Data Science interviewspørgsmål

BrainStations Data Scientist karriereguide kan hjælpe dig med at tage de første skridt mod en lukrativ karriere inden for datavidenskab. Læs videre for at få en oversigt over almindelige interviewspørgsmål til datavidenskabsjob, og hvordan du bedst besvarer dem.

Bliv dataforsker

Tal med en læringsrådgiver for at lære mere om, hvordan vores bootcamps og kurser kan hjælpe dig med at blive dataforsker.

Ved at klikke på Send accepterer du vores Vilkår .

Indsend

Kunne ikke indsende! Opdater siden og prøv igen?

Lær mere om vores Data Science Bootcamp

Tak skal du have!

Vi kontakter dig snart.

Se Data Science Bootcamp-siden

Data science interviewprocesser kan variere afhængigt af virksomheden og industrien. Typisk vil de inkludere en indledende telefonscreening med ansættelseslederen efterfulgt af et eller flere onsite-interviews.

Du bliver nødt til at besvare tekniske og adfærdsmæssige datavidenskabelige interviewspørgsmål og vil sandsynligvis gennemføre et færdighedsrelateret projekt. Før hvert interview bør du gennemgå dit CV og portfolio samt forberede dig på potentielle interviewspørgsmål.

Datavidenskabelige interviewspørgsmål vil teste din viden og færdigheder om statistik, programmering, matematik og datamodellering. Arbejdsgivere vil vurdere dine tekniske og bløde færdigheder, og hvor godt du ville passe ind i deres virksomhed.

Ved at forberede nogle almindelige datavidenskabelige interviewspørgsmål og svar kan du gå ind i interviewet med tillid. Der er et par forskellige typer af Data Scientist-spørgsmål, som du kan forvente at støde på under dit datavidenskabsinterview.

Liste over datavidenskabelige interviewspørgsmål: datarelaterede spørgsmål

Arbejdsgivere leder efter kandidater, der har et stærkt kendskab til datavidenskabelige teknikker og koncepter. Datarelaterede interviewspørgsmål vil variere afhængigt af stillingen og de nødvendige færdigheder.

Her er nogle eksempler på eksempler på datarelaterede interviewspørgsmål og svar:

Hvad er forskellen mellem superviseret og uovervåget læring?

Den største forskel mellem overvåget og uovervåget læring involverer brugen af mærkede og umærkede datasæt. Overvåget læring bruger output- og inputdata, der er mærket, og uovervågede læringsalgoritmer gør det ikke. En anden forskel er, at superviseret læring har en feedbackmekanisme, mens uovervåget læring ikke har. Endelig omfatter almindeligt anvendte overvågede læringsalgoritmer logistisk regression, støttevektormaskine og beslutningstræer, mens uovervågede læringsalgoritmer er k-betyder clustering, hierarkisk clustering og apriori algoritme.

Hvad er forskellen mellem deep learning og machine learning?

Dette spørgsmål kan være svært at besvare klart, fordi der åbenbart er en vis overlapning her. Start med at forklare, at deep learning i bund og grund er et underområde af maskinlæring, og at begge falder ind under paraplyen af kunstig intelligens. Hvor maskinlæring bruger algoritmer til at analysere data og i sidste ende lærer at træffe beslutninger baseret på, hvad det bringer ud af dataene, lægger deep learning disse algoritmer til for at skabe kunstige neurale netværk, der er i stand til at lære og træffe informerede beslutninger.

Kan du give en detaljeret forklaring af Decision Tree-algoritmen?
Hvad er prøveudtagning? Hvor mange prøveudtagningsmetoder er du bekendt med?
Hvordan skelner du mellem en type I vs type II fejl?
Definer venligst lineær regression.
Hvad betyder begreberne p-værdi, koefficient og r-kvadratværdi? Hvorfor er hver komponent vigtig?
Definer venligst udvælgelsesbias.
Definer venligst en statistisk interaktion.
Kan du give et eksempel på et datasæt med en ikke-Gaussisk fordeling?
Forklar venligst den binomiale sandsynlighedsformel.
Kan du forklare forskellen mellem k-NN og k-betyder clustering?
Hvad er din tilgang til at skabe en logistisk regressionsmodel?
Hvad er 80/20-reglen? Hvordan er det vigtigt at modellere validering?
Definer præcision og genkald. Hvordan forholder de sig til ROC-kurven?
Forklar venligst, hvordan man skelner mellem L1- og L2-regulariseringsmetoder?
Inden du anvender maskinlæringsalgoritmer, hvad er trinene til datastrid og datarensning?
Kan du forklare forskellen mellem et histogram og et boksplot?
Hvordan definerer du krydsvalidering?
Kan du forklare, hvad en falsk positiv og en falsk negativ er? Hvad ville du sige er bedre at have: for mange falske positive eller for mange falske negative?
Når man designer en maskinlæringsmodel, hvad er vigtigere: modelnøjagtighed eller modelydelse?
Efter din mening, hvad er bedre: 50 små beslutningstræer eller et stort?
Kan du komme i tanke om et datavidenskabsprojekt i vores virksomhed, som ville interessere dig?
Kan du tænke på et par eksempler på bedste praksis inden for datavidenskab?

