


Partagez une question d'entretien logique et voyez si vous pouvez y répondre correctement !
Cet article partagera avec vous une question d'entretien logique (avec analyse) dont la mauvaise réponse s'est répandue partout sur Internet. Vous pouvez l'analyser par vous-mêmes pour voir si vous pouvez y répondre correctement !
01 L'origine de l'histoire
100 personnes ont répondu correctement à cinq questions, 81 personnes ont répondu correctement à la première question, 91 personnes ont répondu correctement à la deuxième question, 85 personnes ont répondu correctement à la troisième question, 79 personnes ont répondu correctement à la quatrième question et 74 les gens ont répondu correctement à la cinquième question.
Ceux qui répondent correctement à trois questions ou plus sont considérés comme ayant réussi. Alors, combien de ces 100 personnes ont au moins réussi ?
02 En pensant à petite échelle, deux questions AB
Considérez d'abord s'il n'y a que deux questions AB et 100 personnes, la première réaction est d'utiliser une méthode définie.
Il n'y a que les 3 situations ci-dessus au total. La première est illégale si le nombre de personnes est supérieur à 100, il n'y a donc que les 2 dernières situations.
Les conclusions suivantes peuvent être tirées :
Il y a au moins 72 personnes et un maximum de 81 personnes qui ont répondu correctement aux deux questions AB en même temps
Il y a un maximum de 9 personnes et un minimum de 0 personne qui s'est trompée aux deux questions AB en même temps.
Il semble que nous ayons trouvé le modèle, nous allons donc élargir davantage l'échelle des données selon cette idée et considérer les trois questions ABC.
03 Élargissez l'échelle, ABC trois questions
Considérez d'abord la relation entre chacune des deux questions.
Synthétisez la relation entre les trois questions. Attendez, cela semble un peu compliqué. Ce n'est pas une complexité linéaire. Désolé, le QI du petit K est un peu insuffisant et il est autiste.
Little K est-il prêt à abandonner ? NON, ne dites jamais abandonner. Parfois, ne vous heurtez pas au mur et ne regardez jamais en arrière. D'après les nombreuses années d'expérience de Xiao K, si le modèle que vous trouvez n'est pas évident ou très compliqué, cela signifie généralement que vous êtes sur la mauvaise voie, vous devriez donc envisager de changer de modèle. façon de penser en ce moment.
04 Changer de pensée
Toutes les pensées ci-dessus sont positives, mais c'est difficile à gérer, vous pouvez penser à l'envers.
Tant que vous posez 3 mauvaises questions, vous échouerez. Il y a 19+9+15+21+26=90 mauvaises questions au total puis 90/3=30, alors au maximum 30 personnes échoueront. , donc au moins 70 personnes échoueront, parfait, c'est fini.
Attendre me semble toujours un peu bizarre, non pas parce que c'est trop simple, mais parce que mon intuition concernant la quantité d'informations me dit que cette solution ignore beaucoup d'informations.
Seul le nombre total est utilisé, mais la répartition du nombre de mauvaises questions pour les 5 questions n'est pas utilisée. Ensuite, dites-vous simplement qu'il y a 90 erreurs au total. Pourquoi devez-vous indiquer le nombre spécifique séparément ? Est-ce vraiment une information trompeuse ?
05 Réflexion extrême
Selon la solution ci-dessus, puisque vous ne vous souciez pas de la distribution spécifique, utilisez la réflexion extrême pour construire des données spéciales. Par exemple, toutes les mauvaises questions sont concentrées dans la question A.
Il y a encore 90 questions fausses au total, mais tout le monde a eu 4 bonnes questions, donc 100 personnes auraient dû réussir, et elles sont à nouveau autistes.
En ce moment, je pense que quelqu'un est sur le point de sauter.
Petit K : Ce que tu as dit a du sens, mais je suis sans voix.
Ne vous faites pas de conneries d'abord, réfléchissons-y plus en détail. Ce contre-exemple illustre un point : les mauvaises questions ne peuvent pas être partagées de manière égale à volonté, alors commençons par ce point.
06 Les mauvaises questions sont réparties uniformément
