刚做了Morgan Stanley IT部门Summer Intern的online test

今天天气不错,不想浪费这种大好时光,最近找实习是有点小stress,得去宣泄下,于是跑到公园去烧烤了,其间焦肉黑炭百出丑态暂且不提,带着一身肉味和疲惫回到寝室,打开电脑,猛灌了一袋牛奶。风萧萧兮易水寒,壮士一去兮不复还。我去年买了个表,我要开始做笔试了!
进系统时,还以为一进去就要开始答题,神经还绷得比较紧。开始一堆介绍,因为之前IKM是啥我都不知道,还是仔细读下为妙。读了之后,发现的确你得仔细读“才妙”,真的很有用。
介绍大概是这样的

注意事项:
1. 每题最多三个选项,你最多能选三个选项。
2. 一旦做完或者跳过某道题,就无法回头。

给分方式:
1. 选对某个选项了,屁话,当然给你分
2. 选错某个选项了,不好意思,扣你分
3. 漏选某个正确选项,残暴啊,还是扣你分

先说下选项权值。权值这东西,据上面说是根据该选项有没有基础概念性错误。如果有,你选了这个错的,不好意思扣得就多。比如,你选了法国的首都是伦敦这种选项,(这是上面的原话哦),证明你tm就是一地理盲,负分滚粗麻溜点儿。于是一道题下来你可能就负的厉害了,IKM给的建议是如果你确实是个阿斗,那没办法你跳过这道题吧,别猜,踩到上面说的这种选项地雷就等着被扣成狗吧;如果你还懂点儿这方面知识,知道某些选项看上去更靠谱,你就可以narrow down正确答案的选项,比如一道题是希腊字母有几个,A.4, B. 24 C.27, D 1000, E 10000000 那样你至少还可以知道不是B就是C,都选上还能拿分。如果你傻了吧唧的选了E,不好意思,等着扣成狗吧。
大概就是这些tips了。下面就是答题时间。

我这里也只能说个大概考了哪些知识点,因为我不可能把所有的题目原翻不动的呈现出来,因为好多题目都是一坨代码。还有些大摩的HR说不定在逛论坛呢,看我泄题还不直接枪毙了我。
29分钟,我答了有28道吧,其中skip了一道。。。
1. 因为主题是C++,所以内容杂七杂八,构造函数,copy构造函数,多态,virtual,new,静态变量,作用域,重载,函数对象,STL,不一而足
2. 多线程神马的必考,我在这道上采取了narrow down策略,基础差没办法
3. XML。。。我考了两道,好在我平时玩这个比较多
4. Design Mode 和 Subsystem是啥,我skip了, T T

没考我数据结构和算法方面的东西是不是因为系统觉得我C++都没掌握好。。。有一种不祥的预感
我已经洗干净脖子等着被扣成狗了。
【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值