Ερωτήσεις Συνέντευξης Επιστήμης Δεδομένων

Ο οδηγός καριέρας Data Scientist του BrainStation μπορεί να σας βοηθήσει να κάνετε τα πρώτα βήματα προς μια προσοδοφόρα καριέρα στην επιστήμη δεδομένων. Διαβάστε παρακάτω για μια επισκόπηση των συνηθισμένων ερωτήσεων συνέντευξης για θέσεις εργασίας στην επιστήμη δεδομένων και πώς να απαντήσετε καλύτερα σε αυτές.

Γίνετε Επιστήμονας Δεδομένων

Μιλήστε με έναν Σύμβουλο Μάθησης για να μάθετε περισσότερα σχετικά με το πώς τα bootcams και τα μαθήματά μας μπορούν να σας βοηθήσουν να γίνετε Επιστήμονας Δεδομένων.



Κάνοντας κλικ στην Υποβολή, αποδέχεστε τη δική μας Οροι .



υποβάλλουν

Δεν ήταν δυνατή η υποβολή! Να ανανεώσετε τη σελίδα και να προσπαθήσετε ξανά;

Μάθετε περισσότερα για το Data Science Bootcamp

Σας ευχαριστώ!

Θα είμαστε σε επαφή σύντομα.



Προβολή της σελίδας Data Science Bootcamp

Οι διαδικασίες συνέντευξης της επιστήμης δεδομένων μπορεί να διαφέρουν ανάλογα με την εταιρεία και τον κλάδο. Συνήθως, θα περιλαμβάνουν μια αρχική τηλεφωνική εξέταση με τον υπεύθυνο προσλήψεων, ακολουθούμενη από μία ή περισσότερες επιτόπιες συνεντεύξεις.

Θα πρέπει να απαντήσετε σε ερωτήσεις συνεντεύξεων για τεχνικές και συμπεριφορικές επιστήμες δεδομένων και πιθανότατα θα ολοκληρώσετε ένα έργο σχετικό με τις δεξιότητες. Πριν από κάθε συνέντευξη, θα πρέπει να εξετάζετε το βιογραφικό και το χαρτοφυλάκιό σας, καθώς και να προετοιμαστείτε για πιθανές ερωτήσεις συνέντευξης.

Οι ερωτήσεις συνέντευξης επιστήμης δεδομένων θα δοκιμάσουν τις γνώσεις και τις δεξιότητές σας στα στατιστικά στοιχεία, τον προγραμματισμό, τα μαθηματικά και τη μοντελοποίηση δεδομένων. Οι εργοδότες θα αξιολογήσουν τις τεχνικές και τις ήπιες δεξιότητές σας και το πόσο καλά θα ταιριάζατε με την εταιρεία τους.



Ετοιμάζοντας μερικές κοινές ερωτήσεις και απαντήσεις συνέντευξης επιστήμης δεδομένων, μπορείτε να εισέλθετε στη συνέντευξη με σιγουριά. Υπάρχουν μερικοί διαφορετικοί τύποι ερωτήσεων του Επιστήμονα Δεδομένων που μπορείτε να περιμένετε να αντιμετωπίσετε κατά τη διάρκεια της συνέντευξής σας στην επιστήμη δεδομένων.

Κατάλογος Ερωτήσεων Συνέντευξης Επιστήμης Δεδομένων: Ερωτήσεις που σχετίζονται με δεδομένα

Οι εργοδότες αναζητούν υποψηφίους που έχουν ισχυρή γνώση των τεχνικών και των εννοιών της επιστήμης δεδομένων. Οι ερωτήσεις συνέντευξης που σχετίζονται με δεδομένα θα διαφέρουν ανάλογα με τη θέση και τις δεξιότητες που απαιτούνται.

