


Teilen Sie eine logische Frage im Vorstellungsgespräch und sehen Sie, ob Sie sie richtig beantworten können!
In diesem Artikel wird eine logische Interviewfrage (mit Analyse) vorgestellt, deren falsche Antwort sich im gesamten Internet verbreitet hat. Sie können sie anhand Ihrer eigenen Analyse analysieren, um zu sehen, ob Sie sie richtig beantworten können!
01 Der Ursprung der Geschichte
100 Personen beantworteten fünf Fragen, 81 Personen beantworteten die erste Frage richtig, 91 Personen beantworteten die zweite Frage richtig, 85 Personen beantworteten die dritte Frage richtig, 79 Personen beantworteten die vierte Frage richtig und 74 Die Leute haben die fünfte Frage richtig beantwortet.
Wer drei oder mehr Fragen richtig beantwortet, gilt als bestanden. Wie viele dieser 100 Personen haben also mindestens bestanden?
02 Über einen kleinen Maßstab nachdenken, zwei Fragen AB
Überlegen Sie zunächst, ob es nur zwei Fragen AB und 100 Personen gibt. Die erste Reaktion besteht darin, eine festgelegte Methode zu verwenden.
Insgesamt gibt es nur die oben genannten 3 Situationen. Die erste ist illegal, wenn die Anzahl der Personen mehr als 100 beträgt, daher gibt es nur die letzten 2 Situationen.
Die folgenden Schlussfolgerungen können gezogen werden:
Die Anzahl der Personen, die beide Fragen AB gleichzeitig richtig beantwortet haben, betrug mindestens 72, und das Maximum lag bei 81 Personen;
Die Anzahl der Personen, die beide Fragen AB beantwortet haben AB falsch gleichzeitig waren höchstens 9 Personen und mindestens 0 Personen.
Es scheint, dass wir das Muster gefunden haben, daher werden wir die Datenskala entsprechend dieser Idee weiter ausbauen und die drei ABC-Fragen berücksichtigen.
03 Erweitern Sie die Skala, ABC drei Fragen
Betrachten Sie zunächst die Beziehung zwischen jeweils zwei Fragen.
Synthese der Beziehung zwischen den drei Fragen. Moment, es scheint etwas kompliziert zu sein. Tut mir leid, der IQ des kleinen K ist etwas unzureichend und er ist autistisch.
Ist Little K bereit aufzugeben? Wenn das Muster, das Sie finden, nicht offensichtlich oder sehr kompliziert ist, bedeutet das manchmal, dass Sie nicht gegen die Wand stoßen und nie zurückblicken sollten. Wenn das Muster, das Sie finden, nicht auf der Hand liegt, sollten Sie einen Wechsel in Erwägung ziehen des Denkens in dieser Zeit.
04 Denken umstellen
Das oben Gesagte ist alles positives Denken, aber es ist schwierig, damit umzugehen, man kann umgekehrt denken.
Solange Sie 3 falsche Fragen stellen, werden Sie scheitern. Es gibt 19+9+15+21+26=90 falsche Fragen, dann werden höchstens 30 Leute scheitern Mindestens 70 Leute werden durchfallen, perfekt, Schluss machen.
Warten fühlt sich immer etwas komisch an, nicht weil es zu einfach wäre, sondern weil mir meine Intuition bezüglich der Menge an Informationen sagt, dass diese Lösung viele Informationen ignoriert.
Nur die Gesamtzahl wird verwendet, aber die Verteilung der Anzahl falscher Fragen für die 5 Fragen wird nicht verwendet. Dann sagen Sie einfach, dass es insgesamt 90 Fehler sind. Warum müssen Sie die konkrete Zahl separat angeben? Ist das wirklich nur eine irreführende Information?
05 Extremes Denken
Da Ihnen gemäß der obigen Lösung die spezifische Verteilung egal ist, verwenden Sie extremes Denken, um spezielle Daten zu konstruieren. Beispielsweise sind alle falschen Fragen in Frage A konzentriert.
Insgesamt sind immer noch 90 Fragen falsch, aber jeder hat 4 Fragen richtig, also hätten 100 Leute bestehen müssen, und sie sind wieder autistisch.
