从期末考完开始，到现在为止，折腾了半个多月，总算是拿到了计算所网数实验室的offer，这里来总结一下这其中碰到了种种问题。

总而言之，问题主要包括：机试、数学和项目，三个大主题，首先来谈一下最简单粗暴的数学。

与数学有关的主要包括：

而与数学有关的东西大都是在大一所学，如果没有针对性的复习，几乎无法应对面试的提问，但短时间内复习完高等数学的三大块内容也不现实，所以这里事后诸葛亮一下，总结自己遇到和可能遇到的一些问题。

线性代数

矩阵的秩的含义

被问到这个问题的时候脑子里一片空白，其实自己只是会计算矩阵的秩，但并不明白其具体含义是什么

矩阵的秩的定义：是其行向量或列向量的极大无关组中包含向量的个数。

那么就可以问下一个问题！（事实上老师也的确是这么做的）

$K_n$中如果有向量组$α1,α2,…αs(s≥1)$是线性无关的,那么从式子
$k_1α_1+k_2α_2+…k_sα_s=0$中可以得到
$k_1=k_2=…=0$

从这个定义也可以推导出线性相关的条件，即：$k_1、k_2…$不全为0

所以从个人理解上去解释线性无关，即矩阵内的行（或列）向量无法通过线性运算的方法互相消除。

其实在面试现场的线性代数有关的问题就只遇到了这两个，因为自己实在是只会算但并不理解其意义，所以回答的情况并不理想。

下面再补充一些可能会遇到的问题。

从定义出发，特征值和特征向量的定义如下：

$Ax=cx$：A为矩阵，c为特征值，x为特征向量

其意义为：

矩阵A乘以x表示:对向量x进行一次转换（旋转或拉伸）（是一种线性转换），
该转换的效果为常数c乘以向量x（即只进行拉伸）。

这样做的目的通常如下：

我们通常求特征值和特征向量即为求出该矩阵能使哪些向量（当然是特征向量）只发生拉伸，使其发生拉伸的程度如何（特征值大小）。这样做的意义在于，看清一个矩阵在那些方面能产生最大的效果（power），并根据所产生的每个特征向量（一般研究特征值最大的那几个）进行分类讨论与研究。

概率总是和AI、数据科学贴的非常近，所以面试对于概率论的考核也是一个比较重要的内容，下面罗列一下在面试中遇到的问题。

通俗的说，大数定律就是：在试验不变的条件下，重复试验多次，随机事件的频率近似于它的概率。即用频率代替概率，用样本均值来取代理论均值。

先验概率：直观理解，所谓“先”，就是在事情之前，即在事情发生之前事情发生的概率，是根据以往经验和分析得到的概率。即通过训练集样本所得的概率。

后验概率：事情已经发生了，事情发生可能有很多原因，判断事情发生时由哪个原因引起的概率。