Ακολουθούν μερικά παραδείγματα δειγμάτων ερωτήσεων και απαντήσεων συνέντευξης που σχετίζονται με δεδομένα:



Ποια είναι η διαφορά μεταξύ της εποπτευόμενης και της μη εποπτευόμενης μάθησης;

Η μεγαλύτερη διαφορά μεταξύ εποπτευόμενης και μη εποπτευόμενης μάθησης περιλαμβάνει τη χρήση επισημασμένων και μη επισημασμένων συνόλων δεδομένων. Η εποπτευόμενη μάθηση χρησιμοποιεί δεδομένα εξόδου και εισόδου που φέρουν ετικέτα, ενώ οι αλγόριθμοι μάθησης χωρίς επίβλεψη δεν το κάνουν. Μια άλλη διαφορά είναι ότι η εποπτευόμενη μάθηση έχει μηχανισμό ανάδρασης, ενώ η μη εποπτευόμενη μάθηση δεν έχει. Τέλος, οι κοινώς χρησιμοποιούμενοι αλγόριθμοι εποπτευόμενης μάθησης περιλαμβάνουν λογιστική παλινδρόμηση, μηχανή διανυσμάτων υποστήριξης και δέντρα αποφάσεων, ενώ οι αλγόριθμοι μάθησης χωρίς επίβλεψη είναι η ομαδοποίηση k-means, η ιεραρχική ομαδοποίηση και ο αλγόριθμος apriori.

Ποια είναι η διαφορά μεταξύ της βαθιάς μάθησης και της μηχανικής μάθησης;

Αυτή η ερώτηση μπορεί να είναι δύσκολο να απαντηθεί ξεκάθαρα επειδή υπάρχει προφανώς κάποια επικάλυψη εδώ. Ξεκινήστε εξηγώντας ότι η βαθιά μάθηση είναι ουσιαστικά ένα υποπεδίο της μηχανικής μάθησης και ότι και τα δύο εμπίπτουν στην ομπρέλα της τεχνητής νοημοσύνης. Όπου η μηχανική μάθηση χρησιμοποιεί αλγόριθμους για την ανάλυση δεδομένων και τελικά μαθαίνει να λαμβάνει αποφάσεις με βάση το τι προκύπτει από τα δεδομένα, η βαθιά εκμάθηση στρώνει αυτούς τους αλγόριθμους για να δημιουργήσει τεχνητά νευρωνικά δίκτυα ικανά να μαθαίνουν και να λαμβάνουν τεκμηριωμένες αποφάσεις.

  • Μπορείτε να δώσετε μια λεπτομερή εξήγηση του αλγόριθμου Decision Tree;
  • Τι είναι η δειγματοληψία; Με πόσες μεθόδους δειγματοληψίας είστε εξοικειωμένοι;
  • Πώς διακρίνετε ένα σφάλμα τύπου Ι από σφάλμα τύπου II;
  • Ορίστε τη γραμμική παλινδρόμηση.
  • Τι σημαίνουν οι όροι p-value, συντελεστής και r-squared value; Γιατί είναι σημαντικό κάθε συστατικό;
  • Ορίστε την προκατάληψη επιλογής.
  • Ορίστε μια στατιστική αλληλεπίδραση.
  • Μπορείτε να δώσετε ένα παράδειγμα συνόλου δεδομένων με κατανομή μη Gauss;
  • Εξηγήστε τον τύπο της διωνυμικής πιθανότητας.
  • Μπορείτε να εξηγήσετε τη διαφορά μεταξύ της ομαδοποίησης k-NN και k-means;
  • Ποια είναι η προσέγγισή σας για τη δημιουργία ενός μοντέλου λογιστικής παλινδρόμησης;
  • Ποιος είναι ο κανόνας 80/20; Πόσο σημαντική είναι η επικύρωση του μοντέλου;
  • Ορίστε την ακρίβεια και την ανάκληση. Πώς σχετίζονται με την καμπύλη ROC;
  • Εξηγήστε πώς να διαφοροποιήσετε τις μεθόδους τακτοποίησης L1 και L2;
  • Προτού εφαρμόσετε αλγόριθμους μηχανικής εκμάθησης, ποια είναι τα βήματα για τη διαμάχη δεδομένων και τον καθαρισμό δεδομένων;
  • Μπορείτε να εξηγήσετε τη διαφορά μεταξύ ιστογράμματος και γραφικής παράστασης πλαισίου;
  • Πώς ορίζετε τη διασταυρούμενη επικύρωση;
  • Μπορείτε να εξηγήσετε τι είναι το ψευδώς θετικό και το ψευδώς αρνητικό; Τι θα λέγατε ότι είναι καλύτερο να έχουμε: πάρα πολλά ψευδώς θετικά ή πάρα πολλά ψευδώς αρνητικά;
  • Όταν σχεδιάζετε ένα μοντέλο μηχανικής μάθησης, τι είναι πιο σημαντικό: η ακρίβεια του μοντέλου ή η απόδοση του μοντέλου;
  • Κατά τη γνώμη σας, τι είναι καλύτερο: 50 μικρά δέντρα απόφασης ή ένα μεγάλο;
  • Μπορείτε να σκεφτείτε ένα έργο επιστήμης δεδομένων στην εταιρεία μας που θα σας ενδιέφερε;
  • Μπορείτε παρακαλώ να σκεφτείτε μερικά παραδείγματα βέλτιστων πρακτικών στην επιστήμη των δεδομένων;

