r**h
发帖数: 1288 | 1 三哥，口音很重
给一堆feature和label，如何用logistic regression求一个classifier
overfit如何处理
解释一下KMeans？
GMM如何估计参数？
是否用过矩阵分解
不同regularizer的异同和作用
编程题：反转链表
概率题：一个人喝醉的人往前走的概率是p，往前一步就要摔倒，但是可以后退
请问他摔倒的概率有多少
感觉答得一般，估计要跪了，求bless |
r*******e
发帖数: 7583 | 2 电面聊了这么多，应该过了
概率那题不大懂，前n步摔的概率是1-(1-p)^n ?
【在 r**h 的大作中提到】
: 三哥，口音很重
: 给一堆feature和label，如何用logistic regression求一个classifier
: overfit如何处理
: 解释一下KMeans？
: GMM如何估计参数？
: 是否用过矩阵分解
: 不同regularizer的异同和作用
: 编程题：反转链表
: 概率题：一个人喝醉的人往前走的概率是p，往前一步就要摔倒，但是可以后退
: 请问他摔倒的概率有多少
|
t****d
发帖数: 423 | 3 摔倒的概率为1
因为永远往后走的概率为0
★ 发自iPhone App: ChineseWeb 7.8
【在 r*******e 的大作中提到】
: 电面聊了这么多，应该过了
: 概率那题不大懂，前n步摔的概率是1-(1-p)^n ?
|
r**h
发帖数: 1288 | 4 我觉得不是呀
有可能无限往后走，也有可能循环呢
比如说在某地前后前后
【在 t****d 的大作中提到】
: 摔倒的概率为1
: 因为永远往后走的概率为0
:
: ★ 发自iPhone App: ChineseWeb 7.8
|
r**h
发帖数: 1288 | 5 我也不大懂。。。
我的想法是，摔倒只有可能是走了奇数步，然后把所有概率可能加起来
不过序列长了还要考虑排列组合，然后就不懂了
【在 r*******e 的大作中提到】
: 电面聊了这么多，应该过了
: 概率那题不大懂，前n步摔的概率是1-(1-p)^n ?
|
t****d
发帖数: 423 | 6 大哥，你看懂题了吗
只要往前走就摔倒
【在 r**h 的大作中提到】
: 我觉得不是呀
: 有可能无限往后走，也有可能循环呢
: 比如说在某地前后前后
|
r**h
发帖数: 1288 | 7 我题目没有描述清楚
这么说把，假设那个人站在一维坐标轴的原点，每次可以向正负两个方向移动一个单位
。当他走到1这个位置就会摔倒
但是可以退
【在 t****d 的大作中提到】
: 大哥，你看懂题了吗
: 只要往前走就摔倒
|
t****d
发帖数: 423 | 8 1-P（摔倒）
摔倒只能发生在奇数步
求和就可以了
p如果是前行概率，那么
P（摔倒）=p+nchoosek(3,1)(1-p)p^2+nchoosek(5,2)(1-p)^2*p^3+...
化简求和就好
【在 r**h 的大作中提到】
: 我题目没有描述清楚
: 这么说把，假设那个人站在一维坐标轴的原点，每次可以向正负两个方向移动一个单位
: 。当他走到1这个位置就会摔倒
: 但是可以退
|
r**h
发帖数: 1288 | 9 C31是不对的
如果先往前走就直接摔倒了，所以只有(后, 前, 前)一种可能呀
五步的时候同理
【在 t****d 的大作中提到】
: 1-P（摔倒）
: 摔倒只能发生在奇数步
: 求和就可以了
: p如果是前行概率，那么
: P（摔倒）=p+nchoosek(3,1)(1-p)p^2+nchoosek(5,2)(1-p)^2*p^3+...
: 化简求和就好
|
t****d
发帖数: 423 | 10 大哥，概率是可以加条件的，只要条件充沛
那就就是假设在第一步跌倒，第三步跌倒，第五步跌倒等等
也就是说
P(a)=P(a,b)+p(a,~b)
【在 r**h 的大作中提到】
: C31是不对的
: 如果先往前走就直接摔倒了，所以只有(后, 前, 前)一种可能呀
: 五步的时候同理
|
|
|
g*********e
发帖数: 14401 | |
t****d
发帖数: 423 | 12 对不起，刚刚又想了一下，你说的是对的，所以可能只能用markov chain来做
用坐标来作为状态
设状态0的概率为x，状态1为px
状态-1为(1-p)/px
这样所有状态的状态就都可以用x来表示
所以求结出x就可以得到摔倒的概率了
【在 r**h 的大作中提到】
: C31是不对的
: 如果先往前走就直接摔倒了，所以只有(后, 前, 前)一种可能呀
: 五步的时候同理
|
c***z
发帖数: 6348 | |
f*****e
发帖数: 2992 | 14 最后一题概率是不是
p/(1-p+p*p)
?
【在 r**h 的大作中提到】
: 三哥，口音很重
: 给一堆feature和label，如何用logistic regression求一个classifier
: overfit如何处理
: 解释一下KMeans？
: GMM如何估计参数？
: 是否用过矩阵分解
: 不同regularizer的异同和作用
: 编程题：反转链表
: 概率题：一个人喝醉的人往前走的概率是p，往前一步就要摔倒，但是可以后退
: 请问他摔倒的概率有多少
|
f*****e
发帖数: 2992 | 15 楼主是统计的还是CS的？
【在 r**h 的大作中提到】
: 三哥，口音很重
: 给一堆feature和label，如何用logistic regression求一个classifier
: overfit如何处理
: 解释一下KMeans？
: GMM如何估计参数？
: 是否用过矩阵分解
: 不同regularizer的异同和作用
: 编程题：反转链表
: 概率题：一个人喝醉的人往前走的概率是p，往前一步就要摔倒，但是可以后退
: 请问他摔倒的概率有多少
|
r**h
发帖数: 1288 | 16 CS的
这是我当时给的答案不过我觉得不对，因为没有考虑组合的情况
【在 f*****e 的大作中提到】
: 最后一题概率是不是
: p/(1-p+p*p)
: ?
