我走得很慢，但我从不后退

写在前面

昨天下午百度SRE(Search Reliability Engineering)部门提前批来我们学校宣讲了，听了宣讲后回来晚上在线投递了简历。提前批不影响后续的秋招，所以投下试试，没想到今天上午就接到了电话面试，不得不说效率还是很高的。下面就面试的主要问题做一个简单的记录。

一面（电话面试）

线程与进程的区别

(1)一个程序至少有一个进程,一个进程至少有一个线程.
(2)线程的划分尺度小于进程，使得多线程程序的并发性高。
(3)进程在执行过程中拥有独立的内存单元，而多个线程共享内存，从而极大地提高了程序的运行效率。

题目描述

头条的2017校招开始了！为了这次校招，我们组织了一个规模宏大的出题团队。每个出题人都出了一些有趣的题目，而我们现在想把这些题目组合成若干场考试出来。在选题之前，我们对题目进行了盲审，并定出了每道题的难度系数。一场考试包含3道开放性题目，假设他们的难度从小到大分别为a, b, c，我们希望这3道题能满足下列条件：
a＜= b＜= c
b - a＜= 10
c - b＜= 10
所有出题人一共出了n道开放性题目。现在我们想把这n道题分布到若干场考试中（1场或多场，每道题都必须使用且只能用一次），然而由于上述条件的限制，可能有一些考试没法凑够3道题，因此出题人就需要多出一些适当难度的题目来让每场考试都达到要求。然而我们出题已经出得很累了，你能计算出我们最少还需要再出几道题吗？

为什么需要降维

当处理真实问题和真实数据时，我们往往遇到维度高达数百万的高维数据，而高维情形下会出现样本稀疏、计算困难等问题，这是所有机器学习方法共同面临的严重障碍，被称为“维数灾难”。通过降维，在尽可能保留原数据信息的同时，可以使得计算复杂度变低，模型迭代更快，可以应用在性能比精度重要的一些场景。

高维数据可视化是困难的，通过降维，我们可以将数据映射到低维空间，便于可视化，可以对数据有一个直观感受。

为什么可以降维

• 数据存在冗余，要么有一些没有用的信息，要么有一些重复的信息
• 消除特征之间的相关性，并发现一些潜在的特征变量
• 降维可以保留原始数据的主要信息，却极大降低了计算量、时间和资源

题目描述

给定一个正整数，编写程序计算有多少对质数的和等于输入的这个正整数，并输出结果。输入值小于1000。
如，输入为10, 程序应该输出结果为2。（共有两对质数的和为10,分别为(5,5),(3,7)）

输入描述

输入包括一个整数n,(3 ≤ n < 1000)

输出描述

输出对数

题目描述

小易去附近的商店买苹果，奸诈的商贩使用了捆绑交易，只提供6个每袋和8个每袋的包装(包装不可拆分)。 可是小易现在只想购买恰好n个苹果，小易想购买尽量少的袋数方便携带。如果不能购买恰好n个苹果，小易将不会购买。

输入描述

输入一个整数n，表示小易想购买n(1 ≤ n ≤ 100)个苹果

题目描述

输入n个整数，输出出现次数大于等于数组长度一半的数。

输入描述

每个测试输入包含 n个空格分割的n个整数，n不超过100，其中有一个整数出现次数大于等于n/2。

古典概型（等可能概型）

满足公理化定义。
设E是一个试验，满足
(1) 只有有限多个样本点
(2) 每个样本点发生的可能性相同（等可能性）
若$\Omega = {w{1}, w{2},…, w_{n}}$，则$P(A) = \frac{A的基本事件个数}{基本事件总和} = \frac{A的有利场合数}{样本点的总和}$

Ex:将两枚骰子各抛一次，设A={两枚骰子点数之后不小于6}，B={点数相同}，求$P(A),P(\bar{A}), P(A\cup B), P(A\cap B)$
解：样本空间：36个样本点，而满足A时间的样本点有26个，所以：$P(A) = \frac{26}{36}$，$P(\bar{A}) = \frac{10}{36}$
而$P(B) = \frac{6}{36}$，$P(A\cup B) = \frac{28}{36}$，$P(A\cap B) = \frac{4}{36}$

题目描述

牛牛想尝试一些新的料理，每个料理需要一些不同的材料，问完成所有的料理需要准备多少种不同的材料。

输入描述

每个输入包含 1 个测试用例。每个测试用例的第 i 行，表示完成第 i 件料理需要哪些材料，各个材料用空格隔开，输入只包含大写英文字母和空格，输入文件不超过 50 行，每一行不超过 50 个字符。

输出描述

输出一行一个数字表示完成所有料理需要多少种不同的材料。