Zu diesem Zeitpunkt glaube ich, dass jemand gleich herausspringen wird.
Little K: Was du gesagt hast, macht Sinn, aber ich bin sprachlos.
Mach dir nichts vor, lass uns weiter darüber nachdenken. Dieses Gegenbeispiel verdeutlicht einen Punkt: Falsche Fragen können nicht beliebig geteilt werden, also fangen wir an diesem Punkt an.
06 Falsche Fragen sind gleichmäßig verteilt
Schauen Sie sich zunächst die Fehlerverteilung an.
Wie man diese falschen Fragen an die meisten Menschen verteilt.
Zur Vereinfachung der Analyse schreiben wir zunächst ein einfaches Beispiel. Die Verteilung der falschen Fragen beträgt beispielsweise 7, 8, 9, 10 und 11.
Die erste Zuordnung:
A, B, C 7 Personen zuweisen
C, D, E 2 Personen zuweisen
-
B, D, E 1 Person zuweisen
A Insgesamt können 7+2+1=10 Personen zugeteilt werden.
Für den zweiten Typ werden zuerst B, C und D mit insgesamt 11 Personen zugewiesen.
Die dritte Möglichkeit besteht darin, C, D und E, also insgesamt 12 Personen, Vorrang einzuräumen.
An diesem Punkt haben wir das Muster entdeckt, dass die Priorisierung der drei größten Kanäle mehr Menschen anlocken wird. Während des Zuteilungsprozesses ändern sich die drei größten Bestellungen dynamisch, was die Idee der Gier inspiriert.
Sortieren Sie die falschen Fragen von der größten zur kleinsten.
Weisen Sie die Top 3 jedes Mal einer Person zu und ordnen Sie sie dann neu.
Wiederholen Sie die obigen Schritte, bis endlich keine 3 Zahlen mehr gefunden werden können, die nicht 0 sind, das heißt, es wird X,0,0,0,0 oder X,Y,0,0,0.
07 Zusammenfassung
Konvertierungsproblem: Es gibt 5 Rechtecke, die Reihenfolge kann beliebig sein. Um N Rechtecke mit einer Breite von 3 auszuschneiden, muss die Gesamtüberlagerung so hoch wie möglich sein.
Probieren Sie es aus, probieren Sie es sorgfältig aus. Ist das das gleiche Problem? Beginnen Sie also mit den Top 3 und machen Sie weiter, haha.
08 Die Wahrheit kommt ans Licht
Zurück zur ursprünglichen Frage: Wie viele Menschen gibt es mindestens? Bestehen Sie die Testergebnisse des Codes. 8.1 Code-Implementierung anders.
09 Zusammenfassung Obwohl es sich um eine einfache Frage handelt, sollten Sie genauer darüber nachdenken, vielleicht finden Sie eine andere Schlussfolgerung. Und glauben Sie nicht so leicht den Analysen anderer Leute im Internet. Sie können auch überprüfen, ob meine Analyse stichhaltig ist. Wenn Sie Fragen haben, hinterlassen Sie bitte eine Nachricht.
Verwandte Empfehlungen: „C-Sprachvideo-Tutorial“, „PHP-Video-Tutorial“
Das obige ist der detaillierte Inhalt vonTeilen Sie eine logische Frage im Vorstellungsgespräch und sehen Sie, ob Sie sie richtig beantworten können!. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Oben geschrieben und das persönliche Verständnis des Autors: Derzeit spielt das Wahrnehmungsmodul im gesamten autonomen Fahrsystem eine entscheidende Rolle Das Steuermodul im autonomen Fahrsystem trifft zeitnahe und korrekte Urteile und Verhaltensentscheidungen. Derzeit sind Autos mit autonomen Fahrfunktionen in der Regel mit einer Vielzahl von Dateninformationssensoren ausgestattet, darunter Rundumsichtkamerasensoren, Lidar-Sensoren und Millimeterwellenradarsensoren, um Informationen in verschiedenen Modalitäten zu sammeln und so genaue Wahrnehmungsaufgaben zu erfüllen. Der auf reinem Sehen basierende BEV-Wahrnehmungsalgorithmus wird von der Industrie aufgrund seiner geringen Hardwarekosten und einfachen Bereitstellung bevorzugt, und seine Ausgabeergebnisse können problemlos auf verschiedene nachgelagerte Aufgaben angewendet werden.

