qq_34896915的博客

题目描述一个链表中包含环，请找出该链表的环的入口结点。思路：第一步，找环中相汇点。分别用p1，p2指向链表头部，p1每次走一步，p2每次走二步，直到p1==p2找到在环中的相汇点。第二步，找环的入口。接上步，当p1==p2时，p2所经过节点数为2x,p1所经过节点数为x,设环中有n个节点,p2比p1多走一圈有2x=n+x; n=x;可以看出p1实际走了一个环的步数，再让p2

一、什么是推荐系统？概念：一种自动化的工具，可以分析你的历史兴趣，从庞大的库中推荐出喜欢的物品。基本任务：联系用户和物品，解决信息过载的问题。诞生：早在很多年前，科学家门就提出了很多解决方案，代表性的就是分类目录和搜索引擎。雅虎，谷歌。其中分类目录网站：能方便用户根据类别查找网站，但是只能覆盖少量的热门网站，越来越不能满足客户的需求。因此，搜索引擎诞生了。可以让用户根据搜索关键词来找到

贝叶斯判定准则：为最小化总体风险，只需在每个样本上选择能使条件风险R(c|x)最小的类别标记： /-------------------------------极大似然估计---------------------------------/估计类的常用策略：先假定其具有某种确定的概率分布形式，再基于训练样本对概率分布的参数进行估计。即概率模型的训练过程就是参数估计过程。参数估计两大学派

提出：有时候任务中含有一些不能观察到的隐含变量，样本的产生和隐含变量有关，而求模型的参数时一般用最大似然估计，由于隐变量的存在，所以对似然函数参数求导是求不出来的，这时采用EM算法来求导。总结：是一种迭代算法，用于含有隐变量的概率模型参数的极大似然估计。两个步骤交替计算：E步：利用当前估计的参数值，求出在该参数下隐含变量的条件概率值（计算对数似然的期望值）；M步：结合E步求出的隐含变量

通俗的解释：1）生成模型：（先对数据的联合分布建模，再通过贝叶斯公式计算样本属于各个类别的后验概率）由数据学习联合概率p（x,y），然后求出后验概率p(y|x)作为预测的模型，即：P(y|x)=p(x,y)/p(x)。特点：可以从统计的角度表示数据的分布情况，能反映同类数据本身的相似度。但不关心各类的边界在哪。学习收敛速度更快。存在隐变量时，仍适用。2）判别模型：（直接

一、boosting与bagging：（1）bagging：从原始数据中随机抽样得到多个同样大小的数据集，来训练多个基学习 器，各学习器之间互不依赖。是一种并行的方法。各分类器的权重都是相等的。（抽样方法为有放回的抽样：允许每个小数据集中可以有重复的值。）（2）boosting：用所有的数据去训练基学习器，个体学习器之间存在依赖关系，每一个学习器都是基于之前训练的学习器的结果，集中

对于两棵彼此独立的二叉树A和B，请编写一个高效算法，检查A中是否存在一棵子树与B树的拓扑结构完全相同。给定两棵二叉树的头结点A和B，请返回一个bool值，代表A中是否存在一棵同构于B的子树。普通解法为二叉树遍历+匹配问题，考察tree1中每个节点为头的子树是否与tree2一致，时间复杂度为O（N*M）N：tree1节点数 M：tree2节点数最优解法为 二叉树序

1、反向传播思想：计算出输出与标签间的损失函数值，然后计算其相对于每个神经元的梯度，根据梯度方向更新权值。（1）将训练集数据输入到ANN的输入层，经过隐藏层，最后达到输出层并输出结果，这是ANN的前向传播过程；（2）由于ANN的输出结果与实际结果有误差，则计算估计值与实际值之间的误差，并将该误差从输出层向隐藏层反向传播，直至传播到输入层；（3）在反向传播的过程中，根

个人对于机器学习中决策树的理解和总结