面试题目分享

学习目标：

从面试了解自己的不足。

---

学习内容：

1.你会什么语言？
我该如何回答，我会java，c，c++等，在工作中我会用到合适的语言。

牛逼吹的大话

尊敬的面试官，我精通Java和Python，前者用于企业级后端开发，后者擅长数据分析。我也熟悉前端JavaScript/TypeScript和React。具备跨语言学习能力，能迅速适应新环境。期待为贵公司贡献我的技术专长。

2.数组和链表的区别

都是数据结构，区别在于数据存储和访问的方式。
数组连续存储，链表分散存储；数组索引快速访问，链表需要遍历。

增删，内存，场景的变化等，这几个在最后。

3.介绍一下自己熟悉的机器学习算法

机器学习算法众多，我熟悉的有：- **线性回归**：预测连续值，如房价。
- **逻辑回归**：二分类，如邮件筛选。
- **决策树**：分类和回归，直观可解释。
- **随机森林**：多树集成，稳健防过拟合。
- **SVM**：高维分类，核技巧处理非线性。
- **KNN**：基于邻居的分类和回归，简单但对参数敏感。
- **神经网络**：复杂模式识别，如图像处理。
- **深度学习**：神经网络升级版，适用于大数据和复杂任务。每种算法各有所长，选择时考虑问题特性与数据情况。

4.深度和广度的区别

在搜索算法中（如图搜索或树搜索）
深度优先搜索（DFS）：从一个起始节点开始，尽可能深地探索分支，如果没有更多子节点，则回溯到上一个节点继续探索。它使用栈（Stack）作为辅助数据结构。
广度优先搜索（BFS）：从一个起始节点开始，首先探索其所有相邻节点，然后依次探索这些相邻节点的相邻节点，逐层向外扩展。它使用队列（Queue）作为辅助数据结构。
总的来说，深度和广度的区别在于遍历顺序和结构特点不同。深度优先搜索更适合解决目标深度较大的问题，而广度优先搜索更适合解决目标广度较大的问题。在机器学习中，深度和广度则分别涉及到神经网络的深度和宽度的设计和调整。

增删：链表增删节点高效（O(1)），数组可能需移动元素（O(n)）。
内存：数组预分配，链表动态分配，但有额外开销。
场景：数组适合随机访问，链表适合频繁增删。