Zu den häufigsten Herausforderungen, mit denen Algorithmen für maschinelles Lernen in C++ konfrontiert sind, gehören Speicherverwaltung, Multithreading, Leistungsoptimierung und Wartbarkeit. Zu den Lösungen gehören die Verwendung intelligenter Zeiger, moderner Threading-Bibliotheken, SIMD-Anweisungen und Bibliotheken von Drittanbietern sowie die Einhaltung von Codierungsstilrichtlinien und die Verwendung von Automatisierungstools. Praktische Fälle zeigen, wie man die Eigen-Bibliothek nutzt, um lineare Regressionsalgorithmen zu implementieren, den Speicher effektiv zu verwalten und leistungsstarke Matrixoperationen zu nutzen.

Die unterste Ebene der C++-Sortierfunktion verwendet die Zusammenführungssortierung, ihre Komplexität beträgt O(nlogn) und bietet verschiedene Auswahlmöglichkeiten für Sortieralgorithmen, einschließlich schneller Sortierung, Heap-Sortierung und stabiler Sortierung.

Die Konvergenz von künstlicher Intelligenz (KI) und Strafverfolgung eröffnet neue Möglichkeiten zur Kriminalprävention und -aufdeckung. Die Vorhersagefähigkeiten künstlicher Intelligenz werden häufig in Systemen wie CrimeGPT (Crime Prediction Technology) genutzt, um kriminelle Aktivitäten vorherzusagen. Dieser Artikel untersucht das Potenzial künstlicher Intelligenz bei der Kriminalitätsvorhersage, ihre aktuellen Anwendungen, die Herausforderungen, denen sie gegenübersteht, und die möglichen ethischen Auswirkungen der Technologie. Künstliche Intelligenz und Kriminalitätsvorhersage: Die Grundlagen CrimeGPT verwendet Algorithmen des maschinellen Lernens, um große Datensätze zu analysieren und Muster zu identifizieren, die vorhersagen können, wo und wann Straftaten wahrscheinlich passieren. Zu diesen Datensätzen gehören historische Kriminalstatistiken, demografische Informationen, Wirtschaftsindikatoren, Wettermuster und mehr. Durch die Identifizierung von Trends, die menschliche Analysten möglicherweise übersehen, kann künstliche Intelligenz Strafverfolgungsbehörden stärken

01Ausblicksübersicht Derzeit ist es schwierig, ein angemessenes Gleichgewicht zwischen Detektionseffizienz und Detektionsergebnissen zu erreichen. Wir haben einen verbesserten YOLOv5-Algorithmus zur Zielerkennung in hochauflösenden optischen Fernerkundungsbildern entwickelt, der mehrschichtige Merkmalspyramiden, Multierkennungskopfstrategien und hybride Aufmerksamkeitsmodule verwendet, um die Wirkung des Zielerkennungsnetzwerks in optischen Fernerkundungsbildern zu verbessern. Laut SIMD-Datensatz ist der mAP des neuen Algorithmus 2,2 % besser als YOLOv5 und 8,48 % besser als YOLOX, wodurch ein besseres Gleichgewicht zwischen Erkennungsergebnissen und Geschwindigkeit erreicht wird. 02 Hintergrund und Motivation Mit der rasanten Entwicklung der Fernerkundungstechnologie wurden hochauflösende optische Fernerkundungsbilder verwendet, um viele Objekte auf der Erdoberfläche zu beschreiben, darunter Flugzeuge, Autos, Gebäude usw. Objekterkennung bei der Interpretation von Fernerkundungsbildern

1. Die historische Entwicklung multimodaler Großmodelle zeigt den ersten Workshop zur künstlichen Intelligenz, der 1956 am Dartmouth College in den Vereinigten Staaten stattfand Pioniere der symbolischen Logik (außer dem Neurobiologen Peter Milner in der Mitte der ersten Reihe). Diese symbolische Logiktheorie konnte jedoch lange Zeit nicht verwirklicht werden und leitete in den 1980er und 1990er Jahren sogar den ersten KI-Winter ein. Erst mit der kürzlich erfolgten Implementierung großer Sprachmodelle haben wir entdeckt, dass neuronale Netze dieses logische Denken tatsächlich tragen. Die Arbeit des Neurobiologen Peter Milner inspirierte die spätere Entwicklung künstlicher neuronaler Netze, und aus diesem Grund wurde er zur Teilnahme eingeladen in diesem Projekt.

1. Hintergrund des Baus der 58-Portrait-Plattform Zunächst möchte ich Ihnen den Hintergrund des Baus der 58-Portrait-Plattform mitteilen. 1. Das traditionelle Denken der traditionellen Profiling-Plattform reicht nicht mehr aus. Der Aufbau einer Benutzer-Profiling-Plattform basiert auf Data-Warehouse-Modellierungsfunktionen, um Daten aus mehreren Geschäftsbereichen zu integrieren, um genaue Benutzerporträts zu erstellen Und schließlich muss es über Datenplattformfunktionen verfügen, um Benutzerprofildaten effizient zu speichern, abzufragen und zu teilen sowie Profildienste bereitzustellen. Der Hauptunterschied zwischen einer selbst erstellten Business-Profiling-Plattform und einer Middle-Office-Profiling-Plattform besteht darin, dass die selbst erstellte Profiling-Plattform einen einzelnen Geschäftsbereich bedient und bei Bedarf angepasst werden kann. Die Mid-Office-Plattform bedient mehrere Geschäftsbereiche und ist komplex Modellierung und bietet allgemeinere Funktionen. 2.58 Benutzerporträts vom Hintergrund der Porträtkonstruktion im Mittelbahnsteig 58

Oben geschrieben & Das persönliche Verständnis des Autors ist, dass im autonomen Fahrsystem die Wahrnehmungsaufgabe eine entscheidende Komponente des gesamten autonomen Fahrsystems ist. Das Hauptziel der Wahrnehmungsaufgabe besteht darin, autonome Fahrzeuge in die Lage zu versetzen, Umgebungselemente wie auf der Straße fahrende Fahrzeuge, Fußgänger am Straßenrand, während der Fahrt angetroffene Hindernisse, Verkehrszeichen auf der Straße usw. zu verstehen und wahrzunehmen und so flussabwärts zu helfen Module Treffen Sie richtige und vernünftige Entscheidungen und Handlungen. Ein Fahrzeug mit autonomen Fahrfähigkeiten ist in der Regel mit verschiedenen Arten von Informationserfassungssensoren ausgestattet, wie z. B. Rundumsichtkamerasensoren, Lidar-Sensoren, Millimeterwellenradarsensoren usw., um sicherzustellen, dass das autonome Fahrzeug die Umgebung genau wahrnehmen und verstehen kann Elemente, die es autonomen Fahrzeugen ermöglichen, beim autonomen Fahren die richtigen Entscheidungen zu treffen. Kopf
