Fidelity 三轮面试 面经

Fidelity是家金融公司，我在学校网站上投了以后大概一个月收到通知说简历筛选过了，然后按照给的链接又填了一份profile，接着就是vedio interview, 有点像托福口语，给你一个情景，让你回答一些behavior question，全程录像然后提交到系统，大概七道题。之后等了一周，接到面试的邀请，面试官是一个中国博士，看着我的简历让我介绍了一些机器学习的算法，
先问了PCA原理，然后问我项目里PCA处理完feature减少了多少；

之后是线性回归和逻辑回归，如何求得LR的系数，我讲了一堆梯度下降法和拉格朗日，但是面试官意思是让我讲怎么直接算系数，我脑抽了没说出来，现在感觉应该是直接抽离出所求变量，plot出来求斜率和截距？又问逻辑回归怎么求covariance，我答最大似然估计，大哥微笑点点头；

之后问了KNN原理，怎么选K，欧式距离，最后预测的准确度。对结果评价我讲了confusionMatrix, 他问我还有没有别的Matrix来分析模型质量，我没想出来，其实还有ROC, AUC，生成分类报告。。。哎，上课光顾着想这些怎么画了，关键时刻没想起来这些用来干嘛。。。我菜了我菜了；

然后准备了一晚上的SVM，博士大哥没问。。。可能是想问我点简单的，怕我菜叭；

还有决策树，随机森林，因为没在项目里写，所以没问。面试官是看着我的简历一条一条问下来的，所以一定要看好自己简历里写的项目；

之后出了一个问题，是如果数据的存储量大于你的内存，无法一下子全部输进去进行回归，你打算怎么办？大哥给我暗示，说如果一部分一部分的回归可能有的feature在这一部分不表现相关性，但是在后一部分就表现了，所以分开回归不是一个好的方法。我听得有点蒙圈，就讲先reduction一下？但是他说如过内存运行不了，reduction 算法没办法apply到数据集上。。然后我就说可能我会看一下数据的分布，然后从中选取一个sample, 想办法使得sample不bias不skew，能够代表data set 整体的属性。。。下来查了一下，我觉得比较好的答案可能是对数据集做一个sensitivity analysis, 确定一下比较有效的训练集大小，然后再选取有代表性的样本？或者每次只对其中某几个feature进行回归分析，最后再耦合到一起？不是很懂，求大神解答。

最后是博士大哥出了一个coding题，给我一个list, 里面是几个单词string, 让我生成一包含list的list, 里面的每个list包含拥有相同字母的单词。。。时间少没想出来。

感觉就一般般，但是尽力了，希望博士大哥给过吧。。。