这篇资料涉及的是招商银行信用卡中心2019年秋季招聘IT笔试中的人工智能（AI）方向的试题。其中包含了多个计算机科学和技术领域的知识点，主要包括排序算法、过拟合处理、优化方法、数据收集、概率统计、机器学习、决策树、随机森林、非监督学习、生成模型以及梯度下降等。
1. 排序算法的空间复杂度：
- 冒泡排序的空间复杂度为O(1)，因为它只需要常数级别的额外空间。
- 归并排序的空间复杂度为O(n)，因为它需要额外的空间来合并两个子数组。
- 插入排序的空间复杂度为O(1)，因为它主要操作原数组，不需要额外空间。
- 快速排序的空间复杂度一般为O(logn)，但题目可能考虑的是最坏情况下的辅助空间需求，因此给出O(1)可能是错误的。
2. 过拟合的解决方式：
- bagging/boosting是集成学习方法，可以减少过拟合。
- batch normalization通过规范化层内的数值来稳定网络训练，减少过拟合。
- L2范式是正则化的一种形式，防止权重过大，降低过拟合风险。
- cross validation通过多次划分训练集和验证集来评估模型，有助于避免过拟合。
3. 优化方法：
- GBD (Gradient Boosting Decision Tree) 是一种迭代的决策树算法，用于优化。
- 遗传算法是一种全局优化方法，适用于复杂的优化问题。
- 模拟退火是一种全局优化算法，受物理退火过程启发。
- ReLu (Rectified Linear Unit) 是神经网络中常用的激活函数，不是优化方法。
4. 数据收集：
- 在面临不确定数据时，需要确保数据的质量和完整性，注意异常值和缺失值的处理。
- 收集伪造信息检测的数据，可能需要从多个来源获取，包括用户行为、交易记录、IP地址等，同时要注意保护用户隐私。
5. 泊松分布与指数回归：
- 在指数回归中，根据最大似然估计准则，可以构建损失函数并使用梯度下降进行优化。
- 损失函数通常是负对数似然函数，通过梯度下降迭代更新参数，以最小化损失。
6. 机器学习理论：
- 逻辑斯提回归的损失函数通常采用对数似然损失，与Kullback-Leibler散度（相对熵）有关。
- 核方法如SVM中的核函数，可以处理高维数据，简化计算。
- 随机梯度下降是优化算法，但可能无法保证找到全局最优解。
- 决策树的剪枝是防止过拟合的一种策略。
7. 其他概念：
- 三叉树的深度计算：88个节点的三叉树，深度至少为5。
- 随机森林能降低预测方差，减少过拟合。
- 非监督学习包括关联规则、K-means和Word2Vec，而KNN是监督学习方法。
- 生成模型包括朴素贝叶斯，而感知器、逻辑回归和SVM是判别模型。
8. 统计与概率：
- 对于正态分布，P(X<=-10)等于P(X<=30)减去P(10<X<=30)，即0.7-0.6，结果是0.1，所以是c/10。
9. 机器学习算法与评估：
- 查准率是真正例占预测正例的比例，查全率是真正例占实际正例的比例。
- Bagging中各个弱分类器并行训练，Boosting中弱分类器依次训练，且样本权重会变化。
10. 特征选择：
- 卡方、信息增益、交叉熵和互信息都是特征选择的常用指标。
11. 其他算法与数据结构：
- 堆栈的出栈顺序，不能违反先进后出的原则，所以b选项是错误的。
12. 集成学习与优化方法：
- BGD可能会陷入局部最优，而SGD容易震荡，MBGD试图平衡这两者。
- 并发最易实现的是BGD，因为它每次迭代需要整个数据集。
这些知识点涵盖了广泛的计算机科学领域，对于应聘者来说，理解和掌握这些内容是进入AI领域工作的重要基础。