List of Data Science Interviews Questions: Technical Skills Questions

Οι ερωτήσεις τεχνικών δεξιοτήτων σε μια συνέντευξη επιστήμης δεδομένων χρησιμοποιούνται για την αξιολόγηση των γνώσεων, των δεξιοτήτων και των ικανοτήτων σας στην επιστήμη δεδομένων. Αυτές οι ερωτήσεις θα σχετίζονται με τις συγκεκριμένες επαγγελματικές ευθύνες της θέσης Data Scientist.

Οι ερωτήσεις συνέντευξης επιστήμης τεχνικών δεδομένων μπορεί να έχουν μία σωστή απάντηση ή πολλές πιθανές λύσεις. Θα θέλετε να δείξετε τη διαδικασία σκέψης σας όταν επιλύετε προβλήματα και να εξηγήσετε ξεκάθαρα πώς καταλήξατε σε μια απάντηση.

Παραδείγματα ερωτήσεων συνεντεύξεων δεξιοτήτων επιστήμης τεχνικών δεδομένων περιλαμβάνουν:

Ποια είναι τα κορυφαία εργαλεία και οι τεχνικές δεξιότητες για έναν Επιστήμονα Δεδομένων;

Η επιστήμη των δεδομένων είναι ένας εξαιρετικά τεχνικός τομέας και θα θέλετε να δείξετε στον υπεύθυνο προσλήψεων ότι είστε ικανοί με όλα τα πιο πρόσφατα εργαλεία, λογισμικό και γλώσσες προγραμματισμού βιομηχανικών προτύπων. Από τις διάφορες γλώσσες στατιστικού προγραμματισμού που χρησιμοποιούνται στην επιστήμη δεδομένων, η R και η Python χρησιμοποιούνται συχνότερα από τους Επιστήμονες Δεδομένων. Και τα δύο μπορούν να χρησιμοποιηθούν για στατιστικές συναρτήσεις όπως η δημιουργία ενός μη γραμμικού ή γραμμικού μοντέλου, η ανάλυση παλινδρόμησης, οι στατιστικές δοκιμές, η εξόρυξη δεδομένων και άλλα. Ένα άλλο σημαντικό εργαλείο επιστήμης δεδομένων είναι ο RStudio Server, ενώ το Jupyter Notebook χρησιμοποιείται συχνά για στατιστική μοντελοποίηση, οπτικοποιήσεις δεδομένων, λειτουργίες μηχανικής μάθησης κ.λπ. Φυσικά, υπάρχει μια σειρά από ειδικά εργαλεία οπτικοποίησης δεδομένων που χρησιμοποιούνται εκτενώς από τους Data Scientists, συμπεριλαμβανομένων των Tableau, PowerBI , Bokeh, Plotly και Infogram. Οι επιστήμονες δεδομένων χρειάζονται επίσης αρκετή εμπειρία χρησιμοποιώντας SQL και Excel.

