线性代数第2章:矩阵及其运算
1 线性方程组和矩阵1.1 线性方程组n个未知数m个方程的线性方程组如下:
上述线性方程组的解取决于系数a和常数项b。
当常数项b=0时,方程组
称为n元齐次线性方程组,当b≠0时,称为n元非齐次线性方程组。
线性方程组的系数和常数项按原位置可以排成数表如下:
对线性方程组的研究,可以转化为对此表的研究。
1.2 矩阵的定义由$m \times n$个数$a_{ij}(i=1,2,…,m;j=1,2,…,n)$排成的m行n列的数表
称为m行n列的矩阵,简称$m \times n$矩阵,记作
这$m \times n$个数称为矩阵A的元素,简称为元,数$a_{ij}$位于矩阵A的第i行第j列,$m \times n$矩阵A也可记作$A_{m \times n}$。
元素为实数的矩阵称为实矩阵;元素有虚数的矩阵称为复矩阵。
1.2.1 几种特殊的矩阵(1)行数和列数都等于n的矩阵称为n阶矩阵或n阶方阵,n阶矩阵A也记作$A_n$。
(2)只有一行的矩阵$A=\left(\begin{array}{llll}a_{1} & a_{2} ...
概率论第8章:假设检验
1 假设检验1.1 基本原理背景:在总体的分布函数完全未知或只知其形式、但不知其参数的情况下, 为了推断总体的某些性质,提出某些关于总体的假设。
例如, 提出总体服从泊松分布的假设;又如,对正态总体提出数学期望等于$\mu$的假设等.
假设检验就是根据得到的样本对所提出的假设作出判断: 是接受, 还是拒绝.
例1:某车间用一台包装机包装葡萄糖, 包得的袋装糖重是一个随机变量, 它服从正态分布.当机器正常时, 其均值为0.5千克, 标准差为0.015千克.某日开工后为检验包装机是否正常, 随机地抽取它所包装的糖9袋, 称得净重为(千克):0.497 0.506 0.518 0.524 0.498 0.511 0.520 0.515 0.512, 问机器这一天是否正常?
分析:用$\mu$和$\sigma$分别表示这一天袋装糖总体X的均值和标准差,由长期实践可知,标准差较稳定,设$\sigma=0.015$,则$X \sim N\left(\mu, 0.015^{2}\right)$,其中$\mu$未知。
目标:根据样本值判断$\mu ...
概率论第7章:参数估计
1 参数估计设有一个统计总体, 总体的分布函数为$F(x, \theta)$,其中$\theta$为未知参数。$X_{1}, X_{2}, \cdots, X_{n}$是从总体X得到的样本,要根据该样本对参数$\theta$做出估计,或估计$\theta$的某个已知函数$g(\theta)$,这类问题成为参数估计。
已知总体的分布,来估计总体的参数。本章主要讲解参数估计中的点估计和区间估计。
2 点估计2.1 点估计的概念设总体X的分布函数$F(x ; \theta)$的形式已知,$\theta$是待估参数,$X_{1}, X_{2}, \cdots, X_{n}$是X的一个样本,$x_{1}, x_{2}, \cdots, x_{n}$是相应的样本值,用样本值估计参数值。
定义:构造一个适当的估计量$\hat{\theta}\left(X_{1}, X_{2}, \cdots, X_{n}\right)$,用它的观察值$\hat{\theta}\left(x_{1}, x_{2}, \cdots, x_{n}\right)$来估计未知参数$\theta$,称$\hat{\thet ...
信息安全实验2:数据包抓取与分析
1 实验环境
操作系统版本:Windows 11 家庭中文版23H2
Wireshark版本:4.2.5
Cmd版本:10.0.22631.3296
2 实验内容2.1 Ping数据包抓取以及ICMP协议分析Ping命令是一种网络工具,用于测试主机之间的连接性。通过发送ICMP回显请求消息到目标主机,并等待目标主机的回复,可以确定目标主机是否可达以及往返延迟(Round-Trip Time,RTT)是多少。Ping命令通常用于诊断网络连接问题,也可用于测量网络的稳定性和性能。
使用Wireshark工具抓取ping数据包,首先在Cmd状态下使用ping命令连接百度网址。
图2.1 Ping命令结果
由图2.1可知,向www.baidu.com发送了4个数据包,总共收到了4个,没有丢失。之后在Wireshark中查看抓取的数据包。
图2.2 Ping命令抓包结果
由图2.2所示,通过过滤器查看ICMP协议的数据包,可以从数据包的Info字段看到有来自发送方的请求和来自接收方的回复。
ICMP(Internet Control Message Protocol)是TCP ...
线性代数第1章:行列式
1 二阶与三阶行列式1.1 二阶行列式定义:由四个数排成二行二列(横排称行、竖排称列)的数表$\begin{array}{ll}a_{11} & a_{12} \ a_{21} & a_{22}\end{array}$,表达式$a_{11} a_{22}-a_{12} a_{21}$称为上述数表确定的二阶行列式,并记作$\left|\begin{array}{ll}a_{11} & a_{12} \ a_{21} & a_{22}\end{array}\right|$。
$$D=\left|\begin{array}{ll}a_{11} & a_{12} \ a_{21} & a_{22}\end{array}\right|=a_{11} a_{22}-a_{12} a_{21}$$
计算规则:对角线法则
1.2 三阶行列式定义:设有9个数排成3行3列的数表
$$\begin{array}{lll}a_{11} & a_{12} & a_{13} \ a_{21} & a_{22} & ...
