1. 介绍项目

还是那四点：

  1. 项目背景，要解决什么问题
  2. 具体思路，怎么解决问题
  3. 困难，遇到什么困难，怎么解决的
  4. 收获

所以介绍项目的时候也基本按照这个套路介绍，关键还是解决困难

还是要注意，每个自己说到的 Highlight，都有可能被深挖，被深挖的点入下：

信号处理：
1、FFT 推导一下，和 DFT 这些的区别，FFT 的处理步骤
2、自适应滤波，卡尔曼滤波（表示一脸懵逼，没有学过）

CNN
1、pooling 的作用
2、卷积的本质是什么，卷积怎么提取特征，为什么能提取特征

概率：
1、求 std 为什么除以 (n-1) 而不是 n

解答：

样本方差计算公式里分母为 n − 1 n-1 n−1 的目的是为了让方差的估计是无偏的。

标准差其实有两个公式:
一个是针对总体而言的,公式中是除以n.
令一个是针对样本而言的,公式中是除以n-1,全称为样本标准差.分母除以n-1是由于 ( x i − x ) (xi-x) (xi−x) 的自由度为 n-1,即 ( x i − x ) (xi-x) (xi−x) 中只需确定 n − 1 n-1 n−1 个数值,另外一个数值也被确定.
需要指出的是,实际生活中的数据基本都是样本,一般我们处理数据用的都是样本标准差.

详细推导参考：为什么样本方差（sample variance）的分母是 n-1

2. 手撕代码

1、编辑距离
给你两个单词 word1 和 word2，请你计算出将 word1 转换成 word2 所使用的最少操作数 。

你可以对一个单词进行如下三种操作：

插入一个字符
删除一个字符
替换一个字符

示例：

输入：word1 = "horse", word2 = "ros"
输出：3
解释：
horse -> rorse (将 'h' 替换为 'r')
rorse -> rose (删除 'r')
rose -> ros (删除 'e')

class Solution:
    def minDistance(self, word1: str, word2: str) -> int:
        n1 = len(word1)
        n2 = len(word2)
        dp = [[0] * (n2 + 1) for _ in range(n1 + 1)]
        # 第一行
        for j in range(1, n2 + 1):
            dp[0][j] = dp[0][j-1] + 1
        # 第一列
        for i in range(1, n1 + 1):
            dp[i][0] = dp[i-1][0] + 1
        for i in range(1, n1 + 1):
            for j in range(1, n2 + 1):
                if word1[i-1] == word2[j-1]:
                    dp[i][j] = dp[i-1][j-1]
                else:
                    dp[i][j] = min(dp[i][j-1], dp[i-1][j], dp[i-1][j-1] ) + 1
        #print(dp) 
        return dp[-1][-1]

详细过程可参考：【LeetCode】72. 编辑距离（动态规划 hard）

2、求出每种编辑操作的次数分别是多少次

回答：不同操作的时候记录下来，而后每种操作的 count 来分别计数

  1. 替换： d p [ i ] [ j ] = d p [ i − 1 ] [ j − 1 ] + 1 dp[i][j] = dp[i-1][j-1] + 1 dp[i][j]=dp[i−1][j−1]+1
  2. 插入： d p [ i ] [ j ] = d p [ i ] [ j − 1 ] + 1 dp[i][j] = dp[i][j-1] + 1 dp[i][j]=dp[i][j−1]+1
  3. 删除： d p [ i ] [ j ] = d p [ i − 1 ] [ j ] + 1 dp[i][j] = dp[i-1][j] + 1 dp[i][j]=dp[i−1][j]+1

但是面试官提示表示你的 dp 表其实已经记录下很多信息了，用 trackback 就可以，但是没有想出来，欢迎评论区解答。