
public void addRecently(int key, int value) { // 添加最近使用过的元素
Node x = new Node(key, value);
doubleList.addLast(x);
map.put(key, x); //更新map
}
public void deleteKey(int key) {
Node x = map.get(key);
map.remove(key);
doubleList.remove(x); // 在map中和cache中同时删除
}
// 删除最久未使用的元素
public void removeLeastRecently() {
// 最久未使用的一定在链表头部
Node oldNode = doubleList.removeHead();
int oldKey = oldNode.key;
map.remove(oldKey);
}
}
8. 合并K个升序链表
给你一个链表数组,每个链表都已经按升序排列。请你将所有链表合并到一个升序链表中,返回合并后的链表。
示例 1:
输入:lists = [[1,4,5],[1,3,4],[2,6]]
输出:[1,1,2,3,4,4,5,6]
解释:链表数组如下:
[
1->4->5,
1->3->4,
2->6
]
将它们合并到一个有序链表中得到。
1->1->2->3->4->4->5->6
合并两个有序链表,是比较简单的,相信大家都会做。那么如何合并K个有序链表呢?其实道理是一样的,我们可以借用优先级队列找出最小节点,完整代码如下:
class Solution {
public ListNode mergeKLists(ListNode[] lists) {
if(lists.length==0){
return null;
}
//虚拟节点
ListNode head = new ListNode(0);
ListNode tail = head;
//优先队列
PriorityQueue<ListNode> queue = new PriorityQueue<>(lists.length,(a, b)->(a.val-b.val));
//将K个链表头节点合并最小堆
for (ListNode node: lists) {
if (node != null) {
queue.add(node);
}
}
while (!queue.isEmpty()) {
//获取最小节点,放到结果链表中
ListNode node = queue.poll();
tail.next = node;
if (node.next != null) {
queue.add(node.next);
}
//指针链表一直往前
tail = tail.next;
}
return head.next;
}
}
9. 无重复字符的最长子串
给定一个字符串 s ,请你找出其中不含有重复字符的 最长子串 的长度。
示例 1:
输入: s = "abcabcbb"
输出: 3
解释: 因为无重复字符的最长子串是 "abc",所以其长度为 3。
示例 2:
输入: s = "bbbbb"
输出: 1
解释: 因为无重复字符的最长子串是 "b",所以其长度为 1。
这道题可以使用滑动窗口来实现。滑动窗口就是维护一个窗口,不断滑动,然后更新答案。
滑动窗口的大致逻辑框架,伪代码如下:
int left =0,right = 0;
while (right < s.size()){
//增大窗口
window.add(s[right]);
right++;
while (window needs shrink){
//缩小窗口
window.remove (s[left]);
left ++;
}
}
解法流程如下:
首先呢,就是获取原字符串的长度。
接着维护一个窗口(数组、哈希、队列)
窗口一步一步向右扩展
窗口在向右扩展滑动过程,需要判断左边是否需要缩减
最后比较更新答案
完整代码如下:
int lengthOfLongestSubstring(String s){
//获取原字符串的长度
int len = s.length();
//维护一个哈希集合的窗口
Set<Character> windows = new HashSet<>();
int left=0,right =0;
int res =0;
while(right<len){
char c = s.charAt(right);
//窗口右移
right++;
//判断是否左边窗口需要缩减,如果已经包含,那就需要缩减
while(windows.contains(c)){
windows.remove(s.charAt(left));
left++;
}
windows.add(c);
//比较更新答案
res = Math.max(res,windows.size());
}
return res;
}
之前写过一篇滑动窗口解析,大家有兴趣可以看下哈:
10.删除链表的倒数第 N 个结点
给你一个链表,删除链表的倒数第 n 个结点,并且返回链表的头结点。
![34af43df736c5b9eb4b6ee93b8017492.png](https://i-blog.csdnimg.cn/blog_migrate/d9b5d1a059af48403f2f2e41c064b4c9.png)
示例 :
输入:head = [1,2,3,4,5], n = 2
输出:[1,2,3,5]
这道题可以使用双指针解决。既然我们要找到倒数第n
个节点,我们可以使用两个指针first 和 second
同时对链表进行遍历,并且first 比second
超前 n
个节点。当 first
遍历到链表的末尾时,second
就恰好处于倒数第n
个节点。
class Solution {
public ListNode removeNthFromEnd(ListNode head, int n) {
ListNode dummy = new ListNode(0, head);
ListNode first = head;
ListNode second = dummy;
//first 比second先走n个节点
for (int i = 0; i < n; ++i) {
first = first.next;
}
//直到走到链表尾部
while (first != null) {
first = first.next;
second = second.next;
}
//删除节点
second.next = second.next.next;
ListNode ans = dummy.next;
return ans;
}
}
推荐阅读
《程序员必会的40种算法》
作者:[加] 伊姆兰·艾哈迈德(Imran Ahmad)
译者:赵海霞
本书致力于利用算法求解实际问题
帮助初学者理解算法背后的逻辑和数学知识
推荐语:
算法一直在计算科学和计算实践中发挥着重要作用。除了传统计算之外,使用算法解决现实问题的能力是开发人员和程序员必须具备的一项重要技能。本书不仅能帮助你拓展技能,选择强有力的算法解决现实世界的问题,还能帮助你了解算法原理。
本书内容丰富,涉及算法基础、设计技术、分析方法、排序算法、查找算法、图算法、线性规划算法、机器学习算法、推荐算法、数据算法、密码算法和并行算法等内容,重点讲述如何使用Python进行算法实现和算法性能的比较与分析。
扫码关注【华章计算机】视频号
每天来听华章哥讲书
干货 |C++都有哪些就业方向?是否应该学习C++?
书单 | 成为优秀Java开发者,我看了这几本书
上新 |《Core Java》作者亲授视频免费看,学习Java更轻松
资讯 |提升研发效能:抵制无效加班文化
资讯 | 又又叒更新,Win 12要来了?
干货 |一文带你掌握计算机体系结构核心内容
干货 | 机器人与人工智能的关系,终于有人讲明白了
书讯 | 2月书讯(下)| 新年到,新书到!
书讯 | 2月书讯 (上)| 新年到,新书到!
点击阅读全文购买