深度学习 神经网络 机器学习 人工智能

算法类型主要分为如下四种
-
结构
- 线
- 树
- 图
- 集
-
搜索:brute force 暴力
for:固定的若干层for循环嵌套枚举,例如枚举每一个子数组(起点终点DFS:不定的若干层for循环递归枚举,例如枚举每一个子序列(每个元素BFS
-
优化
- 剪枝:为搜索避免无效状态
- 动归:避免重复计算
- 减治:避免无效状态
-
数学
下面是星球提供的一些专栏(目前放在语雀),如果是备战面试的话,《Java 面试指北》和《后端面试高频系统设计&场景题》是必看的。尤其是《Java 面试指北》的面试准备篇,一定要尽快抽时间看看,基本上你准备面试可能遇到的问题这里都有提到靠谱的解决办法。
-
《Java 面试指北》(配合 JavaGuide 使用,会根据每一年的面试情况对内容进行更新完善,故不提供 PDF 版本):https://www.yuque.com/books/share/04ac99ea-7726-4adb-8e57-bf21e2cc7183(密码:cnk4) 。
JavaGuide 地址:https://javaguide.cn/ ,《Java 面试指北》的学习建议在这里:https://t.zsxq.com/QNFMFAU 。如果不知道《Java 面试指北》和开源版的关系,可以看看这份建议。
-
《后端面试高频系统设计&场景题》:https://www.yuque.com/snailclimb/tangw3 密码:bonl
这部分内容本身是属于《Java 面试指北》的,后面由于内容篇幅较多,因此被单独提了出来。
-
《Java 必读源码系列》(目前已经整理了 Dubbo 2.6.x 、Netty 4.x、SpringBoot2.1 的源码):https://www.yuque.com/books/share/7f846c65-f32e-4181-bf4e-f2e80d09c98a?#(密码:ihvn)。
欢迎在评论区说出你们想要看的框架/中间件的源码!
-
《从零开始写一个 RPC 框架》:https://www.yuque.com/books/share/b7a2512c-6f7a-4afe-9d7e-5936b4c4cab0?#(密码:sztd)
RPC 框架地址: https://gitee.com/SnailClimb/guide-rpc-framework 。
-
《分布式、高并发、Devops 面试扫盲》: 已经并入《Java 面试指北》中。
-
《Kafka 常见面试题/知识点总结》:https://www.yuque.com/books/share/dd07d89b-9437-4f5c-b4f8-b294474aa992?#(密码:nqdq)
-
《程序员副业赚钱之路》 https://www.yuque.com/books/share/1bd77211-f7e0-41fd-91bb-094769c978f9?#(密码:ew4f)
-
《Guide 的读书笔记与文章精选集》(经典书籍精读笔记分享)https://www.yuque.com/books/share/f63faff5-53f9-4163-a059-7be93fc538b0?#(密码:um0g)
提示:密码会定期修改,内容会不断完善。你可以对上面的专栏进行收藏,方便下次找到。
一直想在星球说一下这个问题,刚好你问到了。我就拿八股文必看资料来说吧!
-
我的 JavaGuide 开源版是必须要看的,如果说你比较赶时间,想着突击面试的话,那就针对性地只看面试题,如果你时间比较多的话,我还是建议你尽量把上面的文章都看一遍。建议在线版阅读,地址:Java 面试指南 | JavaGuide(Java 面试 学习指南) 。另外,这个更新比较频繁,因此,没有提供 PDF 版本。
-
《Java 面试指北》属于是 JavaGuide 开源版的完善,两者内容互补,无重复内容,完全可以结合一起看。由于这个更新也非常频繁,同时也是为了避免外泄,所以也没有提供 PDF 版本。
-
《Java 面试指北》的面试准备篇一定一定一定要认真看!会让你准备面试的效率高很多,事半功倍。像如何准备面试、如何编写一份不错的程序员简历、具体哪些知识点是重点、源码面试怎么问等等常见问题都有详细且靠谱的解答。由于《Java 面试指北》会根据每一年的面试情况对内容进行更新完善,故不提供 PDF 版本,目前只支持在线阅读。
-
看我的这两个资料基本就差不多,知识点都涵盖到了。但是,我不可能每个知识点都研究的非常深入(正在往这个方向努力),针对你面试的公司来说(比如你要面试阿里巴巴的话,就提前找一些阿里巴巴的面经针对性复习),部分知识点还需要你自己深入研究学习。
-
如果你还是想看 PDF 版资料的话,置顶主题里就有哈:https://t.zsxq.com/iiiAqf6 。虽然这些 PDF 资料的质量没有我上面提到的在线版质量高,但是,绝对算的上是市面上流传的最优质的的 PDF 面试资料了。
英语标准化考试,主要是语言考试和升学考试两种:
-
English Proficiency Test
- TOEFL
- IELTS
- PTE
-
GRE
寄送
现在 GRE、TOEFL 送分都是电子送分,很快就到,但是小蜜匹配分数需要大约一周
cmu 虽然多个学院 gre 的 code 不同,但是也只需要寄送一份,INI 的秘书的回复
“If you’re applying to two programs at CMU you only need to use the institution code 2074 and the test results will be reported to the university and will be posted to the central information system which can be accessed by all departments. So you only need to report the test results once.“
- GAN (Generative Adversarial Networks)
- VAE (Variational Autoencoder)
- Diffusion Models
- ARM (Autoregressive Models)
The basic goal of AI is to develop intelligent machines.
This consists of many sub-goals:
- Perception
- Multimodal foundation models learn to answer questions about images (and text in images)
- Diffusion models can be used as zero-shot classifiers
- Reasoning
- LLMs are also (unexpectedly) good at certain reasoning tasks
- cf. Chain-of-Though Prompting (an ex. of in-context learning)
- Control / Motion / Manipulation
- DayDreamer learns a generative model of experiences for RL, i.e. a World Model, without simulation
- Quadruped robot learns to walk in under 1 hour
- Planning
- LLMs are already being used for grounded planning for embodied agents, c.f. LLMPlanner
- Communication
- Communication comprises the comprehension and generation of human language.
- Large language models (LLMs) excel at both
- (Even though they are most often trained autoregressively, i.e. to generate a next word, given the previous ones)
- Creativity
- Text-to-image models [Midjourney’s Discord server has 18 million members (1.7 million were online this morning)]
- Text-to-music models [MusicGen capable of conditioning on text and audio sample]
- Learning
- code along
- experiment
- visualization
PyTorch for Deep Learning & Machine Learning - Zero to Hero
网站
sota:statement
nn
nn.Sequential(
nn.Linear(in_features = 2)
)
Computational Graph 计算图
描述运算的有向无环图
-
节点 Node
数据:向量、矩阵、张量
-
边 Edge
运算:加减乘除卷积等
根据计算图的搭建方式,可以划分为:
-
Daynamic Computational Graphs 动态图:运算与搭建同时进行(pytorch)
灵活、易调节
-
Static Computational Graphs 静态图:先搭建图,后运算(tensorflow)
高效、不灵活
0: scalar
1: vector
2: matrix
3+: tensor
matrix, tensor 变量一般大写命名
rand
zeros
ones
arange, 左闭右开
ndim
dtype, 默认是float32
size
Zeros_like
tensor datatype is one of 3 big errors with pytorch & deep learning