面我的是一个23毕业博士生------副研究员，所以30岁左右，年龄差距不会太大。
更重要的身份是：理科学士本科。
Q：来做一个自我介绍？
......硬控5分钟。
Q：你是信息安全的，和人工智能差别挺大的？
本科阶段主要是学408数据库，外加两门专业课密码学和网络安全，差别没这么大。
Q：那你有没有找过安全方向的？
我实话实说有，但是补刀：我对安全没那么感兴趣。我的数学建模和机器学习关系很大。我也自己过了一遍吴恩达老师的机器学习。
Q：你的第一个项目？
......硬控10分钟。
Q：线性代数97？你学过高等代数吗？
我们学的是线性代数，高等代数是线代升级版，是理学院的同学学的。
（到这里我赶紧查他的主页，发现他是理学本科！！！f**k！！！）
Q：那问你一个简单的吧，一个对称矩阵怎么求n次幂？
我答不上来。
A^2和A之间有什么数量关系，如果有就好求了。
老师：对角化？
秩、矩阵初等变换（我当时都没说出这个词，只记得这个意思）
老师：对称阵能对角化？
我也没想明白，然后扯淡了什么特征值和特征向量，然后求正交阵。老师我这里真不太记得了，我得下去复习一下。
（ps：不是这是什么简单的问题吗？）
现在来看，我就差被点醒，把这东西对角化然后求n次方。
但是话又说回来，现在的我完全看不懂这一条：实对称矩阵一定可以正交对角化，因为它的特征向量天生是正交的，而且特征值都是实数。
下面的我完全理解。
Q：最大似然估计是怎么做的？
把概率密度函数做乘积出来然后求导。令这个导数等于0，求出x的值就是这个值了。
现在来看，其实这个说的很准了，但是漏了一个求对数。
后记：我草这准个毛线啊，错大了，应该求的是θ不是x啊，x是样本！
AI：最大似然估计的本质是：找到能让当前观测样本出现概率最大的参数值。
步骤是：
-
写出似然函数：L(θ) = ∏ f(xᵢ; θ)
-
取对数：ln L(θ) = Σ ln f(xᵢ; θ)（把乘积变加法）
-
求导并令导数为0：d/dθ (ln L(θ)) = 0
-
解出 θ：得到极大似然估计值
把乘法变加法就适合求导了。
Q：介绍一个你最熟悉的项目？
他是做AI的那我肯定讲AI的，再次硬控10分钟，他好像觉得还行。
Q：哎你是怎么找到我的？
夏令营，必须选意向导师，找你们学校的主页，就找到您了。
（因为我知道年龄差不大所以我才敢这么讲）
Q：那你有什么想问我的吗？
......
游戏结束，如释重负。缓了半个小时才走出来了。