概率论第6章:随机样本和抽样分布
1 随机样本1.1 总体对有关对象的某一数量指标进行试验和观察,将试验的全部可能的观察值称为总体;
每一个可能的观察值称为个体,个体的数量称为总体的容量。
一个总体对应一个随机变量X;随机变量的分布函数和数字特征称为总体X的分布函数和数字特征。
1.2 样本总体分布一般是未知的,或只知道是包含未知参数的分布。通过从总体中抽取一部分个体,根据获得的数据推断总体分布,这一抽取过程称为 “抽样”,所抽取的部分个体称为总体的一个样本. 样本中所包含的个体数目称为样本容量.
从总体抽取一个个体:对总体X进行一次观察并记录结果。
定义:设X是具有分布函数F的随机变量,若$X_{1}, X_{2}, \ldots, X_{\mathrm{n}}$是具有同一分布F的且相互独立的随机变量,则$X_{1}, X_{2}, \ldots, X_{\mathrm{n}}$为从总体X(总体F)得到的容量为n的简单随机样本,简称样本。
观察值$X_{1}, X_{2}, \ldots, X_{\mathrm{n}}$为样本值,又称为X的n个独立观察值。
“简单随机抽样”特点:$X_{1}, X_{2}, \l ...
6.13华为二面
面试时间:2024年6月13日14:15~14:50
面试公司:华为
面试类型:业务主管面
1 整体感受面试官没有开摄像头,不知道面试官的表情,感觉有点不得劲哈哈。
整体来说感觉还行,这次面试没有问很多技术上的问题,更多是对你价值观一些的问题,还有会深挖一些简历上的东西,所以应该对简历上的内容非常熟悉。
而且,面试官真的很好,我面试中说到了我早上8点之前就到实验室,然后除了吃饭之外,基本上都在实验室,晚上10点才离开,然后面试官就开始鼓励我,他说“你的这个习惯真的很好,一定要坚持下去,因为等你到中年发现,你一生中的很多成就都是在你青年的时候获得的,所以在你青年的时候一定要多做一些事情,这样你才有所收获”。
面试结束了,之后也没有其他的面试了,就只有等待结果了,希望自己可以通过,真的很想去华为实习,这个经历真的很nice。
1.1 自己做的不错的地方
面试官问什么就答什么,可以适当拓展,但是不要说太多了,要不然面试官可能都不想听下去
回答的逻辑也比较好,有条理,可以让面试官抓到重点
感觉自己的面试经验经过这几次面试已经提升了很多了
2 提问的问题
问:你能介绍一下论文中的创新 ...
6.13华为一面
面试时间:2024年6月13日9:00~9:50
面试公司:华为
面试类型:技术面
1 整体感受感觉面试官一进来就很面善哈哈哈哈,整体感觉面试过程很让人舒服,面试官说话的语气也很好。
面完整体感觉还是挺不错的,希望能通过这一轮面试。
1.1 需要加强的地方
需要了解一下C++和Python语言的特性,面试真的会被问到
基础知识还是挺重要的,系统能力应该注意
2 提问的问题首先让你进行自我介绍,感觉现在自己自我介绍一点都不紧张,很放松,达到了自己想要的效果。
2.1 针对简历
问:你当过就业市场部副部长,还举办过第一届双选会?
答:是的,(说完之后面试官笑了笑,哈哈哈哈,感觉挺逗的,当时我应该再回复几句就更好了哈哈哈,面试官人真好)
问:你简历中参加了博弈大赛,获得了两个项目的一等奖,能具体说一下队伍分工吗?
答:我们队伍一共3个人,我作为队长主要负责整体进度规划和核心代码撰写,另一个人主要负责神经网络的训练,最后一个人主要负责棋力水平的测试。
问:你说你们训练使用了分布式训练,能具体说一下吗?
答:我们学校的机房中机器大部分都是没有GPU的机器,只有CPU,所以我 ...
概率论第5章:大数定律及中心极限定理
1 大数定律1.1 弱大数定律 (辛钦大数定律)设随机变量序列 $ X_{1} $, $X_{2}$,$ \ldots $ 相互独立,服从同一分布,具有数学期望$E\left({X}_{i}\right)=\mu,i=1,2,…$,则对于任意正数$\mathcal{E}$,有
$$\lim_{n\to\infty}P{|\frac1n\sum_{i=1}^nX_i-\mu|<\varepsilon}=1$$
1.1.1 依概率收敛定义及性质设Y1, Y2, …,Yn…是一个随机变量序列,a是一个常数。若对任意正数ε,有
$$\lim_{n\to\infty}P{|Y_n-a|<\varepsilon}=1$$
$则称序列 Y_{1}, Y_{2}, \cdots Y_{n}, \cdots 依概率收敛于a$,记作$Y_{n} \xrightarrow{P} a.$
1.1.2 定理1的另一种叙述设随机变量序列X1,X2, … 相互独立,服从同一分布,具有数学期望$E\left(X_{i}\right)=\mu ...
概率论第4章:随机变量的数字特征
1 数学期望1.1 随机变量的数学期望概念定义1:设$X$是离散型随机变量,它的分布律是:$P ( X=x_{k} ) =p_{k}, k=1,2, \ldots$,若级数$\sum_{k=1}^{\infty} x_{k} p_{k}$绝对收敛,则称级数$\sum_{k=1}^{\infty} x_{k} p_{k}$的和为随机变量$X$的数学期望。
$$E(X)=\sum_{k=1}^{\infty} x_{k} p_{k}$$
定义2:设连续型随机变量$X$的概率密度为$f(x)$,如果积分$\int_{-\infty}^{+\infty} x f(x) \mathrm{d} x$绝对收敛,则称该积分的值为随机变量X的数学期望或者均值,记为$E(X)$,即
$$E(X)=\int_{-\infty}^{+\infty} x f(x) \mathrm{d} x$$
1.2 随机变量函数的数学期望定理1:设$Y$是随机变量$X$的函数$Y=g(X)$( $g$ 是连续函数):
当$X$为离散型 ...