Η απάντησή σας θα πρέπει επίσης να αναφέρει τυχόν συγκεκριμένα εργαλεία ή τεχνικές ικανότητες που απαιτούνται από την εργασία για την οποία παίρνετε συνέντευξη. Ελέγξτε την περιγραφή της θέσης εργασίας και εάν υπάρχουν εργαλεία ή προγράμματα που δεν έχετε χρησιμοποιήσει, ίσως αξίζει να εξοικειωθείτε πριν από τη συνέντευξή σας.

Πώς αντιμετωπίζετε τις ακραίες τιμές;

Μερικοί τύποι ακραίων σημείων μπορούν να αφαιρεθούν. Οι τιμές σκουπιδιών ή οι τιμές που γνωρίζετε ότι δεν μπορούν να είναι αληθείς, μπορούν να απορριφθούν. Τα ακραία σημεία με ακραίες τιμές πολύ έξω από τα υπόλοιπα σημεία δεδομένων που συγκεντρώνονται σε ένα σύνολο μπορούν επίσης να αφαιρεθούν. Εάν δεν μπορείτε να ρίξετε ακραίες τιμές, θα μπορούσατε να επανεξετάσετε εάν επιλέξατε το σωστό μοντέλο, θα μπορούσατε να χρησιμοποιήσετε αλγόριθμους (όπως τυχαία δάση) που δεν θα επηρεαστούν τόσο πολύ από τις ακραίες τιμές ή μπορείτε να δοκιμάσετε να ομαλοποιήσετε τα δεδομένα σας.

  • Πείτε μας για έναν πρωτότυπο αλγόριθμο που δημιουργήσατε.
  • Ποιο είναι το αγαπημένο σας στατιστικό λογισμικό και γιατί;
  • Έχετε εργαστεί σε ένα έργο επιστήμης δεδομένων που απαιτούσε ένα σημαντικό στοιχείο προγραμματισμού; Τι αφαιρέσατε από την εμπειρία;
  • Περιγράψτε πώς να αναπαραστήσετε αποτελεσματικά δεδομένα με πέντε διαστάσεις.
  • Πρέπει να δημιουργήσετε ένα μοντέλο πρόβλεψης χρησιμοποιώντας πολλαπλή παλινδρόμηση. Ποια είναι η διαδικασία επικύρωσης αυτού του μοντέλου;
  • Πώς διασφαλίζετε ότι οι αλλαγές που κάνετε σε έναν αλγόριθμο είναι βελτίωση;
  • Καταχωρίστε τη μέθοδο χειρισμού ενός μη ισορροπημένου συνόλου δεδομένων που χρησιμοποιείται για πρόβλεψη (δηλαδή, πολύ περισσότερες αρνητικές κλάσεις από θετικές κλάσεις).
  • Ποια είναι η προσέγγισή σας για να επικυρώσετε ένα μοντέλο που δημιουργήσατε για να δημιουργήσετε ένα προγνωστικό μοντέλο μιας μεταβλητής ποσοτικού αποτελέσματος χρησιμοποιώντας πολλαπλή παλινδρόμηση;
  • Έχετε δύο διαφορετικά μοντέλα συγκρίσιμης υπολογιστικής απόδοσης και ακρίβειας. Εξηγήστε πώς αποφασίζετε ποιο να επιλέξετε για παραγωγή και γιατί.
  • Σας δίνεται ένα σύνολο δεδομένων που αποτελείται από μεταβλητές στις οποίες λείπουν τιμές σε ένα σημαντικό τμήμα. Ποια είναι η προσέγγισή σας;

Κατάλογος Ερωτήσεις Συνέντευξης Επιστήμης Δεδομένων: Προσωπικές Ερωτήσεις

Μαζί με τον έλεγχο των γνώσεων και των δεξιοτήτων σας στην επιστήμη δεδομένων, οι εργοδότες πιθανότατα θα κάνουν επίσης γενικές ερωτήσεις για να σας γνωρίσουν καλύτερα. Αυτές οι ερωτήσεις θα τους βοηθήσουν να κατανοήσουν το στυλ εργασίας σας, την προσωπικότητά σας και πώς μπορείτε να ταιριάξετε στην εταιρική τους κουλτούρα.

