【数据挖掘】百度机器学习-数据挖掘-自然语言处理工程师 2023届校招笔试详解

本文涉及的产品
NLP自然语言处理_高级版,每接口累计50万次
NLP 自学习平台,3个模型定制额度 1个月
云解析 DNS,旗舰版 1个月
简介: 百度2023届校招机器学习/数据挖掘/自然语言处理工程师笔试的题目详解

笔试时间;2022年9月13日

1 不定项选择题

1、算法分析之常用符号大O、小o、大Ω符号、大Θ符号、w符号

O: 表示上界,小于等于的意思。渐进上界

o:表示上界,小于的意思。表示一个函数渐进地小于另一个函数,没有等于

Ω \Omega Ω:表示下界,大于等于的意思。渐进下界

Θ \Theta Θ:等于的意思。是大O符号和大Ω符号的结合,既是上界也是下界相当于两者的结合

ω \omega ω:表示下界,大于的意思。

2、java类之间的关系

依赖、关联、聚合、组合、继承、实现

3、不属于抽样的是

A. 渐进抽样

B.单纯随机抽样

C. 分层抽样

D. 忘了

答案:D

解析:

常见的抽样方法:
1 有放回的简单随机抽样

2 无放回的简单随机抽样

3 分层抽样

4 渐进抽样:在抽样方法中,当合适的样本容量很难确定时,可以使用的抽样方法是渐进抽样。

举个例:
比如,使用渐进抽样学习一个预测模型,预测模型的准确率会随着样本容量的增加而增大,直到某一点之后趋于稳定,此时的样本容量为适合的样本容量,我们可以选取接近当前容量的其它样本,估计出与稳定点的接近程度,从而停止抽样。

4、 素数的判断,代码

bool isprime(int a){
    if (a == 2)return true;
      //这一行是题目要求填写的
    if (a % 2 == 0) return false;
    int x = sqrt(a);
    for (int i = 2; i <= x; ++i){
        if (a%i == 0)return false;
    }
    return true;
}

5、KMP 算法初始化Next数组,主串S= ‘aaab’,则next是?

答案:0 1 2 2

解析:

next数组的值是代表着字符串的前缀与后缀相同的最大长度,(不能包括自身)

举例理解,模式串: ABABAA

在这里插入图片描述

6、相关系数是描述变量之间的什么量

线性相关程度的量

7、不属于基于回归文本检测的方法是

A. EAST

B.textbox

C.CTPN

D. MSR

答案:D

解析:

基于回归的文本检测方法:TextBoxes、 CTPN、TextBoxes++、EAST、MOST、CTD、LOMO、Contournet、PCR

基于分割的文本检测方法:Pixellink、MSR、PSNET、Seglink++、PAN、PCENet、DBNet

参考:http://t.csdn.cn/SOVHT

8、 11位号码,前10位正确,最后一位不确定,则三次都没有播通的概率是多少?

答案:0.7

解析:

$$P = \frac{9}{10}×\frac{8}{9}×\frac{7}{8} = 0.7$$

9、如果程序中没有显式使用可见性修饰符,允许某包P中的类C访问的有?

A、P中的。。。

答案:

解析:

四个可⻅性修饰符:private 、protected 、internal 和public。如果没有显式指定修饰符的话,默认可⻅性是 public

如果你声明为 private,它只会在声明它的文件内可⻅

如果你声明为 internal,它会在相同模块内随处可⻅

protected 不适用于顶层声明

10、F检验F值越大,以下哪个正确?

A. 相关系数越小

B. 随机误差越大

C.因变量与自变量之间的关系越大

D. 至少有一个自变量与因变量关系显著

答案:C,D

解析

F值表示回归模型的方差与残差的比值,即F越大表示残差越小,模拟的精度越高,相关系数越大,随机误差越小。

回归模型的总体显著性检验,就是检验全部解释变量对被解释变量的共同影响是否显著。F检验不显著时,就要考虑非线性的模型了。

11、基于像素进行分组反映出文本的语义信息,是什么方法?

答案:基于图像像素分割的文本检测方法

Pixellink采用分割的方法解决文本检测问题,分割对象为文本区域,将同属于一个文本行(单词)中的像素链接在一起来分割文本,直接从分割结果中提取文本边界框,无需位置回归就能达到基于回归的文本检测的效果。

12、查看已经安装了ssh服务相关的所有软件包 命令

rpm -qa | grep ssh

13、在数据搜集部分 ,需要执行哪些任务?

14、选择排序21,89,35,47,74,三趟排序后的结果是?

答案:21,35,47,89,74

解析:

选择排序是每趟选择最小的进行排序。

15、有集合S= {D,R },D= {甲,乙,丙,丁,戊},求表示顺序栈的关系集合为?

16、MLP中,输入层10个神经元,隐藏层5个神经元,输出层一个神经元,则输入输出的矩阵大小是?

答案:10×5,5×1

17、页面走向为:4,3,2,1,4,3,5,4,3,2,1,5,使用最佳置换策略,计算缺页率,分配的物理块数量为4

最初 n 个物理块为空时,依次插入的 n 次页面也算作缺页
访问页面的总数即为题目给出的页面走向的总个数
OPT算法:被换出的页面将是最长时间内不再被访问(往后看)

在这里插入图片描述

缺页次数为6次,访问页面的总数为12,缺页率为6/12

18、java中math.random()的范围是多少?

答案:[0,1),左闭右开

19、UDP中传输层的作用是?

答案:传输层提供逻辑连接的建立、传输层寻址、数据传输、传输连接释放、流量控制、拥塞控制、多路复用和解复用、崩溃恢复等服务。

20、哈希表中,使用链地址法解决冲突,关键字列表为6,1,10,14,68,7,84,27,55,24,23,79,哈希表长16,key=13时解决冲突的次数是多少?

