直到今天，在各類媒體口中，數(shù)據(jù)科學(xué)家依然是“21世紀(jì)最性感的職業(yè)”。但事實上，希望進入這個行業(yè)的初級數(shù)據(jù)科學(xué)家已經(jīng)供過于求。

可以預(yù)見的是，各種高校相關(guān)專業(yè)的畢業(yè)生，在完成coursera或者fast.ai的課程后，都希望得到一份跟“數(shù)據(jù)”相關(guān)的崗位。據(jù)統(tǒng)計，部分職位的供求比已經(jīng)達到了1:200。

那么，如何能在這條獨木橋上殺出重圍、脫引而出呢?

金三銀四求職季，江湖傳言在三月份和四月份找工作和跳槽成功的概率最大。不同于程序員這樣的純技術(shù)工種，求職成為一名數(shù)據(jù)科學(xué)家似乎需要“上知天文，下知地理”。

畢竟，數(shù)據(jù)科學(xué)領(lǐng)域集成了多種不同元素，包括信號處理，數(shù)學(xué)，概率模型技術(shù)和理論，機器學(xué)習(xí)，計算機編程，統(tǒng)計學(xué)，數(shù)據(jù)工程，模式識別和學(xué)習(xí)，可視化，不確定性建模，數(shù)據(jù)倉庫，以及從數(shù)據(jù)中析取規(guī)律和產(chǎn)品的高性能計算。

今天給大家推薦一份數(shù)據(jù)科學(xué)面試資料，資料收集了來自頂級技術(shù)公司的訪調(diào)員和數(shù)據(jù)科學(xué)家。從淺入深的囊括了溝通、數(shù)據(jù)分析、模型預(yù)測、編程、概率、產(chǎn)品指標(biāo)等7個部分的共120個面試問題。

根據(jù)官方網(wǎng)站，這份資源由Max、Carl、Henry以及William四位合作編寫，這四位好基友都有數(shù)學(xué)科學(xué)以及數(shù)據(jù)分析的背景，也非�；パa，也因此讓這份資料變得彌足珍貴。

這份資料，在官方網(wǎng)站上需要付19美元可以獲取完整版(包括問題和答案)。

先放上資料官網(wǎng)，非常需要的讀者請購買支持正版：https://www.datasciencequestions.com/

當(dāng)然，如果你只是想了解這份資料的大概內(nèi)容，或者測試一下自己是否掌握了數(shù)據(jù)科學(xué)家需要的知識，文摘菌在github上也找到了這份資料的縮略問題版，少部分概念以及定義性的問題有答案，對于開放性的問題，歡迎大家在留言區(qū)給出你的答案哦。

我們精選了這份資料中的部分問題和答案，完整版戳下邊鏈接自取。

github地址：https://github.com/kojino/120-Data-Science-Interview-Questions

溝通

 

 

1.向我解釋一個與你正在面試的角色相關(guān)的技術(shù)概念。

2.向我介紹你所熱愛的事情。

3.你會如何向沒有統(tǒng)計背景的工程師解釋A/B測試，線性回歸呢?

A/B測試，也就是多變量測試，通過測試用戶的不同體驗，來確定哪種改變有助于企業(yè)更加有效地實現(xiàn)其目標(biāo)(如增加轉(zhuǎn)換等)。它可以是網(wǎng)站上的文本信息，按鈕的顏色，不同的用戶界面，不同的電子郵件主題行，號召性用語，優(yōu)惠等。

4.你會如何向沒有統(tǒng)計背景的工程師解釋置信區(qū)間以及95%的置信度的意思?

參考鏈接：https://www.quora.com/What-is-a-confidence-interval-in-laymans-terms

5.你會如何向一組高級管理人員解釋為什么數(shù)據(jù)很重要?

數(shù)據(jù)分析

 

 

1.給定一個數(shù)據(jù)集，分析這個數(shù)據(jù)集并告訴我你可以從中了解到什。

2.什么是R2?可能比R2更好的指標(biāo)有哪些，為什么?

