文章目录一、数学基础部分1. 什么是矩阵的秩2. 什么是特征值和特征向量3. 实对称矩阵有两个相同的特征值对应的特征向量一定正交嘛4. 行列式为零的矩阵有什么性质5. 条件概率的定义是什么6. 大数定律的核心思想是什么7. 什么是向量的线性相关和线性无关8. 什么是正定矩阵二、Python基础1. Python中常用的数据结构有什么2. 列表和集合的主要区别是什么3. Python常用于数据处理的库有哪些三、Docker技术1. 什么是Docker它解决了什么问题2. 容器和虚拟机有什么区别3. Docker镜像是如何构成的什么是分层Layer机制一、数学基础部分1. 什么是矩阵的秩是指矩阵中行向量或列向量线性独立个数。衡量矩阵所包含的“有效信息”的多少。例如对于一个3×3的矩阵如果它的三行或三列向量中只有两行或两列是线性独立的那么这个矩阵的秩就是2。矩阵的秩在很多方面都有重要应用比如判断矩阵是否可逆。当矩阵的秩等于它的阶数时矩阵可逆反之则不可逆。在求解线性方程组时通过秩判断方程是否有解有多少解。如果系数矩阵的秩和增广矩阵的秩相等方程组有解2. 什么是特征值和特征向量对于给定的方阵A如果存在非零向量x和标量λ满足Ax λx那么λ就是矩阵A的一个特征值而x就是对应于特征值λ的一个特征向量。简而言之特征向量在矩阵作用下仅经历缩放而缩放的比例即为特征值。从几何意义上理解方向不变或只是反向但长度会按照特征值的比例进行缩放。比如特征值为2那么特征向量在矩阵变换A后长度变为原来的2倍3. 实对称矩阵有两个相同的特征值对应的特征向量一定正交嘛不一定正交。实对称矩阵有两个不同的特征值对应的特征向量一定正交特征值相同时其对应的特征向量可以是线性无关的但不一定正交不过可以通过施密特正交化。4. 行列式为零的矩阵有什么性质行列式为零的矩阵被称为奇异矩阵它具有一系列特殊性质。奇异矩阵不可逆该矩阵的行向量和列向量是线性相关的秩小于其阶数、奇异矩阵有特征值为零、齐次方程组有非零解。几何意义降维例如在一个平面几何问题中如果用矩阵来表示线性变换奇异矩阵所对应的变换可能会将整个平面压缩到一条直线或一个点上丢失了原有的一些信息。5. 条件概率的定义是什么条件概率是指在给定某一事件已经发生的前提下另一个事件发生的概率。假设我们有两个事件A和B在事件B已经发生的条件下事件A发生的条件概率记为P(A|B) 。它的计算公式是P ( A ∣ B ) P ( A ∩ B ) P ( B ) P(A|B)\frac{P(A\cap B)}{P(B)}P(A∣B)P(B)P(A∩B)​其中P ( B ) 0 P(B)0P(B)0。例如在掷骰子的实验中事件A表示掷出的点数是偶数事件B表示掷出的点数大于3。如果已知事件B发生了也就是掷出的点数是4、5、6中的一个那么在这个条件下事件A发生即点数是4或6的概率就是条件概率。6. 大数定律的核心思想是什么大数定律的核心思想是当进行大量相同且独立的随机试验时样本平均值会趋近于总体期望值。简单来讲就是试验次数越多实验结果的平均值就越接近理论上的平均值。比如抛硬币实验理论上抛一枚均匀的硬币正面朝上的概率是0.5。如果只抛几次可能正面朝上的次数与反面朝上的次数差异较大但当抛的次数足够多比如成千上万次时正面朝上的频率就会非常接近0.5。7. 什么是向量的线性相关和线性无关向量的线性相关一组向量中若存在某个向量可以由其他向量的线性组合得到则称这组向量线性相关。向量的线性无关若没有任何一个向量可以由其他向量的线性组合得到则称这组向量线性无关。向量的线性相关和线性无关的概念在向量空间的研究、线性方程组的求解以及机器学习中的特征选择等方面都起着关键作用。8. 什么是正定矩阵正定矩阵是一种特殊的对称矩阵对于所有非零向量x都满足x T A x 0 x^TAx0xTAx0。这意味着当我们用矩阵A对任意一个非零向量x进行变换再将变换后的向量与原向量做点积结果始终是一个正数。正定矩阵的特征值均为正这一特性使得它在很多领域都有重要应用。