Οι ερωτήσεις συνέντευξης από τον Επιστήμονα Προσωπικών Δεδομένων μπορεί να περιλαμβάνουν:

Τι κάνει έναν καλό Επιστήμονα Δεδομένων;

Η απάντησή σας σε αυτήν την ερώτηση θα πει πολλά στον διευθυντή προσλήψεων για το πώς βλέπετε τον ρόλο σας και την αξία που προσφέρετε σε έναν οργανισμό. Στην απάντησή σας, θα μπορούσατε να μιλήσετε για το πώς η επιστήμη των δεδομένων απαιτεί έναν σπάνιο συνδυασμό ικανοτήτων και δεξιοτήτων. Ένας καλός Επιστήμονας Δεδομένων πρέπει να συνδυάσει τις τεχνικές δεξιότητες που απαιτούνται για την ανάλυση δεδομένων και τη δημιουργία μοντέλων με την επιχειρηματική αίσθηση που είναι απαραίτητη για την κατανόηση των προβλημάτων που αντιμετωπίζουν, καθώς και για την αναγνώριση δυνατών πληροφοριών στα δεδομένα του. Στην απάντησή σας, θα μπορούσατε επίσης να συζητήσετε έναν Επιστήμονα Δεδομένων που αναζητάτε, είτε πρόκειται για έναν συνάδελφο που γνωρίζετε προσωπικά είτε για μια διορατική φιγούρα του κλάδου.

  • Παρακαλώ πες μου για εσένα.
  • Ποια είναι τα καλύτερα προσόντα σας επαγγελματικά; Ποια είναι τα σημεία αδυναμίας σας;
  • Υπάρχει κάποιος Επιστήμονας Δεδομένων που θαυμάζετε περισσότερο;
  • Τι ενέπνευσε το ενδιαφέρον σας για την επιστήμη των δεδομένων;
  • Ποιες μοναδικές δεξιότητες ή χαρακτηριστικά έχετε που θα βοηθούσαν την ομάδα;
  • Τι σε έκανε να αποφασίσεις να αφήσεις την τελευταία σου δουλειά;
  • Τι επίπεδο αποζημίωσης περιμένετε από αυτή τη δουλειά;
  • Προτιμάτε να εργάζεστε μόνοι σας ή ως μέλος μιας ομάδας Επιστημόνων Δεδομένων;
  • Πού βλέπετε την καριέρα σας σε πέντε χρόνια;
  • Ποια είναι η προσέγγισή σας για τη διαχείριση του άγχους στην εργασία;
  • Πώς βρίσκετε το κίνητρο;
  • Ποια είναι η μέθοδος σας για τη μέτρηση της επιτυχίας;
  • Πώς θα περιγράφατε το ιδανικό περιβάλλον εργασίας σας;
  • Ποια είναι τα πάθη ή τα χόμπι σας εκτός της επιστήμης των δεδομένων;

Κατάλογος Ερωτήσεις Συνέντευξης Επιστήμης Δεδομένων: Ηγεσία και Επικοινωνία

Η ηγεσία και η επικοινωνία είναι δύο πολύτιμες δεξιότητες για τους Επιστήμονες Δεδομένων. Οι εργοδότες εκτιμούν τους υποψηφίους εργασίας που μπορούν να επιδείξουν πρωτοβουλία, να μοιραστούν την τεχνογνωσία τους με τα μέλη της ομάδας και να επικοινωνήσουν τους στόχους και τις στρατηγικές της επιστήμης δεδομένων.

