机器学习面经笔记-第一天

一、好玩题

（1）人生路上，会遇到很多合适的人，笔者也相信着有情人终将眷属。只是在做出一生一世承诺前，我们是否应该多一些理性思考？一个男生从头走到尾，试图找到一个最适合自己的女生，一旦找到就不能选择其他的女生，错过也不能回头，问，他最大可能和那个最合适的女孩走到一起的最好的策略是什么？

#机器学习的入门概念+概率论+极限+积分（有点难）
假设总共遇到女生数量是n，前面k个女生做为训练集合，后n-k个女生作为测试样本。策略为：前k个女生只交往不结婚（无论多合适），后n-k个女生只要一遇到比前面k个女生都合适的，立马结婚，一生一世，绝不背离。问题在于k的选取。
对于一个固定的k，想要选到最合适的女生，必须满足两个条件：
1、最合适的女生是后n-k之中一个
2、最合适女生前所有女生（不包括她自己）合适度最高的那个必须在训练集合里面，而不在测试集合里面。
遍历条件一（每个发生的概率都是1/n）,乘上条件二发生的概率$$f(k)=\sum _{i=k+1}^n\frac{1}{n}\ast \frac{k}{i-1}=\frac{k}{n}\sum _{i=k+1}^n\frac{1}{i-1}=\frac{k}{n}\ast （\frac{1}{k}+\frac{1}{k+1}+\frac{1}{k+3}+......\frac{1}{n}）$$
$f(k)$表示在训练集数量为k的时候，选到最合适女孩的概率。令$x=\frac{k}{n},k=nx$代入，得$$f(k)=x\ast （\frac{1}{nx}+\frac{1}{nx+1}+\frac{1}{nx+2}+......\frac{1}{n})=x\ast \frac{1}{n}（\frac{1}{x}+\frac{1}{x+\frac{1}{n}}+\frac{1}{x+\frac{2}{n}}+......+1)=x\ast {\int }_x^1\frac{1}{t}\mathrm{d}t=-x\ast ln(x)$$
对x求导得$-ln(x)-1当x取\frac{1}{e}$时函数取极大值。所以应该以前$\frac{1}{e}\ast n$个女生作为训练集合，可以保证最大可能和最合适女生厮守一生。

（2）、某大公司有这么一个规定：只要有一个员工过生日，当天所有员工全部放假一天。但在其余时候，所有员工都没有假期，必须正常上班。这个公司需要雇用多少员工，才能让公司一年内所有员工的总工作时间期望值最大？

纯概率论
设公司n个人，考虑每一天，要么所有员工都上班，要么全部放假。全部上班=没有人过生日=每个人都在一年的其他日子过生日。$p(这一天公司上班)=（\frac{364}{365}{)}^n$则对于每天公司所有人工作总时长的数学期望（一年就*365）是：$E=p(这一天公司上班)\ast n+0\ast p(这一天公司不上班)=(\frac{364}{365}{)}^n\ast n$直接求导不方便，取对数求导。可得$n=\frac{1}{ln\frac{365}{364}}=364.4998$时函数取极大值，所以公司364或者365人时可以达到最大工作时间期望。

（3）一根棍子长度为N劈成三段，求这三段可以拼成三角形概率。

线性规划（较简单）
设第一段长度为x，第二段长度为y
只有如图所示面积可以组成三角形，概率是0.25.

（4） 一个袋子，只有蓝色球和红色球，有放回抽球，抽到蓝色结束，问抽球次数的数学期望。

概率论（简单题）
设抽到蓝色球概率为p,红色球概率q，p+q=1.抽球次数分布列如下：

次数	1	2	3	…	n
概率	p	qp	$q^{2}p$	…	$q^{n-1}p$

数学期望为$E=1\ast p+2\ast qp+3q^{2}p+...+n{q}^{n-1}p=p(1+2\ast q+3q^2+...+n{q}^{n-1})$,令$s=1+2\ast q+3q^2+...+n{q}^{n-1}，\int s\mathrm{d}q=q+q^2+q^3+...+q^n=\frac{q}{1-q}$,则$E=p\ast \frac{1}{(1-q{)}^2}=\frac{1}{p}$

二、概念题

(1)贝叶斯学派和经典学派区别

这个我有一篇论文，回头单独写一篇介绍

(2）欧拉公式

最美的公式：$e^{ix}=cosx+isinx$

(3）概率和似然的关系

笔者认为，二者都是经典概率学派的观点，概率是事情未发生前，人们假定上帝已经规定好了这个时间发生的可能性，称为概率。
似然是事件已经发生，根据发生的结果，反过来推断参数，找到参数取哪一个值最有可能导致已经发生的这件事情的发生。最常见的：极大似然估计。

(4)什么是共轭先验分布

贝叶斯学派认为事情发生的概率不是固定的，事情发生的概率p本身也是一个先验概率且服从${\pi }_1(\theta )$,事情发生之后，人们经验改变，得到后验概率${\pi }_2(\theta )$，如果${\pi }_1(\theta )$和${\pi }_2(\theta )$具有相同的函数形式（注意：不一定要完全一样，$\theta$服从同一种分布就可以 ），则称${\pi }_1(\theta )$为共轭先验分布。

(5)切比雪夫不等式（考研会考）

$p(|x-u|>k\sigma )\le \frac{1}{k^2}$

三 、算法题

（1）求m*k矩阵A和n*k矩阵之间的欧几里得距离。

思路：求AB每行行向量模的平方->将$B^T$的扩展为m*k的矩阵->相乘。
例如：