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
导读：其实，考察的知识点，博主都做过，但是，emmm，这些知识点，在我写代码中，几乎不会用到，so，会遗忘。所以，还需要下功夫，去多回忆回忆啦。
一、计算基础知识
1、进程与线程五大区别——进程是线程的boss
1、根本区别—进程管资源、线程管执行：进程是操作系统资源分配的基本单位，而线程是任务调度和执行的基本单位。进程是资源分配最小单位；线程是程序执行的最小单位。
2、内存分配—进程拥有独立的地址空间
3、资源开销—进程比线程开销大、线程可频繁切换
4、内部通信—线程通信更方便、进程间通信需IPC
5、资源开销—线程可以看做轻量级的进程
6、 环境运行—线程是进程的一部分、进程可有多个线程
二、深度学习算法相关知识
1、GD改进的算法
0、SGD—多次学习随机小样本更快
1、Momentum—动量有助于在正确方向上加速梯度，从而越过沟壑
2、NAG—下山过程中，根据对下一步要到达的点的预测，来自适应调整速度
3、AdaGrad—对不同的参数调整不同的学习率
4、Adadelta—Adagrad的改进版+引入时间窗(衰减因子)
5、RMSProp—自适应学习率方法
6、Adam—为每一参数计算自适应学习率的方法。本质上是带动量项的RMSprop，融合Momentum+AdaGrad两者优点
2、ROC、AUC
1、ROC曲线四点坐标
(0,0)表示：FPR=0，TPR=0。没有负样本预测错误（也就是负样本全部预测正确），正样本全部预测错误。这说明把全部样本都预测为了负样本。
(1,1)表示：FPR=1，TPR=1。负样本全部预测错误，正样本全部预测正确。这说明把全部样本都预测为了正样本。
(0,1)表示：FPR=0，TPR=1。负样本全部预测正确，正样本全部预测正确。这个模型很完美。
(1,0)表示：FPR=1，TPR=0。负样本全部预测错误，正样本全部预测错误。这个模型太烂了。
2、ROC曲线相比P-R曲线更稳、更客观
(1)、样本不均衡时ROC基本不变而PR会变差：当正负样本的分布发生变化时，ROC曲线的形状能够基本保持不变，而P-R曲线的形状一般会发生较剧烈的变化。
(2)、ROC能够尽量降低不同测试集带来的干扰，更加客观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数据集上的表现，P-R曲线能够更直观地反映其性能。
3、计算AUC
直接计算正样本score大于负样本的score的概率。首先把所有样本按照score排序，依次用rank表示他们，如最大score的样本，rank=n；其次为n-1。那么对于正样本中rank最