Premier regard sur la répartition des erreurs.
Comment diffuser ces mauvaises questions au plus grand nombre.
Pour faciliter l'analyse, écrivons d'abord un exemple simple. Par exemple, la distribution des mauvaises questions est 7, 8, 9, 10 et 11.
La première allocation :
Attribuer A, B, C à 7 personnes
Attribuer C, D, E à 2 personnes
-
Attribuer B, D, E à 1 personne
A un total de 7+2+1=10 personnes peuvent être attribuées.
Le deuxième type, la priorité est donnée aux B, C et D, soit un total de 11 personnes.
La troisième option est de donner la priorité aux C, D et E, soit un total de 12 personnes.
À ce stade, nous avons découvert le modèle : donner la priorité aux 3 plus grandes chaînes attirera plus de monde. Au cours du processus d'attribution, les trois commandes les plus importantes changeront de manière dynamique, ce qui inspire l'idée de cupidité.
Triez les mauvaises questions de la plus grande à la plus petite ;
Attribuez les 3 premières à une personne à chaque fois, puis réorganisez.
Répétez les étapes ci-dessus jusqu'à ce que finalement aucun nombre autre que 0 ne puisse être trouvé, c'est-à-dire qu'il devienne X,0,0,0,0 ou X,Y,0,0,0.
07 Résumé
Problème de conversion : Il y a 5 rectangles, l'ordre peut être arbitraire. Pour découper N rectangles d'une largeur de 3, la superposition globale doit être la plus haute possible. Quel est le plus haut
Vous le goûtez, vous le goûtez soigneusement, est-ce le même problème ? Alors commencez par le top 3 et réduisez-le, haha.
08 La vérité émerge
Retour à la question initiale, combien y a-t-il de personnes au moins ? Réussissez les résultats des tests de code.
8.1 Implémentation du code
int main() { int a[5], ans = 0; for (int i = 0; i < 5; ++i) { cin >> a[i]; } sort(a, a + 5, compare); while (a[2] > 0) { a[0]--; a[1]--; a[2]--; sort(a, a + 5, compare); ans++; for (int i = 0; i < 5; ++i) { cout << a[i] << " "; } cout << endl; } cout << "ans=" << ans << endl; return 0; }
8.2 Test de données
25 20 18 15 9 24 19 17 15 9 23 18 16 15 9 22 17 15 15 9 21 16 15 14 9 20 15 14 14 9 19 14 14 13 9 18 13 13 13 9 17 13 12 12 9 16 12 12 11 9 15 11 11 11 9 14 11 10 10 9 13 10 10 9 9 12 9 9 9 9 11 9 9 8 8 10 8 8 8 8 9 8 8 7 7 8 7 7 7 7 7 7 7 6 6 6 6 6 6 6 6 6 5 5 5 5 5 5 5 4 5 4 4 4 4 4 4 4 3 3 3 3 3 3 3 3 3 2 2 2 2 2 2 2 1 2 1 1 1 1 1 1 1 0 0 0 0 0 0 0 ans=30
Donc, si au plus 30 personnes échouent, alors au moins 70 personnes réussissent. Bien que les réponses soient les mêmes, la façon de penser est la même. différent.
Résumé 09
Même si cela semble être une question simple, vous devriez y réfléchir plus profondément, peut-être trouverez-vous une conclusion différente. Et ne croyez pas facilement l'analyse des autres. 90% des internautes se trompent sur ce problème. Vous pouvez également vérifier si mon analyse est rigoureuse. Si vous avez des questions, veuillez laisser un message pour commentaires.
Recommandations associées : "Tutoriel vidéo sur le langage C", "Tutoriel vidéo PHP"
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Écrit ci-dessus et compréhension personnelle de l'auteur : À l'heure actuelle, dans l'ensemble du système de conduite autonome, le module de perception joue un rôle essentiel. Le véhicule autonome roulant sur la route ne peut obtenir des résultats de perception précis que via le module de perception en aval. dans le système de conduite autonome, prend des jugements et des décisions comportementales opportuns et corrects. Actuellement, les voitures dotées de fonctions de conduite autonome sont généralement équipées d'une variété de capteurs d'informations de données, notamment des capteurs de caméra à vision panoramique, des capteurs lidar et des capteurs radar à ondes millimétriques pour collecter des informations selon différentes modalités afin d'accomplir des tâches de perception précises. L'algorithme de perception BEV basé sur la vision pure est privilégié par l'industrie en raison de son faible coût matériel et de sa facilité de déploiement, et ses résultats peuvent être facilement appliqués à diverses tâches en aval.

