Fate1，2024大厂Python面试经验

5. 安全协议：提供了多种安全协议，以进行更安全的多方交互计算。

图1

算法清单

---

| 算法 | 模块名 | 描述 | 数据输入 | 数据输出 | 模型输入 | 模型输出 |

| — | — | — | — | — | — | — |

| Reader | Reader | 当输入数据的存储引擎当前计算引擎不支持时，会自动转存到FATE集群适配计算引擎的组件输出存储引擎；当输入数据的存储格式非FATE支持存储格式时，会自动转换格式，并存储到FATE集群的组件输出存储引擎 | 用户原始存储数据 | 转换后原始数据 | | |

| DataIO | DataIO | 该组件将原始数据转换为Instance对象(FATE-v1.7后会逐步弃用，使用DataTransform)。 | Table，值为原始数据 | 转换后的数据表，值为在 : federatedml/feature/instance.py 中定义的Data Instance的实例 | | DataIO模型 |

| DataTransform_ | DataTransform | 该组件将原始数据转换为Instance对象。 | Table，值为原始数据 | 转换后的数据表，值为在 : federatedml/feature/instance.py 中定义的Data Instance的实例 | | DataTransform模型 |

| Intersect | Intersection | 计算两方的相交数据集，而不会泄漏任何差异数据集的信息。主要用于纵向任务。 | Table | 两方Table中相交的部分 | | Intersect模型 |

| Federated Sampling | FederatedSample | 对数据进行联邦采样，使得数据分布在各方之间变得平衡。这一模块同时支持单机和集群版本。 | Table | 采样后的数据，同时支持随机采样和分层采样 | | |

| Feature Scale | FeatureScale | 特征归一化和标准化。 | Table，其值为instance | 转换后的Table | 变换系数，例如最小值/最大值，平均值/标准差 | |

| Hetero Feature Binning | Hetero Feature Binning | 使用分箱的输入数据，计算每个列的iv和woe，并根据合并后的信息转换数据。 | Table，在guest中有标签y，在host中没有标签y | 转换后的Table | | 每列的iv/woe，分裂点，事件计数，非事件计数等 |

| Homo Feature Binning | Homo Feature Binning | 计算横向场景的等频分箱 | Table | 转换后的Table | | 每列的分裂点 |

| OneHot Encoder | OneHotEncoder | 将一列转换为One-Hot格式。 | Table, 值为Instance | 转换了带有新列名的Table | | 原始列名和特征值到新列名的映射 |

| Hetero Feature Selection | HeteroFeatureSelection | 提供多种类型的filter。每个filter都可以根据用户配置选择列。 | Table, 值为Instance | 转换的Table具有新的header和已过滤的数据实例 | 模型输入如果使用iv filters，则需要hetero_binning模型 | 每列是否留下 |

| Union | Union | 将多个数据表合并成一个。 | Tables | 多个Tables合并后的Table | | |

| Hetero-LR | HeteroLR | 通过多方构建纵向逻辑回归模块。 | Table, 值为Instance | | | Logistic回归模型，由模型本身和模型参数组成 |

| Local Baseline | LocalBaseline | 使用本地数据运行sklearn Logistic回归模型。 | Table, 值为Instance | | | |

| Hetero-LinR | HeteroLinR | 通过多方建立纵向线性回归模块。 | Table, 值为Instance | | | 线性回归模型，由模型本身和模型参数组成 |

| Hetero-Poisson | HeteroPoisson | 通过多方构建纵向泊松回归模块。 | Table, 值为Instance | | | 泊松回归模型，由模型本身和模型参数组成 |

| Homo-LR | HomoLR | 通过多方构建横向逻辑回归模块。 | Table, 值为Instance | | | Logistic回归模型，由模型本身和模型参数组成 |

| Homo-NN | HomoNN | 通过多方构建横向神经网络模块。 | Table, 值为Instance | | | 神经网络模型，由模型本身和模型参数组成 |

| Hetero Secure Boosting | HeteroSecureBoost | 通过多方构建纵向Secure Boost模块。 | Table，值为Instance | | | SecureBoost模型，由模型本身和模型参数组成 |

| Hetero Fast Secure Boosting | HeteroFastSecureBoost | 使用分层/混合模式快速构建树模型 | Table，值为Instance | Table，值为Instance | | FastSecureBoost模型 |

| Hetero Secure Boost Feature Transformer | SBT Feature Transformer | 利用SBT叶子为特征编码 | Table，值为Instance | Table，值为Instance | | SBT Transformer模型 |

| Evaluation | Evaluation | 为用户输出模型评估指标。 | Table(s), 值为Instance | | | |

| Hetero Pearson | HeteroPearson | 计算来自不同方的特征的Pearson相关系数。 | Table, 值为Instance | | | |

| Hetero-NN | HeteroNN | 构建纵向神经网络模块。 | Table, 值为Instance | | | 纵向神经网络模型 |

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Python开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024c （备注Python）

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

一个人可以走的很快，但一群人才能走的更远。如果你从事以下工作或对以下感兴趣，欢迎戳这里加入程序员的圈子，让我们一起学习成长！

AI人工智能、Android移动开发、AIGC大模型、C C#、Go语言、Java、Linux运维、云计算、MySQL、PMP、网络安全、Python爬虫、UE5、UI设计、Unity3D、Web前端开发、产品经理、车载开发、大数据、鸿蒙、计算机网络、嵌入式物联网、软件测试、数据结构与算法、音视频开发、Flutter、IOS开发、PHP开发、.NET、安卓逆向、云计算

网络安全、Python爬虫、UE5、UI设计、Unity3D、Web前端开发、产品经理、车载开发、大数据、鸿蒙、计算机网络、嵌入式物联网、软件测试、数据结构与算法、音视频开发、Flutter、IOS开发、PHP开发、.NET、安卓逆向、云计算**