1，项目介绍

首先自我介绍。再介绍异常检测项目。在介绍广告CTR项目。

1，对每个项目的细节梳理清楚：

如lightGBM如何对类别特征进行节点分裂的？（lightGBM论文）

2，然后就是要仔细思考进一步的优化的地方在哪。

如何进一步提高点云的识别率呢？当时做了实验加多卷积层并没有明显的提升效果了，物体结构的特征点已经提取充分，所以并没用更深的网络。另一方面继续优化的点可以考虑点与点之间的领域结构，就像图像主要是考虑了相对位置关系，才可以用一些高反差核之类的卷积核提取图像的局部信息。

1 图像基础

1.1 位图与矢量图

位图称为点阵图像、像素图或栅格图像，是由称作像素（图片元素）的单个点组成。他的单位是像素。位图有个缺点是放大后看到边缘是有些模糊的，这就是因为像素点组成的缘故。

位图的参数有：

像素：像素大小决定图像大小。

深度：色彩位数，每个像素使用的信息位数越多，可用的颜色就越多

通道：通常把RGB三种颜色信息称为红通道、绿通道和蓝通道，相应的把透明度称为Alpha通道，alpha通道存储图片的明暗信息等

概述

从最开始的神经元开始，1943年MP单个神经元诞生。$y = f\left(\sum_{i=1}^{n} w_{i} x_{i}-\theta\right)$

1958年，感知机perception提出。感知机能很好的实现逻辑与、或、非运算。与、或、非本来也是线性可分问题。若两类模式是线性可分的，即存在一个线性超平面将它们分开。

1 概述

1.1 梯度下降

梯度下降是经典的局部优化算法。在2000年L Bottou使得随机梯度下降再次被提出。

对于数据$\left\{\left(X_{j}, Y_{j}\right)\right\}_{j=1}^{M}$ 需要求解：

leecode5291统计位数为偶数的数字

给你一个整数数组 nums，请你返回其中位数为 偶数 的数字的个数。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

输入：nums = [12,345,2,6,7896]
输出：2
解释：
12 是 2 位数字（位数为偶数） 
345 是 3 位数字（位数为奇数）  
2 是 1 位数字（位数为奇数） 
6 是 1 位数字 位数为奇数） 
7896 是 4 位数字（位数为偶数）  
因此只有 12 和 7896 是位数为偶数的数字

输入：nums = [555,901,482,1771]
输出：1 
解释： 
只有 1771 是位数为偶数的数字。

1 <= nums.length <= 500
1 <= nums[i] <= 10^5

1 题目

leecode142，给定一个链表，返回链表开始入环的第一个节点。 如果链表无环，则返回NULL。

2 hash法与快慢指针法

快慢指针法有意思的推导：

x：link起点到入环点距离

y: 入环点到相遇点距离

c：circle的长度

相遇时候，慢指针走了x+n1 c + y （n1假设走了n1圈），快指针走了2倍(x+ n1c+y)

1，一面

第一次面试，居然去面了目前北京最火的一家公司，虽然不是我想去的算法岗。emmm，真的是胆大。不过一面的面试官超级可爱，很温和，我也太幸运了吧。先让自我介绍，然后问项目，然后出了一个很简单的算法题。

1.1 图论问题

项目是我大三做的一个图论赛题，回顾总结一下。

问题：“服务器选址问题”，从图中选出一些节点安放服务器（图中绿色节点 表示为$S_i$），服务器输出流量供给消费节点（图中红色节点，表示为$C_i$）

1 基类结构

首先看异常检测基类base.py，所有检测器都是由它继承而来：

1，init() ：初始化dataSet，probationaryPercent 数据的最初一部分数据不做测试。inputMin, inputMax初始化最大最小值。

2，initialize()：多进程问题。进程池pool（它默认调用的是CPU的核数）

博文中要写公式是难免的，因为配置hexo支持数学公式是必要的。 Next 主题提供了两个渲染引擎，分别是 mathjax 和 katex，后者相对前者来说渲染速度更快，而且支持更丰富的公式。我这里hexo是4.0版本了，因此又折腾了下。

1，更改next下的config

配置next主题里的_config如下，只需要改一个地方就是mathjax的enable为true。

1, Numenta的HTM简介

Hierarchical Temporal Memeory(HTM,层级时间记忆，皮质学习) 是一种基于脑神经科学来模拟大脑进行学习和信息处理的神经网络。新皮质就是大脑里褶皱的皮层部分（图1），这只有哺乳动物有。将皮层纵向切开，不论是视觉还是听觉部分，切开后的结构是相似的（图2），很有可能大脑处理不同信息的方法是类似的。