京东2019春招

分支界限是广度优先，一旦成为扩展节点就将其所有儿子作为活结点（除了非最优解或不可行解的儿子节点，其余儿子为新的活结点）
回溯法是深度优先，可以回到此节点，此节点再次成为活结点延伸。

DFS,BFS的结果均不同，要看规则，比如先左后右，还是先右后左。

增量模型是把待开发的软件系统模块化，将每个模块作为一个增量组件，从而分批次地分析、设计、编码和测试这些增量组件。运用增量模型的软件开发过程是递增式的过程。相对于瀑布模型而言，采用增量模型进行开发，开发人员不需要一次性地把整个软件产品提交给用户，而是可以分批次进行提交。

a) 瀑布模型：分为制定计划、需求分析、软件设计、程序编写、软件测试和运行维护等六个基本活动，线性；瀑布模型，水只能向下方流，所以回溯困难，适用于小型且对最终和阶段性成果非常确定的工程软件开发。
b) 增量模型；
c) 快速原型模型：快速建立原型，让用户与系统交互，再根据需求细化；
d) 演化模型：迭***方法。

用俩个栈模拟实现一个队列，如果栈的容量分别是O和P(O>P),那么模拟实现的队列最大容量是多少？
栈A的容量为O，栈B的容量为P,由于O>P,则A为存储栈，B为缓存区
1.将1,..,P元素入栈A，栈底到栈顶的顺序为P,...,1,然后A栈弹出，依次入栈B,然后输出1,,..P
2.将P+1,...,2P+1元素入栈A，然后依次弹出2P+1,...,P+2共n个元素，然后依次入栈B,栈A弹出输出P+1，栈B依次弹出P+2,..,2P+1元素
实现队列容量为2P+1

线性链表中的各元素在存储空间中的位置不一定是连续的，且各元素的存储顺序也是任意的

如果ORDER BY子句后未指定ASC或DESC，默认使用ASC 升序

如果在一个函数的内部定义了另一个函数，外部的我们叫他外函数，内部的我们叫他内函数。
在一个外函数中定义了一个内函数，内函数里运用了外函数的临时变量，并且外函数的返回值是内函数的引用。这样就构成了一个闭包。
一般情况下，如果一个函数结束，函数的内部所有东西都会释放掉，还给内存，局部变量都会消失。但是闭包是一种特殊情况，如果外函数在结束的时候发现有自己的临时变量将来会在内部函数中用到，就把这个临时变量绑定给了内部函数，然后自己再结束。

表是复数的语法是real + image j
实部和虚部都是浮点数
虚部可以是后缀j和J，不必须小写
方法conjugate返回复数的共轭复数

6个常用数据类型：整型，字符串，元组，集合，列表，字典
不可变：整型、字符串、元组
可变：集合、列表、字典

元组可以理解为一个固定的列表，一旦初始化其中的元素便不可修改（认真理解这句话），只能对元素进行查询

当运行模块的时候，name等于“main”；如果import到其他模块中，则name等于模块名称（不包含后缀.py）
当print_func作为模块导入的时候不会执行main函数，其name的值为模块名：print_func。
因此会打印出print_func.

ZooKeeper数据模型中的每个znode都维护着一个 stat 结构。一个stat仅提供一个znode的元数据。它由版本号，操作控制列表(ACL)，时间戳和数据长度组成。

版本号 - 每个znode都有版本号，这意味着每当与znode相关联的数据发生变化时，其对应的版本号也会增加。当多个zookeeper客户端尝试在同一znode上执行操作时，版本号的使用就很重要。

操作控制列表(ACL) - ACL基本上是访问znode的认证机制。它管理所有znode读取和写入操作。

时间戳 - 时间戳表示创建和修改znode所经过的时间。它通常以毫秒为单位。ZooKeeper从“事务ID"(zxid)标识znode的每个更改。Zxid 是唯一的，并且为每个事务保留时间，以便你可以轻松地确定从一个请求到另一个请求所经过的时间。

数据长度 - 存储在znode中的数据总量是数据长度。你最多可以存储1MB的数据。

判别式模型与生成模型区别（引自知乎：https://zhuanlan.zhihu.com/p/30941701）
1.判别式模型这么做：
我们根据训练数据得到分类函数和分界面，比如说根据SVM模型得到了一个分界面，然后直接计算条件概率，我们将最大的作为新样本的分类。判别式模型不能反映训练数据本身的特性，能力有限，其只能告诉我们分类的类别。

2.生成式模型这么做

一般我们对每一个类建立一个模型，有多少个类别，我们就建立多少个模型。比方说类别标签有｛猫，狗，猪｝，那首先根据猫的特征学习出一个猫的模型，再根据狗的特征学习出狗的模型，之后分别计算新测试样本 x 跟三个类别的联合概率 P(x,y) ，然后根据贝叶斯公式分别计算，选择三类中最大的作为样本的分类。

判别式模型(Discriminative Model)：直接对条件概率p(y|x)进行建模，常见判别模型有：线性回归、决策树、支持向量机SVM、k近邻、神经网络等；
生成式模型(Generative Model)：对联合分布概率p(x,y)进行建模，常见生成式模型有：隐马尔可夫模型HMM、朴素贝叶斯模型、高斯混合模型GMM、LDA等；
生成式模型更普适；判别式模型更直接，目标性更强
生成式模型关注数据是如何产生的，寻找的是数据分布模型；判别式模型关注的数据的差异性，寻找的是分类面
由生成式模型可以产生判别式模型，但是由判别式模式没法形成生成式模型