|
r*******e
发帖数: 7583 | 17 搜了一下，我觉得答案应该是 p/(1-p)
假设从0最终到1的概率是r
r = p + (1-p)*r^2
http://math.stackexchange.com/questions/153123/biased-random-wa
【在 r**h 的大作中提到】
: CS的
: 这是我当时给的答案不过我觉得不对，因为没有考虑组合的情况
|
r*******n
发帖数: 11 | 18 都是最基本的machine learning的知识， 比问算法的题目有意思。 最后一题应该是 1
吧 |
f*****e
发帖数: 2992 | 19 p>=1/2 是1
p<1/2 是p/(1-p)？
1
【在 r*******n 的大作中提到】
: 都是最基本的machine learning的知识， 比问算法的题目有意思。 最后一题应该是 1
: 吧
|
r*********n
发帖数: 4553 | 20 LZ 是new grad吗？我在他家网站上面看了下，貌似没有new grad的position |
|
|
f*****e
发帖数: 2992 | 21 p=0的时候肯定不是1。所以还是个分段函数，有点意思。
1
【在 r*******n 的大作中提到】
: 都是最基本的machine learning的知识， 比问算法的题目有意思。 最后一题应该是 1
: 吧
|
r*********n
发帖数: 4553 | 22 最后那个问题是martingale stopping time的升级版
如果p不等于0.5，不是martingale，但是可以算出均值(2p-1)n
Let X_n = S_n + (2p-1)n, where S_n is a martingale, E(S_n) = 0，n is # steps
Let Z_n = exp{sigma*S_n}*(2/(exp{sigma}+exp{-sigma})), which is a martingale
, E(Z_n) = 0, and sigma is a design parameter. Then you can express Z_n in
terms of X_n.
A martingale stopped at stopping time is still a martingale
E(Z_{min{n,tau}}) = 0, where tau denotes stopping time
Now you can choose X_n = 1 and X_n = -infinity as the stopping criteria.
Using the above identity, substituting X_n with 1 and -infinity, you can set
up an equation involving prob{X_n=1} and solve for it. |
u*****o
发帖数: 1224 | |
u*****o
发帖数: 1224 | 24 LZ你申的这个位置是DATA SCIENTIST还是SDE啊？ |
f*******3
发帖数: 206 | 25 那个摔跤的有这么复杂么，不就是个geometric distribution么？
往前一步是硬币正面（p），往后是硬币反面（1-p），一直抛到第一次正面停止，求期
望抛几次（走几步）怎么martingale都整出来了，又不是deshaw的onsite |
r*********n
发帖数: 4553 | 26 LZ后来补充了一下题目
如果是你这么理解题意，摔倒的概率为1，题目没要求求期望
【在 f*******3 的大作中提到】
: 那个摔跤的有这么复杂么，不就是个geometric distribution么？
: 往前一步是硬币正面（p），往后是硬币反面（1-p），一直抛到第一次正面停止，求期
: 望抛几次（走几步）怎么martingale都整出来了，又不是deshaw的onsite
|
J****3
发帖数: 427 | |
s*****G
发帖数: 1535 | 28 re这个！！
CS的同志们应该复习复习quant版的数学题目！！！
【在 f*******3 的大作中提到】
: 那个摔跤的有这么复杂么，不就是个geometric distribution么？
: 往前一步是硬币正面（p），往后是硬币反面（1-p），一直抛到第一次正面停止，求期
: 望抛几次（走几步）怎么martingale都整出来了，又不是deshaw的onsite
|
s*****r
发帖数: 43070 | 29 new CS PHD，拿到面试应该没问题
【在 r*********n 的大作中提到】
: LZ 是new grad吗？我在他家网站上面看了下，貌似没有new grad的position
|
a*****u
发帖数: 1712 | |
|
|
v*****a
发帖数: 104 | 31 。。。这个明显不对。因为这个process的success的定义和geometric的success完全不
一样。
举个简单的例子吧，geometric中，扔硬币扔了7次反面，第八次是正面，叫做失败了7
次第八次成功了。
但是这个走路的，往左边走了7步，然后往右走了一步，那也只是到了坐标-6的地方，
离+1还远呢。。。
而且，这道题是要算概率，而不是算期望。
【在 f*******3 的大作中提到】
: 那个摔跤的有这么复杂么，不就是个geometric distribution么？
: 往前一步是硬币正面（p），往后是硬币反面（1-p），一直抛到第一次正面停止，求期
: 望抛几次（走几步）怎么martingale都整出来了，又不是deshaw的onsite
|
v*****a
发帖数: 104 | 32 I think so...
【在 f*****e 的大作中提到】
: p>=1/2 是1
: p<1/2 是p/(1-p)？
:
: 1
|
x*****0
发帖数: 452 | |
g****y
发帖数: 2810 | 34 这是SWDE的面试吗？还是data analyst？
机器学习的东西多了些，超出码农的范畴了吧！
【在 r**h 的大作中提到】
: 三哥，口音很重
: 给一堆feature和label，如何用logistic regression求一个classifier
: overfit如何处理
: 解释一下KMeans？
: GMM如何估计参数？
: 是否用过矩阵分解
: 不同regularizer的异同和作用
: 编程题：反转链表
: 概率题：一个人喝醉的人往前走的概率是p，往前一步就要摔倒，但是可以后退
: 请问他摔倒的概率有多少
|