答：擬合良好，是由該回歸/總方差解釋的那部分方差;你添加的預(yù)測變量越多，R^2越大;因而使用因自由度調(diào)整的R ^ 2;或著訓(xùn)練誤差指標(biāo)。

3.什么是維度災(zāi)難?

高維度使得聚類變得困難，因為擁有大量維度意味著彼此相差很大。例如，為了覆蓋一小部分?jǐn)?shù)據(jù)，隨著變量數(shù)量的增加，我們需要處理每個范圍廣泛的變量;

所有樣本都靠近樣本的邊緣。這非常糟糕，因為在訓(xùn)練樣本的邊緣附近做出預(yù)測要更加困難;

隨著維度 p的增加，采樣密度呈指數(shù)下降，因此在沒有更多的數(shù)據(jù)量的情況下，該數(shù)據(jù)會變得更加稀疏;我們應(yīng)該進行PCA分析以降低維度。

4.更多的數(shù)據(jù)就總是更好么?

從統(tǒng)計來說，它取決于你的數(shù)據(jù)的質(zhì)量，如果您的數(shù)據(jù)有偏差，獲取再多數(shù)據(jù)也毫無用處;它取決于你的模型。如果你的模型能夠承受高偏差，獲取更多數(shù)據(jù)不會太過明顯地提高你的測試結(jié)果。你需要添加更多特征，或者做別的處理。從實戰(zhàn)來說，也需要在擁有更多數(shù)據(jù)和額外存儲，計算能力以及所需內(nèi)存之間進行權(quán)衡。因此，始終要考慮擁有更多數(shù)據(jù)的成本。

5.分析數(shù)據(jù)之前繪制圖表有什么好處?

數(shù)據(jù)集會有錯誤。你不會找到全部的錯誤，但你或許能夠找到其中的一些。比如那個212歲的男人以及那個9英尺高的女;變量會有偏度，異常值等。算術(shù)平均值可能用不了，這也意味著標(biāo)準(zhǔn)差用不了;變量可以是多峰的!如果變量是多峰的，那么任何基于其的均值或著中位數(shù)的都是可疑的。

模型預(yù)測(19個問題)

 

 

1.給定一個數(shù)據(jù)集，分析這個數(shù)據(jù)集并給出一個可以預(yù)測這個響應(yīng)變量的模型。

由擬合簡單的模型(多元回歸，邏輯回歸)開始，相應(yīng)地選取一些特征，然后嘗試一些復(fù)雜的模型。要始終將數(shù)據(jù)集拆分為訓(xùn)練集，驗證集和測試集并使用交叉驗證來觀察模型的表現(xiàn);確定問題是分類問題還是回歸問題;傾向于選用運行快速可以輕松解釋的簡單模型;提及交叉驗證作為評估模型的一種方法;繪制圖表且將數(shù)據(jù)可視化。

2.如果測試數(shù)據(jù)的分布與訓(xùn)練數(shù)據(jù)的分布明顯不同，可能會出現(xiàn)什么問題?

訓(xùn)練時具有高精度的模型在測試時可能具有較低的精度。在沒有進一步了解的情況下，很難知道哪個數(shù)據(jù)集代表了總體的數(shù)據(jù)，因而很難測量算法的泛化程度;

這應(yīng)該可以通過重復(fù)劃分訓(xùn)練集和測試集來緩解(如交叉驗證);

當(dāng)數(shù)據(jù)分布發(fā)生變化時，稱為數(shù)據(jù)集漂移。 如果訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的分布不同，分類器可能會過度擬合訓(xùn)練數(shù)據(jù)。

3.有什么方法可以讓我的模型對異常值的魯棒性更高?

