40万亿“新基建”来了！程序员如何抓住机遇？

3月以来，“新基建” 成为热词，全国31个省份宣布未来投入“新基建”的投资总额已经超过40万亿！

这意味着，“新基建”所包含的七大领域：5G 基建、特高压、城际高速铁路和城际轨道交通、新能源汽车充电桩、大数据中心、人工智能、工业互联网，将迎来新的战略增长。

其中，人工智能在技术商业场景应用需求提升，产业规模将持续扩大。根据前瞻产业研究院预测，2020年我国人工智能市场规模增速45%，远超全球市场规模增速水平。

中央定调“新基建”，互联网大厂继续加码人工智能。然而，AI产业却面临着巨大的人才缺口！在这样的大环境下，如果你有志应聘相关的技术岗，只有苦练内功，趁早磨刀，比如认真刷题，才有可能在面试中致胜。

以下分享2个算法岗的经典面试题，选自《百面机器学习：算法工程师带你去面试》一书。

LDA (线性判别分析) 和 PCA 的区别与联系

首先将LDA 扩展到多类高维的情况，以和问题1 中PCA 的求解对应。假设有N 个类别，并需要最终将特征降维至d 维。因此，我们要找到一个d 维投影超平面，使得投影后的样本点满足LDA 的目标—最大化类间距离和最小化类内距离。

回顾两个散度矩阵， 类内散度矩阵在类别增加至N 时仍满足定义， 而之前两类问题的类间散度矩阵在类别增加后就无法按照原始定义。图4.6 是三类样本的分布情况，其中分别表示棕绿黄三类样本的中心，μ 表示这三个中心的均值（也即全部样本的中心），Swi 表示第i 类的类内散度。我们可以定义一个新的矩阵St，来表示全局整体的散度，称为全局散度矩阵

如果把全局散度定义为类内散度与类间散度之和，即St=Sb+Sw，那么类间散度矩阵可表示为

其中mj 是第j 个类别中的样本个数，N 是总的类别个数。从式（4.29&