Liste over datavidenskabelige interviewspørgsmål: Spørgsmål om tekniske færdigheder

Spørgsmål om tekniske færdigheder i et datavidenskabsinterview bruges til at vurdere din datavidenskabelige viden, færdigheder og evner. Disse spørgsmål vil være relateret til de specifikke jobansvar for Data Scientist-stillingen.

Tekniske datavidenskabelige interviewspørgsmål kan have ét korrekt svar eller flere mulige løsninger. Du vil gerne vise din tankeproces, når du løser problemer og tydeligt forklare, hvordan du nåede frem til et svar.

Eksempler på teknisk datavidenskab færdighedsspørgsmål omfatter:

Hvad er de bedste værktøjer og tekniske færdigheder for en dataforsker?

Datavidenskab er et yderst teknisk område, og du vil gerne vise ansættelseschefen, at du er dygtig til alle de nyeste industristandardværktøjer, software og programmeringssprog. Ud af de forskellige statistiske programmeringssprog, der bruges i datavidenskab, er R og Python mest almindeligt brugt af dataforskere. Begge kan bruges til statistiske funktioner såsom oprettelse af en ikke-lineær eller lineær model, regressionsanalyse, statistiske test, data mining og mere. Et andet vigtigt datavidenskabsværktøj er RStudio Server, mens Jupyter Notebook ofte bruges til statistisk modellering, datavisualiseringer, maskinlæringsfunktioner osv. Der er naturligvis en række dedikerede datavisualiseringsværktøjer, der bruges i vid udstrækning af Data Scientists, herunder Tableau, PowerBI , Bokeh, Plotly og Infogram. Data Scientists har også brug for masser af erfaring med at bruge SQL og Excel.

Dit svar bør også nævne eventuelle specifikke værktøjer eller tekniske kompetencer, der kræves af det job, du er til samtale til. Gennemgå jobbeskrivelsen, og hvis der er nogle værktøjer eller programmer, du ikke har brugt, kan det være værd at stifte bekendtskab med inden din samtale.

Hvordan behandler du afvigende værdier?

Nogle typer af afvigelser kan fjernes. Skraldværdier eller værdier, som du ved ikke kan være sande, kan droppes. Outliers med ekstreme værdier langt uden for resten af datapunkterne i et sæt kan også fjernes. Hvis du ikke kan droppe outliers, kan du genoverveje, om du har valgt den rigtige model, du kan bruge algoritmer (som tilfældige skove), der ikke vil blive påvirket så kraftigt af outlier-værdierne, eller du kan prøve at normalisere dine data.

Fortæl os venligst om en original algoritme, du har oprettet.
Hvad er din foretrukne statistiske software, og hvorfor?
Har du arbejdet på et datavidenskabsprojekt, der krævede en væsentlig programmeringskomponent? Hvad tog du med fra oplevelsen?
Beskriv, hvordan du effektivt repræsenterer data med fem dimensioner.
Du skal generere en prædiktiv model ved hjælp af multipel regression. Hvad er din proces for at validere denne model?
Hvordan sikrer du, at de ændringer, du foretager i en algoritme, er en forbedring?
Angiv venligst din metode til at håndtere et ubalanceret datasæt, der bliver brugt til forudsigelse (dvs. langt flere negative klasser end positive klasser).
Hvad er din tilgang til at validere en model, du har oprettet for at generere en forudsigelig model for en kvantitativ udfaldsvariabel ved hjælp af multipel regression?
Du har to forskellige modeller med sammenlignelig beregningsydelse og nøjagtighed. Forklar venligst, hvordan du beslutter dig for, hvilken du skal vælge til produktion og hvorfor.
Du får udleveret et datasæt bestående af variabler, hvor en væsentlig del mangler værdier. Hvad er din tilgang?

Liste over datavidenskabelige interviewspørgsmål: Personlige spørgsmål

Ud over at teste din datavidenskabelige viden og færdigheder, vil arbejdsgivere sandsynligvis også stille generelle spørgsmål for at lære dig bedre at kende. Disse spørgsmål vil hjælpe dem med at forstå din arbejdsstil, personlighed og hvordan du kan passe ind i deres virksomhedskultur.

Interviewspørgsmål fra Personal Data Scientist kan omfatte:

Hvad gør en god dataforsker?