在二次型的研究中正定矩阵可以用来判断二次型的性质在优化问题中正定矩阵常常出现在目标函数的二阶导数矩阵中帮助我们判断函数的凸性进而找到函数的最优解。正定矩阵一定是可逆的这也为它在数值计算和矩阵运算中提供了便利。二、Python基础1. Python中常用的数据结构有什么Python常用的数据结构有列表、元组、字典和集合四种数据结构列表有序可变序列用[]表示可含任意类型元素能通过索引访问元素支持增删改操作灵活用于存储需频繁修改和有序访问的数据如学生成绩、购物清单。元组有序序列用()表示不可变元素创建后不能修改用于存固定不变数据如点坐标、日期信息在某些场景比列表安全内存使用更高效。字典无序键值对集合用{}表示通过键快速访问对应值适用于依特定标识查找和存储数据如存用户信息。集合无序且元素唯一用{}表示空集合用set()元素不重复在去重和判断元素是否存在操作上效率高可用于统计文章中不重复单词。2. 列表和集合的主要区别是什么列表List和集合Set在多个方面存在明显区别。结构特性列表有序可通过索引访问元素集合无序无索引概念。元素特点列表允许重复元素如[1, 2, 2, 3]集合具有去重功能元素唯一如{1, 2, 2, 3} 实际为{1, 2, 3}。适用场景列表适用于需有序存储且频繁修改元素的场景如记录学生成绩集合适合去重操作及判断元素是否存在如统计文章中不同单词。3. Python常用于数据处理的库有哪些NumPy提供高效多维数组运算功能核心是ndarray能快速进行数学运算因底层用C语言实现计算效率远超原生Python循环计算。Pandas用于数据清洗、分析与处理有DataFrame和Series数据结构可读取多种文件对结构化数据进行筛选、排序等操作还能处理数据缺失和重复值。Matplotlib/Seaborn用于数据可视化Matplotlib可绘制多种图表Seaborn基于它进行高级封装绘图风格更美观专业在数据分析和报告中实用。SciPy含诸多科学计算函数覆盖数值积分、优化算法、信号处理等领域可准确计算积分值、解决优化问题。scikit-learn提供机器学习和数据预处理工具有多种机器学习算法还能进行数据标准化、特征选择等预处理提升模型性能应用于数据挖掘和人工智能领域 。三、Docker技术1. 什么是Docker它解决了什么问题开发应用常需依赖特定系统、数据库及软件库不同环境部署易因环境不一致出问题像开发环境正常的应用在测试环境因缺依赖无法启动。Docker用容器化技术把应用及其依赖封装成独立运行环境涵盖从操作系统到软件库的所有运行要素。一次构建多次使用不管在哪部署容器应用运行方式都相同不用担心依赖和配置冲突极大提升软件交付、部署的效率与可靠性开发、测试、运维人员能专注业务逻辑。比如互联网公司可把Web应用及其依赖打包成Docker容器快速部署到不同服务器保证运行环境一致减少环境差异引发的问题 。2. 容器和虚拟机有什么区别容器基于操作系统级虚拟化共享宿主机操作系统内核启动快占用资源少虚拟机属于硬件级虚拟化每个虚拟机都有独立操作系统各自拥有操作系统、CPU、内存等资源。所以虚拟机隔离性高不同虚拟机间几乎无影响。不过其启动慢几十秒到几分钟不等且占用资源多。适用于对隔离性要求极高的场景像金融机构不同业务系统部署在不同虚拟机保障数据安全与系统稳定 。3. Docker镜像是如何构成的什么是分层Layer机制Docker 镜像是由一系列只读层Layers组成的。每一层代表了镜像构建过程中的一个步骤例如安装一个软件包、复制文件等。这些层是不可变的一旦创建就不能修改。基础层通常是操作系统镜像例如 Ubuntu、Linux 等。中间层安装的软件顶层用户自定义的层例如应用程序代码、环境变量等。Docker的分层机制是通过联合文件系统实现的。联合文件系统允许将多个文件系统合并为一个逻辑文件系统。有如下作用效率方面节省空间相同层可被多镜像共享减少磁盘占用。加速构建修改镜像时仅需重建改动层及以上部分。加快传输分发时只传变化层节省网络带宽和时间。维护与管理便于维护每层对应一个构建步骤易追溯和调试。利于团队协作开发者可独立开发不同层用版本控制管理。