我們可以使用L1或L2等正則化方法來減少方差(增加偏倚)。

算法的改變：1.使用基于樹的方法來代替回歸方法，因為它們更能忍受異常值。2.對于統(tǒng)計檢驗，使用非參數(shù)檢驗來代替參數(shù)檢驗。3.使用穩(wěn)健的誤差指標(biāo)，如MAE或Huber Loss，來代替MSE。

數(shù)據(jù)的改變：1.對數(shù)據(jù)進行winsorize處理2.轉(zhuǎn)換數(shù)據(jù)(如進行對數(shù)處理)3.只有在你確定它們是不值得預(yù)測的異常值時才刪除它們

4.與最小化誤差絕對值的模型相比，在最小化誤差平方的模型中，你認為有哪些差異?每個誤差指標(biāo)分別在哪種情況下合適?

MSE對異常值更加嚴(yán)格。在這個意義上MAE魯棒性更好，但也更難以擬合模型，因為它無法在數(shù)值上進行優(yōu)化。因此，當(dāng)模型的可變性較小且在計算上容易擬合時，我們應(yīng)該使用MAE，否則應(yīng)該使用MSE。

MSE：更容易計算梯度

MAE：計算梯度需要線性編程MAE對異常值更加穩(wěn)健。

如果較大錯誤造成的后果很嚴(yán)重，使用MSEMSE相當(dāng)于最大化高斯隨機變量的可能性。

5.你會什么誤差指標(biāo)來評估二分類器的好壞?如果類別不平衡怎么辦?如果超過2組怎么辦?

準(zhǔn)確性：你正確預(yù)測的情況的比例。優(yōu)點：直觀，易于解釋，缺點：當(dāng)類標(biāo)簽不平衡且數(shù)據(jù)信號較弱時效果不。

AUROC：在x軸上繪制fpr，在y軸上繪制tpr以獲得不同的閾值。給定隨機正例和隨機負例，AUC是你能可以識別類別的概率。優(yōu)點：在測試分類能力時效果很好，缺點：不能將預(yù)測解釋為概率(因為AUC由排名決定)，因此無法解釋模型的不確定性。

logloss/deviance：優(yōu)點：基于概率的誤差度量，缺點：對假陽性，假陰性非常敏感。當(dāng)有超過2組時，我們可以使用k個二分類并將它們添加到logloss中。 像AUC這樣的一些指標(biāo)僅適用于二分類情況。

概率

 

 

1.阿米巴蟲波波生0個、1個或2個小阿米巴蟲的概率分別是25%、25%以及50%。這些小阿米巴蟲們的繁殖能力也都一樣。請問波波的后代滅絕的概率是多少?

p=1/4+1/4p+1/2p^2 => p=1/2

2.任何15分鐘時間段內(nèi)，你看到至少一顆流星的概率是20%。請問在一小時內(nèi)你看到至少一顆流星的概率是多少?

l 1-(0.8)^4。 或者我們用泊松過程也可以解。

3.僅使用一枚色子，你如何生成一個1-7內(nèi)隨機數(shù)?

丟三次色子：每一次丟的都是結(jié)果的第n位

每次丟色子時，如果值為1-3，則記錄0，否則記錄1。結(jié)果會位于0(000)與7(111)之間，均勻分布(因為這三次拋擲互相獨立)。如果得到0則重復(fù)拋擲：該過程會終止于均勻分布的值。

4.有一個數(shù)據(jù)集包含來自兩個正態(tài)分布的數(shù)值。兩個分布的標(biāo)準(zhǔn)差相同。來自兩個分布的數(shù)據(jù)點個數(shù)相同。請問如果想要該數(shù)據(jù)集呈雙峰分布，兩個分布的均值應(yīng)當(dāng)至少差多少?

多于兩個標(biāo)準(zhǔn)差

5.提供已知正態(tài)分布的樣本值，請問你能如何模擬一個均勻分布的樣本值?

將值代入同一隨機變量的累計分布函數(shù)

6.一對夫妻告訴你他們有兩個小孩，其中至少有一個是女孩。請問他們擁有兩個女兒的概率是多少?