Ακολουθούν μερικά παραδείγματα ερωτήσεων συνεντεύξεων για την επιστήμη δεδομένων ηγεσίας και επικοινωνίας:

Τι σας αρέσει όταν εργάζεστε σε μια διεπιστημονική ομάδα;

Ο Επιστήμονας Δεδομένων συνεργάζεται με μια μεγάλη ποικιλία ανθρώπων σε τεχνικούς και μη τεχνικούς ρόλους. Δεν είναι ασυνήθιστο για έναν Επιστήμονα Δεδομένων να συνεργάζεται με προγραμματιστές, σχεδιαστές, ειδικούς προϊόντων, αναλυτές δεδομένων, ομάδες πωλήσεων και μάρκετινγκ και στελέχη ανώτατου επιπέδου, για να μην αναφέρουμε πελάτες. Επομένως, στην απάντησή σας σε αυτήν την ερώτηση, πρέπει να δείξετε ότι είστε ομαδικός παίκτης που απολαμβάνει την ευκαιρία να συναντά και να συνεργάζεται με άτομα σε έναν οργανισμό. Επιλέξτε ένα παράδειγμα μιας κατάστασης όπου αναφέρατε τα άτομα υψηλότερου επιπέδου σε μια εταιρεία για να δείξετε όχι μόνο ότι επικοινωνείτε άνετα με οποιονδήποτε, αλλά και για να δείξετε πόσο πολύτιμες ήταν οι γνώσεις σας που βασίζονται σε δεδομένα στο παρελθόν.

  • Μπορείτε να σκεφτείτε μια επαγγελματική κατάσταση όπου είχατε την ευκαιρία να επιδείξετε ηγεσία;
  • Ποια είναι η προσέγγισή σας για την επίλυση συγκρούσεων;
  • Ποια είναι η προσέγγισή σας για τη δημιουργία επαγγελματικών σχέσεων με τους συναδέλφους;
  • Ποιο είναι ένα παράδειγμα επιτυχημένης παρουσίασης που κάνατε; Γιατί ήταν τόσο συναρπαστικό;
  • Εάν μιλάτε με έναν συνάδελφο ή πελάτη από μη τεχνικό υπόβαθρο, πώς εξηγείτε πολύπλοκα τεχνικά προβλήματα ή προκλήσεις;
  • Θυμηθείτε μια κατάσταση κατά την οποία έπρεπε να χειριστείτε ευαίσθητες πληροφορίες. Πώς προσεγγίσατε την κατάσταση;
  • Από τη δική σας οπτική γωνία, πώς θα βαθμολογούσατε τις επικοινωνιακές σας δεξιότητες;

Κατάλογος Ερωτήσεις Συνέντευξης Επιστήμης Δεδομένων: Συμπεριφορική

Με ερωτήσεις συνέντευξης συμπεριφοράς, οι εργοδότες αναζητούν συγκεκριμένες καταστάσεις που επιδεικνύουν ορισμένες δεξιότητες. Ο ερευνητής θέλει να καταλάβει πώς αντιμετωπίσατε καταστάσεις στο παρελθόν, τι μάθατε και τι μπορείτε να φέρετε στην παρέα του.

Παραδείγματα ερωτήσεων συμπεριφοράς σε μια συνέντευξη επιστήμης δεδομένων περιλαμβάνουν:

Θυμάστε μια κατάσταση που έπρεπε να καθαρίσετε και να οργανώσετε ένα σύνολο δεδομένων μεγάλου μεγέθους;

Μελέτες έχουν δείξει ότι οι Επιστήμονες Δεδομένων ξοδεύουν τον περισσότερο χρόνο τους στην προετοιμασία δεδομένων, σε αντίθεση με την εξόρυξη δεδομένων ή τη μοντελοποίηση. Αν λοιπόν έχετε κάποια εμπειρία ως Επιστήμονας Δεδομένων, είναι σχεδόν βέβαιο ότι έχετε εμπειρία στον καθαρισμό και την οργάνωση ενός συνόλου μεγάλων δεδομένων. Είναι επίσης αλήθεια ότι αυτό είναι ένα έργο που λίγοι άνθρωποι απολαμβάνουν πραγματικά. Αλλά ο καθαρισμός δεδομένων είναι επίσης ένα από τα πιο σημαντικά βήματα για κάθε εταιρεία. Επομένως, θα πρέπει να ακολουθήσετε τον υπεύθυνο προσλήψεων στη διαδικασία που ακολουθείτε κατά την προετοιμασία των δεδομένων: κατάργηση διπλών παρατηρήσεων, διόρθωση δομικών σφαλμάτων, φιλτράρισμα ακραίων τιμών, αντιμετώπιση δεδομένων που λείπουν και επικύρωση δεδομένων.

