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 $f(k)=\sum_{i=k+1}^n \frac{1}{n}* \frac{k}{i-1}=\frac{k}{n}\sum_{i=k+1}^n \frac{1}{i-1}=\frac{k}{n}*（ \frac{1}{k}+\frac{1}{k+1}+\frac{1}{k+3}+......\frac{1}{n}）$
$f(k)$ 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 $f(k)=x*（ \frac{1}{nx}+\frac{1}{nx+1}+\frac{1}{nx+2}+......\frac{1}{n})=x* \frac{1}{n}（ \frac{1}{x}+\frac{1}{x+\frac{1}{n}}+\frac{1}{x+\frac{2}{n}}+......+1)=x*\int_x^1 { \frac{1}{t}} \,{\rm d}t=-x*ln(x)$
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 $\frac{1}{e}*n$ 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： $E=p(这一天公司上班)*n+0*p(这一天公司不上班)=(\frac{364}{365})^n*n$ 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 机器学习面经笔记-第一天
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	$q^2p$	…	$q^{n-1}p$

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

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）

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

机器学习面经笔记-第一天