Interview：算法崗位面試—上海某公司算法崗位技術(偏機器學習，證券基金行業)面試考點之進程與線程區別、GD改進的算法、ROC和AUC

導讀：其實，考察的知識點，博主都做過，但是，emmm，這些知識點，在我寫代碼中，幾乎不會用到，so，會遺忘。所以，還需要下功夫，去多回憶回憶啦。

目錄

一、計算基礎知識

1、進程與線程五大區別——進程是線程的boss

二、深度學習算法相關知識

1、GD改進的算法

2、ROC、AUC

---

一、計算基礎知識

1、進程與線程五大區別——進程是線程的boss

1、根本區別—進程管資源、線程管執行：進程是操作系統資源分配的基本單位，而線程是任務調度和執行的基本單位。進程是資源分配最小單位；線程是程序執行的最小單位。
2、內存分配—進程擁有獨立的地址空間
3、資源開銷—進程比線程開銷大、線程可頻繁切換
4、內部通信—線程通信更方便、進程間通信需IPC
5、資源開銷—線程可以看做輕量級的進程
6、 環境運行—線程是進程的一部分、進程可有多個線程

二、深度學習算法相關知識

1、GD改進的算法

0、SGD—多次學習隨機小樣本更快
1、Momentum—動量有助于在正確方向上加速梯度，從而越過溝壑
2、NAG—下山過程中，根據對下一步要到達的點的預測，來自適應調整速度
3、AdaGrad—對不同的參數調整不同的學習率
4、Adadelta—Adagrad的改進版+引入時間窗(衰減因子)
5、RMSProp—自適應學習率方法
6、Adam—為每一參數計算自適應學習率的方法。本質上是帶動量項的RMSprop，融合Momentum+AdaGrad兩者優點

2、ROC、AUC

1、ROC曲線四點坐標

(0,0)表示：FPR=0，TPR=0。沒有負樣本預測錯誤（也就是負樣本全部預測正確），正樣本全部預測錯誤。這說明把全部樣本都預測為了負樣本。
(1,1)表示：FPR=1，TPR=1。負樣本全部預測錯誤，正樣本全部預測正確。這說明把全部樣本都預測為了正樣本。
(0,1)表示：FPR=0，TPR=1。負樣本全部預測正確，正樣本全部預測正確。這個模型很完美。
(1,0)表示：FPR=1，TPR=0。負樣本全部預測錯誤，正樣本全部預測錯誤。這個模型太爛了。

2、ROC曲線相比P-R曲線更穩、更客觀

(1)、樣本不均衡時ROC基本不變而PR會變差：當正負樣本的分布發生變化時，ROC曲線的形狀能夠基本保持不變，而P-R曲線的形狀一般會發生較劇烈的變化。
(2)、ROC能夠盡量降低不同測試集帶來的干擾，更加客觀的衡量模型本身的性能。
(3)、如果研究者希望更多地看到模型在特定數據集上的表現，P-R曲線能夠更直觀地反映其性能。

3、計算AUC

? ? ? ?直接計算正樣本score大于負樣本的score的概率。首先把所有樣本按照score排序，依次用rank表示他們，如最大score的樣本，rank=n；其次為n-1。那么對于正樣本中rank最

總結

以上是生活随笔為你收集整理的Interview：算法岗位面试—上海某公司算法岗位技术(偏机器学习，证券基金行业)面试考点之进程与线程区别、GD改进的算法、ROC和AUC的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。