计算机面试常问

1、介绍最小二乘法

最小二乘法是一种常用的数学方法，用于拟合实验数据或者解决优化问题。它的基本思想是通过最小化观测值和估计值之间的差异，找到最能代表数据特征的模型参数。

在使用最小二乘法进行数据拟合时，通常需要选择一个函数形式作为模型，例如线性模型、多项式模型等。然后，通过比较观测值与模型预测值之间的差异，即残差，来确定最佳拟合参数。

具体应用最小二乘法的步骤如下：

（1）根据问题的特点选择适当的模型形式；

（2）收集和整理所需的观测数据；

（3）设置目标函数，通常为测量值与模型预测值之间差异的平方和；

（4）对目标函数进行求异，并将导数置零，求取使目标函数达到最小值的参数；

（5）利用得到的最优参数，计算拟合曲线或曲面；

（6）对拟合结果进行评估，查看拟合优度和模型可靠性。

最小二乘法具有很多优点，例如在数学上有解析解，可靠性高等。局限性有容易受到异常值的影响，需要谨慎选择合适的模型和参数。在实际应用中，最小二乘法通常与其他统计方法和评估指标结合使用，以获得更准确和可靠的拟合结果。

2、递归和动态规划的区别？

递归和动态规划是两种常见的问题解决方法，它们有以下主要区别：

1. 解决问题的方式：递归是一种自相似的解决方法，通过将问题分解为多个相同或类似的子问题，并通过递归调用函数来解决这些子问题。而动态规划则是通过将问题拆分成多个重叠子问题，并使用记忆化技术（通常是数组或哈希表）来存储并复用已解决的子问题的解。

2. 子问题的重叠性：递归中通常会存在大量的重复计算，即对同一个子问题进行了多次计算，这样会造成效率低下。而动态规划通过保存已经计算过的子问题的解，避免了重复计算，提高了效率。

3. 时间复杂度：由于递归可能存在重复计算，因此其时间复杂度较高。而动态规划利用存储已解决子问题的解，减少了计算量，可以以较低的时间复杂度解决问题。

4. 空间复杂度：递归通常需要消耗较多的栈空间来保存函数调用的上下文信息，尤其在递归深度较大的情况下。而动态规划则通过建立存储表格来保存已解决子问题的解，需要更多的额外空间。

总体而言，递归是自顶向下的解决方法，在解决问题时可能存在重复计算，但其思路通常较为直观简单。

动态规划是一种自底向上的解决方法，在解决问题时通过使用已解决子问题的解来构建并解。

3、你知道的排序？

1. 冒泡排序（Bubble Sort）: 从左到右逐步比较相邻的元素并交换，每轮循环结束后，最大的元素会“冒泡”到正确的位置。

2. 插入排序（Insertion Sort）: 逐个将元素插入已排序的部分列表中，形成一个有序的列表。对于未排序的元素，在排序列表中从右到左地找到适当的位置，并插入。

3. 选择排序（Selection Sort）: 遍历数组，选择最小的元素与第一个元素交换，然后再在剩下的元素中找到最小的元素与第二个元素交换，依次类推。

4. 快速排序（Quick Sort）: 选取一个基准元素，将小于等于基准的元素放在左边，大于基准的元素放在右边，然后对左右两个子数组进行递归快速排序。

5. 归并排序（Merge Sort）: 将数组不断一分为二，直到只剩一个元素，然后将有序的子数组合并为一个有序数组，利用递归实现。

6. 堆排序（Heap Sort）: 将待排序的数组构建成一个最大堆（或最小堆），然后逐个将根节点取出，再重新调整剩余元素构建新的堆。

4、快速排序是稳定的吗？

快速排序是一种不稳定的排序算法。在快速排序中，元素的比较和交换是无序的，并且根据选择的基准元素进行划分。由于不同的实现方式可能导致基准元素的选择不同，因此可能会出现相等元素的顺序发生变化的情况，从而使得快速排序不是稳定的。

5、说出你知道的分类器？

1. 朴素贝叶斯分类器（Naive Bayes Classifier）：基于贝叶斯定理和特征性假设，常用于文本分类、垃圾邮件过滤等。

2. 决策树分类器（Decision Tree Classifier）：通过对数据集进行递归地划分，形成一系列决策层级，常用于数据挖掘和问题解决。

3. 支持向量机（Support Vector Machine，SVM）：通过在特征空间中构建超平面来实现分类，可用于线性和非线性分类问题。

4. 随机森林（Random Forest）：由多个决策树组成的集成学习方法，通过投票或平均的方式进行分类。

5. k最近邻算法（k-Nearest Neighbors，KNN）：基于样本之间的距离度量，将新数据标记为其k个最近邻居中最多的类别。

6. 神经网络（Neural Networks）：模拟人脑神经元通信的网络结构，可以用于复杂的非线性分类问题。

6、SpringBoot是什么？

Spring Boot 是一个用于快速创建、可运行的、生产级的 Spring 应用程序的框架。它简化了 Spring 应用程序的配置和部署过程，使开发者能够更加专注于业务逻辑的实现。Spring Boot 提供了自动配置、嵌入式服务器以及各种依赖库的便捷集成，提高了开发效率并减少了繁琐的配置工作。它还支持各种应用类型，包括 Web 应用、批处理应用、集成测试和云原生应用等。

Spring Boot 是一个基于 Spring 框架的轻量级 Web 应用程序开发框架，主要用于快速构建基于 Spring 框架的应用程序。它本身并不是前端或后端，而是一个用于快速构建应用程序的开发框架。

在开发 Spring Boot 应用程序时，通常需要使用前端技术和后端技术。前端技术包括 HTML、CSS、JavaScript、React、Vue.js 等，用于构建用户界面和交互；后端技术包括 Java、Spring Boot、MySQL、Redis 等，用于构建应用程序的业务逻辑和数据存储。

开发 Spring Boot 应用程序的一般过程如下：

1. 确定应用程序的业务逻辑和功能需求，设计应用程序的架构和模块。

2. 根据业务逻辑和功能需求，编写 Java 代码实现应用程序的业务逻辑和功能。

3. 使用 Spring Boot 框架构建应用程序的依赖关系和配置文件。

4. 使用前端技术构建用户界面和交互，例如使用 HTML、CSS、JavaScript、React、Vue.js 等。

5. 将前端技术和后端技术集成在一起，实现应用程序的完整功能。

6. 进行测试和调试，确保应用程序的稳定性和可靠性。

7. 部署和发布应用程序到生产环境中，并进行监控和维护。

7、深度学习

深度学习（DL,Deep Learning）是机器学习（ML,Machine Learning）领域中一个新的研究方向。深度学习是学习样本数据的内在规律和表示层次。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别等方面取得的效果，远远超过先前相关技术。深度学习在搜索技术、数据挖掘、机器学习、机器翻译、自然语言处理、多媒体学习、语音。推荐和个性化技术以及其他相关领域都取得了很多成功。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题。

 

机器学习按照方法主要分为两大类：监督学习和无监督学习。

监督学习主要由分类和回归等问题组成，无监督学习主要由聚类和关联分析等问题组成。深度学习则属于监督学习中的一种。