数据挖掘,第一面

感谢师兄极其公司给予面试机会,又错失转行的机会 。对面试的简单予以记录、总结、学习。

互联网公司、创业公司,招人技术人才,是要能独当一面的,能立即帮它解决问题的人。 注重经验、技能、代码功底,能做多面手,偏爱年轻人。

创业是你死我活的商业活动,是各方面牛人、强者的聚集最高级游戏,哪有那么多幻想与矫情。 没有筹码,没有谈判的可能。

1. SQL

(1)数据库优化
    a、调整数据结构的设计
    b、调整应用程序结构设计
    c、调整数据库SQL语句
    d、调整服务器内存分配
    e.调整硬盘I/O
    f、调整操作系统参数
上述数据库优化措施之间是相互联系的。性能恶化的原因却是多种多样的,另外,良好的数据库管理工具对于优化数据库性能也是很重要的。 
常用的数据库性能优化工具有:
    a、ORACLE数据库在线数据字典
    b、操作系统工具,vmstat,iostat等命令
    c、SQL语言跟踪工具
    d、ORACLE Enterprise Manager(OEM)
    e、EXPLAIN PLAN——SQL语言优化命令

(2)内连接、外链接区别
    两个表要做连接,必须要有连接字段。

a.内连接,使用比较运算符根据每个表共有的列的值,匹配两个表中的行。即连接2个表共有的部分。

b.外链接
        (1) 左向外连接的结果集包括LEFT OUTER子句中指定的左表的所有行,而不仅仅是连接列所匹配的行。
        (2)右向外连接是左向外连接的反向连接。将返回右表的所有行。如果右表的某行在左表中没有匹配行,则将为左表返回空值。 
        (3)完整外部连接返回左表和右表中的所有行。当某行在另一个表中没有匹配行时,则另一个表的选择列表列包含空值。如果表之间有匹配行,则整个结果集行包含基表的数据值。 
        (4)交叉连接返回左表中的所有行,左表中的每一行与右表中的所有行组合。交叉连接也称作笛卡尔积。 

C.区别
    1.内连接(自然连接): 只有两个表相匹配的行才能在结果集中出现.
        等值连接
        非等值连接
        自连接 
    2.外连接: 包括 
            (1)左外连接(左边的表不加限制) 
            (2)右外连接(右边的表不加限制) 
            (3)全外连接(左右两表都不加限制) 
    3.自连接(连接发生在一张基表内) 

2. Java

(1)匿名函数
    匿名内部类也就是没有名字的内部类。正因为没有名字,所以匿名内部类只能使用一次,它通常用来简化代码编写,但使用匿名内部类还有个前提条件:必须继承一个父类或实现一个接口。

3. python

(1)高阶函数:     把函数名赋值给另一个变量,然后使用这个变量完成跟函数一样的功能。 类似C语言中的回调函数。

def add(x , y , f):
    return f(x) + f(y)

print add(-15 , 16 , abs)

把函数A, 作为另一个函数B的参数传入,那么函数B称为高阶函数。函数式编程就是指这种高度抽象的编程范式。
 ...

4. 数据模型

指数分布 与  泊松分布

一句话总结:泊松分布是单位时间内独立事件发生次数的概率分布;指数分布是独立事件的时间间隔的概率分布。
假设一事件在任何长为t的时间内出现故障的次数v(t)服从参数为it的泊松分布,则相邻两次事件的时间间隔T服从参数为i的指数分布。

请注意是”独立事件”,泊松分布和指数分布的前提是,事件之间不能有关联。

还有些自己不熟悉,也记不清了。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值