Les défis courants rencontrés par les algorithmes d'apprentissage automatique en C++ incluent la gestion de la mémoire, le multithread, l'optimisation des performances et la maintenabilité. Les solutions incluent l'utilisation de pointeurs intelligents, de bibliothèques de threads modernes, d'instructions SIMD et de bibliothèques tierces, ainsi que le respect des directives de style de codage et l'utilisation d'outils d'automatisation. Des cas pratiques montrent comment utiliser la bibliothèque Eigen pour implémenter des algorithmes de régression linéaire, gérer efficacement la mémoire et utiliser des opérations matricielles hautes performances.

La couche inférieure de la fonction de tri C++ utilise le tri par fusion, sa complexité est O(nlogn) et propose différents choix d'algorithmes de tri, notamment le tri rapide, le tri par tas et le tri stable.

La convergence de l’intelligence artificielle (IA) et des forces de l’ordre ouvre de nouvelles possibilités en matière de prévention et de détection de la criminalité. Les capacités prédictives de l’intelligence artificielle sont largement utilisées dans des systèmes tels que CrimeGPT (Crime Prediction Technology) pour prédire les activités criminelles. Cet article explore le potentiel de l’intelligence artificielle dans la prédiction de la criminalité, ses applications actuelles, les défis auxquels elle est confrontée et les éventuelles implications éthiques de cette technologie. Intelligence artificielle et prédiction de la criminalité : les bases CrimeGPT utilise des algorithmes d'apprentissage automatique pour analyser de grands ensembles de données, identifiant des modèles qui peuvent prédire où et quand les crimes sont susceptibles de se produire. Ces ensembles de données comprennent des statistiques historiques sur la criminalité, des informations démographiques, des indicateurs économiques, des tendances météorologiques, etc. En identifiant les tendances qui pourraient échapper aux analystes humains, l'intelligence artificielle peut donner du pouvoir aux forces de l'ordre.

01Aperçu des perspectives Actuellement, il est difficile d'atteindre un équilibre approprié entre efficacité de détection et résultats de détection. Nous avons développé un algorithme YOLOv5 amélioré pour la détection de cibles dans des images de télédétection optique haute résolution, en utilisant des pyramides de caractéristiques multicouches, des stratégies de têtes de détection multiples et des modules d'attention hybrides pour améliorer l'effet du réseau de détection de cibles dans les images de télédétection optique. Selon l'ensemble de données SIMD, le mAP du nouvel algorithme est 2,2 % meilleur que YOLOv5 et 8,48 % meilleur que YOLOX, permettant ainsi d'obtenir un meilleur équilibre entre les résultats de détection et la vitesse. 02 Contexte et motivation Avec le développement rapide de la technologie de télédétection, les images de télédétection optique à haute résolution ont été utilisées pour décrire de nombreux objets à la surface de la Terre, notamment des avions, des voitures, des bâtiments, etc. Détection d'objets dans l'interprétation d'images de télédétection

1. Le développement historique des grands modèles multimodaux. La photo ci-dessus est le premier atelier sur l'intelligence artificielle organisé au Dartmouth College aux États-Unis en 1956. Cette conférence est également considérée comme le coup d'envoi du développement de l'intelligence artificielle. pionniers de la logique symbolique (à l'exception du neurobiologiste Peter Milner au milieu du premier rang). Cependant, cette théorie de la logique symbolique n’a pas pu être réalisée avant longtemps et a même marqué le début du premier hiver de l’IA dans les années 1980 et 1990. Il a fallu attendre la récente mise en œuvre de grands modèles de langage pour découvrir que les réseaux de neurones portent réellement cette pensée logique. Les travaux du neurobiologiste Peter Milner ont inspiré le développement ultérieur des réseaux de neurones artificiels, et c'est pour cette raison qu'il a été invité à y participer. dans ce projet.

1. Contexte de la construction de la plateforme 58 Portraits Tout d'abord, je voudrais partager avec vous le contexte de la construction de la plateforme 58 Portraits. 1. La pensée traditionnelle de la plate-forme de profilage traditionnelle ne suffit plus. La création d'une plate-forme de profilage des utilisateurs s'appuie sur des capacités de modélisation d'entrepôt de données pour intégrer les données de plusieurs secteurs d'activité afin de créer des portraits d'utilisateurs précis. Elle nécessite également l'exploration de données pour comprendre le comportement et les intérêts des utilisateurs. et besoins, et fournir des capacités côté algorithmes ; enfin, il doit également disposer de capacités de plate-forme de données pour stocker, interroger et partager efficacement les données de profil utilisateur et fournir des services de profil. La principale différence entre une plate-forme de profilage d'entreprise auto-construite et une plate-forme de profilage de middle-office est que la plate-forme de profilage auto-construite dessert un seul secteur d'activité et peut être personnalisée à la demande. La plate-forme de mid-office dessert plusieurs secteurs d'activité et est complexe ; modélisation et offre des fonctionnalités plus générales. 2.58 Portraits d'utilisateurs de l'arrière-plan de la construction du portrait sur la plate-forme médiane 58

Écrit ci-dessus & La compréhension personnelle de l'auteur est que dans le système de conduite autonome, la tâche de perception est un élément crucial de l'ensemble du système de conduite autonome. L'objectif principal de la tâche de perception est de permettre aux véhicules autonomes de comprendre et de percevoir les éléments environnementaux environnants, tels que les véhicules circulant sur la route, les piétons au bord de la route, les obstacles rencontrés lors de la conduite, les panneaux de signalisation sur la route, etc., aidant ainsi en aval modules Prendre des décisions et des actions correctes et raisonnables. Un véhicule doté de capacités de conduite autonome est généralement équipé de différents types de capteurs de collecte d'informations, tels que des capteurs de caméra à vision panoramique, des capteurs lidar, des capteurs radar à ondes millimétriques, etc., pour garantir que le véhicule autonome peut percevoir et comprendre avec précision l'environnement environnant. éléments , permettant aux véhicules autonomes de prendre les bonnes décisions pendant la conduite autonome. Tête