  • Σκεφτείτε ξανά ένα έργο δεδομένων στο οποίο έχετε εργαστεί όπου αντιμετωπίσατε ένα πρόβλημα ή πρόκληση. Ποια ήταν η κατάσταση, ποιο ήταν το εμπόδιο και πώς το ξεπεράσατε;
  • Δώστε ένα συγκεκριμένο παράδειγμα χρήσης δεδομένων για την αναβάθμιση της εμπειρίας ενός πελάτη ή ενδιαφερομένου;
  • Καταχωρίστε μια συγκεκριμένη κατάσταση όπου πετύχατε έναν στόχο. Πώς το πετύχατε;
  • Καταχωρίστε μια συγκεκριμένη περίπτωση όπου δεν πετύχατε έναν στόχο. Τι πήγε στραβά?
  • Ποια είναι η προσέγγισή σας για τη διαχείριση και την τήρηση αυστηρών προθεσμιών;
  • Μπορείτε να θυμηθείτε μια στιγμή που αντιμετωπίσατε σύγκρουση στη δουλειά; Πώς το αντιμετωπίσατε;

Λίστα ερωτήσεων συνεντεύξεων στο Data Science από κορυφαίες εταιρείες (Amazon, Google, Facebook, Microsoft)

Για να σας δώσουμε μια ιδέα για κάποιες άλλες ερωτήσεις που μπορεί να προκύψουν σε μια συνέντευξη, συγκεντρώσαμε μια λίστα με ερωτήσεις συνεντεύξεων επιστήμης δεδομένων από μερικές από τις κορυφαίες εταιρείες τεχνολογίας.

  • Ποια είναι η διαφορά μεταξύ της μηχανής διανυσμάτων υποστήριξης και της λογιστικής παλινδρόμησης; Δώστε παραδείγματα περιπτώσεων όπου θα επιλέγατε να χρησιμοποιήσετε το ένα αντί του άλλου.
  • Εάν η αφαίρεση των τιμών που λείπουν από ένα σύνολο δεδομένων προκαλεί μεροληψία, τι θα κάνατε;
  • Όταν εξετάζετε την υγεία, τη δέσμευση ή την ανάπτυξη ενός προϊόντος, ποιες μετρήσεις θα αξιολογούσατε;
  • Όταν προσπαθείτε να αντιμετωπίσετε ή να επιλύσετε επιχειρηματικά προβλήματα που σχετίζονται με το προϊόν μας, ποιες μετρήσεις θα αξιολογούσατε;
  • Πώς κρίνετε την απόδοση του προϊόντος;
  • Πώς ξέρετε εάν μια νέα παρατήρηση είναι ακραία;
  • Πώς θα ορίζατε έναν συμβιβασμό μεροληψίας-διακύμανσης;
  • Ποια είναι η μέθοδος σας για την τυχαία επιλογή ενός δείγματος από έναν πληθυσμό χρηστών προϊόντος;
  • Ποια είναι η διαδικασία σας για τη διαμάχη δεδομένων και τον καθαρισμό πριν από την εφαρμογή αλγορίθμων μηχανικής εκμάθησης;
  • Πώς θα προσεγγίζατε τη μη ισορροπημένη δυαδική ταξινόμηση;
  • Πώς διακρίνετε την καλή από την κακή οπτικοποίηση δεδομένων;
  • Δημιουργήστε μια συνάρτηση που επαληθεύει εάν μια λέξη είναι παλίνδρομο.

Kategori: Νέα