小編下面推薦的這套筆試題目，是一位網(wǎng)友剛參加完百度2015研發(fā)工程師招聘筆試分享的，大家敬請關(guān)注！
一、簡答題

1.深度神經(jīng)網(wǎng)絡(luò)目前有哪些成功的應(yīng)用?簡述原因。(10分)

2.列舉不同進(jìn)程共享數(shù)據(jù)的方式(至少三種)。(10分)

3.對于N個樣本，每個樣本為D維向量，采用歐式距離使用KNN做類預(yù)測。(10分)

1).給出預(yù)測時間復(fù)雜度。

2).當(dāng)N很大時，有哪些方法可以降低復(fù)雜度?

3).k取值的大小對預(yù)測方差和偏差有何影響?

二、算法和程序設(shè)計

1.給出一個數(shù)據(jù)A=[a_0, a_1, a-2, ... a_n](其中n可變)，打印出該數(shù)值元素的所有組合。(15分)

2.有這樣一個數(shù)組A,大小為n，相鄰元素差的絕對值都是1，如A={4,5,6,5,6,7,8,9,10,9}�，F(xiàn)在給定數(shù)組A和目標(biāo)整數(shù)t，請找到t在數(shù)組中的位置。(15分)

3.在平面上有一組間距為d的平行線，將一根長度為l(l

三、系統(tǒng)設(shè)計題(兩題中任選一題作答，25分)

2.關(guān)于K-means聚類算法，請回答以下問題：

1).寫出將N個樣本X=(x1, ... xN)聚類成k類的k_means聚類算法的優(yōu)化目標(biāo);

2).描述K-means終止的常用條件;

3).以Kmeans算法為例，描述Expectation-Maximization(EM)算法的基本原理與步驟。

4).用偽代碼給出基于MPI或者HADOOP的Kmeans并行算法。

我的部分解答：

二、(2)

public static int find(int[] a, int t) {

int i=0;

while(i

if(t == a[i]) {

return i;

} else {

i += Math.abs(t - a[i]);

}

}

return -1;

}

public static void main(String[] args) {

int[] a = {4,5,6,5,6,7,8,9,10,9};

System.out.println(find(a, 7));

}