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
$$\begin{array}{lll}a_{11} & a_{12} & a_{13} \ a_{21} & a_{22} & ...
概率论第6章：随机样本和抽样分布
1 随机样本1.1 总体对有关对象的某一数量指标进行试验和观察，将试验的全部可能的观察值称为总体；
每一个可能的观察值称为个体，个体的数量称为总体的容量。
一个总体对应一个随机变量X；随机变量的分布函数和数字特征称为总体X的分布函数和数字特征。
1.2 样本总体分布一般是未知的，或只知道是包含未知参数的分布。通过从总体中抽取一部分个体，根据获得的数据推断总体分布，这一抽取过程称为 “抽样”，所抽取的部分个体称为总体的一个样本. 样本中所包含的个体数目称为样本容量.
从总体抽取一个个体：对总体X进行一次观察并记录结果。
定义：设X是具有分布函数F的随机变量，若$X_{1}, X_{2}, \ldots, X_{\mathrm{n}}$是具有同一分布F的且相互独立的随机变量，则$X_{1}, X_{2}, \ldots, X_{\mathrm{n}}$为从总体X(总体F)得到的容量为n的简单随机样本，简称样本。
观察值$X_{1}, X_{2}, \ldots, X_{\mathrm{n}}$为样本值，又称为X的n个独立观察值。
“简单随机抽样”特点：$X_{1}, X_{2}, \l ...
面试记录2：华为业务主管二面
1 面试背景
面试公司：华为技术有限公司
面试岗位：推荐搜索
面试类型：业务主管二面
面试时间：2024-06-13 14:15~14:50
面试结果：通过 😊
2 整体感受面试官没有开摄像头，不知道面试官的表情，感觉有点不得劲哈哈。
整体来说感觉还行，这次面试没有问很多技术上的问题，更多是对你价值观一些的问题，还有会深挖一些简历上的东西，所以应该对简历上的内容非常熟悉。
而且，面试官真的很好，我面试中说到了我早上8点之前就到实验室，然后除了吃饭之外，基本上都在实验室，晚上10点才离开，然后面试官就开始鼓励我，他说“你的这个习惯真的很好，一定要坚持下去，因为等你到中年发现，你一生中的很多成就都是在你青年的时候获得的，所以在你青年的时候一定要多做一些事情，这样你才有所收获”。
面试结束了，之后也没有其他的面试了，就只有等待结果了，希望自己可以通过，真的很想去华为实习，这个经历真的很 nice。
自己做的不错的地方：
面试官问什么就答什么，可以适当拓展，但是不要说太多了，要不然面试官可能都不想听下去
回答的逻辑也比较好，有条理，可以让面试官抓到重点
感觉自己的面试经验经过这几次面 ...
面试记录1：华为技术一面
1 面试背景
面试公司：华为技术有限公司
面试岗位：推荐搜索
面试类型：技术一面
面试时间：2024-06-13 9:00~10:00
面试结果：通过 😊
2 整体感受感觉面试官一进来就很面善哈哈哈哈，整体感觉面试过程很让人舒服，面试官说话的语气也很好。
面完整体感觉还是挺不错的，希望能通过这一轮面试。
需要加强的地方：
需要了解一下 C++ 和 Python 语言的特性，面试真的会被问到
基础知识还是挺重要的，系统能力应该注意
3 提问的问题首先让你进行自我介绍，感觉现在自己自我介绍一点都不紧张，很放松，达到了自己想要的效果。
3.1 针对简历
问：你当过就业市场部副部长，还举办过第一届双选会？
答：是的，（说完之后面试官笑了笑，哈哈哈哈，感觉挺逗的，当时我应该再回复几句就更好了哈哈哈，面试官人真好）
问：你简历中参加了博弈大赛，获得了两个项目的一等奖，能具体说一下队伍分工吗？
答：我们队伍一共3个人，我作为队长主要负责整体进度规划和核心代码撰写，另一个人主要负责神经网络的训练，最后一个人主要负责棋力水平的测试。
问：你说你们训练使用了分布式训练，能具体说一下吗 ...
概率论第5章：大数定律及中心极限定理
1 大数定律1.1 弱大数定律 (辛钦大数定律)设随机变量序列 $ X_{1} $, $X_{2}$,$ \ldots $ 相互独立，服从同一分布，具有数学期望$E\left({X}_{i}\right)=\mu,i=1,2,…$，则对于任意正数$\mathcal{E}$，有
$$\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$$
1.2 随机变量函数的数学期望定理1：设$Y$是随机变量$X$的函数$Y=g(X)$（ $g$ 是连续函数）：
当$X$为离散型 ...