答案:0次

解析:没有哪个关键字的key%16的余数是13。

注意:平均查找长度为(每个元素的链表长度之和除以总的元素个数)

21、如图所示,特征值较大的特征向量是?
A.横轴
B.纵轴
C.红色的线
D.蓝色的线
在这里插入图片描述
我猜是PCA降维的知识点

2 编程题

1、购买两款游戏,第一款游戏中共有n个关卡,通过第i关需要花费a_j的时间,第二款游戏共有m个关卡,通过第i关需要b_j的时间,两款游戏都不允许跳过关卡,必须通过第i关,才能继续挑战第i+1关,在游戏时长不超过t的情况下,最多可以通过多少关

第一行三个整数,n,m.t

第二行,输入n个数,a_1,…,a_n

第三行,输入m个数,b_1,…,b_m

输出最多能通过的关卡数

示例:

5 3 15

1 3 2 9 1

4 6 1

输出5

没有做出来


2、小明小红玩排序游戏,共有n个士兵,拍成一列,第i个士兵的战斗力为 h i h_i hi​,两个人给他们排序

小明,小红二人共进行了m次操作,小明的每次操作都选择一个数,将前k个士兵按战斗力从小到大排序,小红的每次操作选择一个数k,将前k个士兵按战斗力从大到小排序

问所有操作结束后,从前往后每个士兵的战斗力是多少?

输入

第一行两个整数n,m,士兵数量和操作次数

第二行n个整数,代表从前往后每个士兵的战斗力

接下来m行按顺序给出所有操作,每行有两个整数,t.k,t=1代表是小明的操作,,否则是小红的操作,k代表对前K个士兵进行排序

输出n个整数,代表操作后的战斗力

在本地调试通过,但是在线上没有通过,通过率为0

n,m = input().split()
ss = input()
s = [int(i) for i  in ss.split()]
for i in range(int(m)):
    name,k = input().split()
    tmp = s[0:int(k)]
    if name =='1':
        tmp.sort()
    else:
        tmp.sort(reverse=True)
    s = tmp+s[int(k):]
print(s)
目录
相关文章
|
6天前
|
机器学习/深度学习 自然语言处理 语音技术
探索机器学习中的自然语言处理技术
【10月更文挑战第38天】在本文中,我们将深入探讨自然语言处理(NLP)技术及其在机器学习领域的应用。通过浅显易懂的语言和生动的比喻,我们将揭示NLP技术的奥秘,包括其工作原理、主要任务以及面临的挑战。此外,我们还将分享一些实用的代码示例,帮助您更好地理解和掌握这一技术。无论您是初学者还是有经验的开发者,相信您都能从本文中获得宝贵的知识和启示。
17 3
|
3月前
|
机器学习/深度学习 自然语言处理 算法
【数据挖掘】百度机器学习-数据挖掘-自然语言处理工程师 历史笔试详解
文章汇总并解析了百度机器学习/数据挖掘工程师/自然语言处理工程师历史笔试题目,覆盖了多分类任务激活函数、TCP首部确认号字段、GMM-HMM模型、朴素贝叶斯模型、SGD随机梯度下降法、随机森林算法、强连通图、红黑树和完全二叉树的高度、最长公共前后缀、冒泡排序比较次数、C4.5属性划分标准、语言模型类型、分词算法、贝叶斯决策理论、样本信息熵、数据降维方法、分箱方法、物理地址计算、分时系统响应时间分析、小顶堆删除调整等多个知识点。
43 1
【数据挖掘】百度机器学习-数据挖掘-自然语言处理工程师 历史笔试详解
|
3月前
|
机器学习/深度学习 数据采集 自然语言处理
打造个性化新闻推荐系统:机器学习与自然语言处理的结合Java中的异常处理:从基础到高级
【8月更文挑战第27天】在信息过载的时代,个性化新闻推荐系统成为解决信息筛选难题的关键工具。本文将深入探讨如何利用机器学习和自然语言处理技术构建一个高效的新闻推荐系统。我们将从理论基础出发,逐步介绍数据预处理、模型选择、特征工程,以及推荐算法的实现,最终通过实际代码示例来展示如何将这些理论应用于实践,以实现精准的个性化内容推荐。
|
3月前
|
机器学习/深度学习 人工智能 自然语言处理
探索机器学习在自然语言处理中的应用
【8月更文挑战第22天】本文将深入探讨机器学习技术如何革新自然语言处理领域,从基础概念到高级应用,揭示其背后的原理和未来趋势。通过分析机器学习模型如何处理、理解和生成人类语言,我们将展示这一技术如何塑造我们的沟通方式,并讨论它带来的挑战与机遇。
|
3月前
|
机器学习/深度学习 人工智能 自然语言处理
探索机器学习中的自然语言处理技术
【7月更文挑战第40天】 随着人工智能的迅猛发展,自然语言处理(NLP)作为机器学习领域的重要分支,正逐渐改变我们与机器的互动方式。本文将深入探讨NLP的核心概念、关键技术以及在现实世界中的应用案例。我们将从基础原理出发,解析NLP如何处理和理解人类语言,并讨论最新的模型和算法如何提升NLP的性能。最后,通过几个实际应用场景的分析,展望NLP在未来可能带来的变革。
|
3月前
|
存储 机器学习/深度学习 PyTorch
深入理解GPU内存分配:机器学习工程师的实用指南与实验
给定一个模型架构、数据类型、输入形状和优化器,你能否计算出前向传播和反向传播所需的GPU内存量?
43 0

热门文章

最新文章