1/3

產(chǎn)品指標(biāo)

 

 

1.對于一個廣告驅(qū)動的消費者產(chǎn)品(比如Buzzfeed，YouTube，Google搜索等)，什么可以稱為好的成功衡量指標(biāo)?服務(wù)驅(qū)動的消費者產(chǎn)品(比如優(yōu)步，F(xiàn)lickr，Venmo等)呢?

廣告驅(qū)動：頁面瀏覽量與每日活躍量，點擊率，每次點擊成本

服務(wù)驅(qū)動：購買量，轉(zhuǎn)化率

2.對于一個效率工具(比如印象筆記，Asana，Google文檔等)，什么可以稱為好的成功衡量指標(biāo)?線上課程平臺(比如edX，Coursera，Udacity等)呢?

效率工具：付費訂閱用戶數(shù)

線上課程平臺：付費訂閱用戶數(shù)，課程完成率

3.對于一個電商產(chǎn)品(比如Etsy，Groupon，Birchbox等)，什么可以稱為好的成功衡量指標(biāo)?訂閱產(chǎn)品(比如Netflix，Birchbox，Hulu等)呢?高級付費訂閱(比如OKCupid，領(lǐng)英，Spotify等)呢?

電商產(chǎn)品：購買量，轉(zhuǎn)化率，時/日/周/月/季/年銷售額，售出產(chǎn)品成本，存貨量，網(wǎng)站流量，凈回頭客量，客服電話量，平均解決問題時長

訂閱產(chǎn)品：流失量，(不知道接下來這幾個都是啥)

高級付費訂閱：(無解答)

4.對于高度依賴于用戶投入與交互的消費者產(chǎn)品(比如Snapchat，Pinterest，F(xiàn)acebook等)，什么可以稱為好的成功衡量指標(biāo)?通訊產(chǎn)品(比如GroupMe，Hangouts，Snapchat等)呢?

高度依賴于用戶投入與交互的消費者產(chǎn)品：user AU ratios，分類型郵件匯總，分類型推送通知匯總，復(fù)活率。

通訊產(chǎn)品：(無解答)

5.對于擁有app內(nèi)購服務(wù)的產(chǎn)品(比如Zynga，憤怒的小鳥以及許多其他游戲)，什么可以稱為好的成功衡量指標(biāo)?

用戶/付費用戶平均營收

編程(14題)

 

 

1.編寫一個函數(shù)，計算2n個用戶所有可能分配向量，其中n個用戶為控制組，n個用戶為治療組。

遞歸編程

2.提供一個包含推特消息的列表，求十個最常用的的標(biāo)簽。

在字典中存儲所有標(biāo)簽然后求前十值

3.在給定時間內(nèi)寫出算法求解背包問題的最佳近似解。

貪婪算法

4.在給定時間內(nèi)寫出算法求解旅行商問題的最佳近似解。

貪婪算法

5.你將得到一個大小為n的數(shù)據(jù)集，但你無法提前知道n具體有多大。寫出一個占據(jù)O(k)的算法來隨機抽取k個元素。

水塘抽樣

統(tǒng)計推論(15題)

 

 

1.AB測試中你如何確認客戶流分組完全隨機?

畫出多個A組與B組變量的分布，確保他們都擁有一致的形狀。再保險一點，我們可以做一個排列檢驗來看分布是否相同。

MANOVA來比較不同的均值。

2.AA測試(兩組完全一致)的好處有什么?

檢查抽樣算法隨機性

3.在AB測試中，允許一組用戶知道另一組是什么樣子有什么危害?

用戶可能無法與未知其他選項時行為一致。實際上你是在添加一個關(guān)于是否允許用戶窺探其它選項的變量——該變量并不隨機。

4.如果某個博客報道了你的實驗組會有什么影響呢?

與前問相同。這一問題可能會在更大范圍內(nèi)發(fā)生。

5.你如何設(shè)計一個允許用戶自行選擇是否加入的AB測試。

最后，祝大家求職順利~

github地址：https://github.com/kojino/120-Data-Science-Interview-Questions

標(biāo)簽： [db:TAGG]

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。