毕业生答辩旁听
今天是毕业生答辩，虽然我还有其他的任务要做，但是我觉得抽出这个时间去旁听还是很重要的，因为我明年也要有这个经历，知己知彼，百战不殆。
1 个人感受感觉好多人都是各种各样的管理系统，在听的过程中，感觉老师对这种管理系统都有些厌烦了。
在答辩的过程中，一定要展现出自己的自信，不要总是读PPT的文字，并且要多抬起头看老师，还有就是PPT中的内容不要放很多文字，要不然看着真的很难受。
除此之外，在做PPT的时候还是要做的美观一点吧，今天看的一些PPT真的一言难尽，一点想看下去的欲望都没有。所以说，有时间可以学一下做PPT，怎么做的美观大方，上了研究生肯定还有很多机会要用到PPT进行展示，所以这个技能学了不亏。
1.1 发现的别人的问题1.1.1 PPT
字有点小，看不清
格式混乱，有些同学展示代码，但是代码是直接复制的文本，一点高亮都没有，感觉一点不想看
有人在PPT中整活，但是最好还是不要整了，因为看老师的效果不太好
不要一直低头读PPT，另外不要只顾自己的感受，要看一下老师的反应
PPT中的图表可以加一些颜色，要不然感觉有点难看和生硬
没有实现的或者实现了一部分的内容不要写在其中
1.1 ...
数据结构第3章：栈和队列
1 栈1.1 栈的定义栈是只允许在一端进行插入或删除操作的线性表。
只允许在一端插入和删除的顺序表
允许插入和删除的一端称为栈顶 (top)
另一端称为栈底（bottom）
不含元素的空表称空栈
特点: 先进后出（FILO）或后进先出（LIFO）
栈的数学性质：
n个不同元素进栈，出栈元素不同排列的个数是 $ \frac{1}{n + 1} C_{2n}^{n} $，上述公式被称为卡特兰（Catalan）数。
1.2 栈的存储结构1.2.1 顺序存储采用顺序存储的栈称为顺序栈，它利用一组地址连续的存储单元存放自栈底到栈顶的数据元素，同时附设一个指针（top）指示当前栈顶元素的位置。
若现在有一个栈，$StackSize=5$，则栈的普通情况、空栈、满栈的情况分别如下图所示：
1.2.2 共享栈利用栈底位置相对不变的特征，可让两个顺序栈共享一个一维数组空间，将两个栈的栈底分别设置在共享空间的两端，两个栈顶向共享空间的中间延伸，如下图所示：
两个栈的栈顶指针都指向栈顶元素，$ top_0 = -1 $ 时 0 号栈为空，$ top_1 = Max ...
概率论第3章：多维随机变量及其分布
1 二维随机变量1.1 二维随机变量的分布函数设 E 是一个随机试验， 它的样本空间是$S={e}$，设$X=X(e), Y=Y(e)$是定义在 S 上的随机变量，由它们构成的一个二维向量（X，Y）叫做二维随机变量或二维随机向量。
定义1：设(X,Y)是二维随机变量,对于任意实数x和y，二元函数$F(x, y)=P{(X \leq x) \cap(Y \leq y)}=P{X \leq x, Y \leq y}$称为二维随机变量（X，Y）的分布函数，或者称为随机变量X和Y的联合分布函数。
1.1.1 分布函数的函数值的几何解释将二维随机变量（X，Y）看成是平面上随机点的坐标, 那么, 分布函数F(x, y)在点(x, y)处的函数值就是随机点（X，Y）落在下面左图所示的, 以点(x, y)为顶点而位于该点左下方的无穷矩形域内的概率。
$随机点 (X, Y) 落在矩形域 x_{1}<x \leq x_{2}, y_{1}<y \leq y_{2}$内的概率为：
$$\begin{array}{c}P\left(x_{1}&l ...
概率论第2章：随机变量及其分布
1 随机变量1.1 随机变量概念的产生在实际问题中，随机试验的结果可以用数量来表示，由此就产生了随机变量的概念。
有些试验结果本身与数值有关（本身就是一个数）.
在有些试验中，试验结果看来与数值无关，但我们可以引进一个变量来表示它的各种结果. 也就是说，把试验结果数值化.
这种对应关系在数学上理解为定义了一种实值单值函数.
1.2 随机变量的定义
说明：实值单值函数随试验结果的不同而取不同的值，因而在试验之前只知道它可能取值的范围，而不能预先肯定它将取哪个值。
随机变量通常用大写字母X, Y, Z, W, N 等表示；随机变量所取的值,一般采用小写字母 x, y, z, w, n等。
1.2.1 引入随机变量的意义有了随机变量，随机试验中的各种事件，就可以通过随机变量的关系式表达出来.
如：每小时查看手机的次数，用X表示，它是一个随机变量.
由于试验结果的出现具有一定的概率，随机变量的取值也有一定的概率。
随机变量概念的产生是概率论发展史上的重大事件。引入随机变量后，对随机现象统计规律的研究，就由对事件及事件概率的研究扩大为对随机变量及其取值规 ...