Dit svar på dette spørgsmål vil fortælle en ansættelseschef meget om, hvordan du ser din rolle og den værdi, du tilfører en organisation. I dit svar kunne du tale om, hvordan datavidenskab kræver en sjælden kombination af kompetencer og færdigheder. En god dataforsker skal kombinere de nødvendige tekniske færdigheder til at analysere data og skabe modeller med den forretningssans, der er nødvendig for at forstå de problemer, de tackler, samt genkende brugbar indsigt i deres data. I dit svar kan du også diskutere en Data Scientist, du ser op til, uanset om det er en kollega du kender personligt eller en indsigtsfuld branchefigur.

Fortæl mig venligst om dig selv.
Hvad er dine bedste egenskaber fagligt? Hvad er dine svaghedsområder?
Er der én Data Scientist, du beundrer mest?
Hvad inspirerede din interesse for datavidenskab?
Hvilke unikke færdigheder eller egenskaber har du med, som ville hjælpe holdet?
Hvad fik dig til at forlade dit sidste job?
Hvilket kompensationsniveau forventer du af dette job?
Foretrækker du at arbejde alene eller som en del af et team af Data Scientists?
Hvor ser du din karriere om fem år?
Hvad er din tilgang til at håndtere stress på jobbet?
Hvordan finder du motivationen?
Hvad er din metode til at måle succes?
Hvordan vil du beskrive dit ideelle arbejdsmiljø?
Hvad er dine passioner eller hobbyer uden for datavidenskab?

Liste over datavidenskabelige interviewspørgsmål: Ledelse og kommunikation

Ledelse og kommunikation er to værdifulde færdigheder for dataforskere. Arbejdsgivere værdsætter jobkandidater, der kan vise initiativ, dele deres ekspertise med teammedlemmer og kommunikere datavidenskabelige mål og strategier.

Her er nogle eksempler på ledelses- og kommunikationsdatavidenskabelige interviewspørgsmål:

Hvad kan du lide ved at arbejde i et tværfagligt team?

En Data Scientist samarbejder med en bred vifte af mennesker i tekniske og ikke-tekniske roller. Det er ikke ualmindeligt, at en Data Scientist arbejder med udviklere, designere, produktspecialister, dataanalytikere, salgs- og marketingteams og topledere, for ikke at nævne kunder. Så i dit svar på dette spørgsmål skal du illustrere, at du er en holdspiller, der nyder muligheden for at møde og samarbejde med mennesker på tværs af en organisation. Vælg et eksempel på en situation, hvor du rapporterede til de øverste personer i en virksomhed for ikke kun at vise, at du er tryg ved at kommunikere med nogen, men også for at vise, hvor værdifuld din datadrevne indsigt har været tidligere.

Kan du tænke dig en professionel situation, hvor du havde mulighed for at udvise lederskab?
Hvad er din tilgang til konfliktløsning?
Hvad er din tilgang til at opbygge professionelle relationer med kollegaer?
Hvad er et eksempel på en vellykket præsentation, du holdt? Hvorfor var det så overbevisende?
Hvis du taler med en kollega eller klient fra en ikke-teknisk baggrund, hvordan forklarer du komplekse tekniske problemer eller udfordringer?
Husk venligst en situation, hvor du skulle håndtere følsomme oplysninger. Hvordan greb du situationen an?
Fra dit eget perspektiv, hvordan vil du vurdere dine kommunikationsevner?

Liste over datavidenskabelige interviewspørgsmål: Behavioural

Med adfærdsmæssige interviewspørgsmål leder arbejdsgivere efter specifikke situationer, der viser bestemte færdigheder. Intervieweren ønsker at forstå, hvordan du håndterede situationer i fortiden, hvad du lærte, og hvad du er i stand til at bringe til deres virksomhed.

Eksempler på adfærdsspørgsmål i et datavidenskabsinterview omfatter:

Kan du huske en situation, hvor du skulle rense og organisere et stort datasæt?

Undersøgelser har vist, at dataforskere bruger det meste af deres tid på dataforberedelse, i modsætning til data mining eller modellering. Så hvis du har nogen erfaring som Data Scientist, er det næsten sikkert, at du har erfaring med at rense og organisere et stort datasæt. Det er også rigtigt, at det er en opgave, som de færreste virkelig nyder. Men datarensning er også et af de vigtigste trin for enhver virksomhed. Så du bør tage ansættelseschefen gennem den proces, du følger i dataforberedelsen: fjernelse af duplikerede observationer, rettelse af strukturelle fejl, filtrering af outliers, tackling af manglende data og datavalidering.

Tænk tilbage på et dataprojekt, du har arbejdet på, hvor du stødte på et problem eller en udfordring. Hvad var situationen, hvad var forhindringen, og hvordan overkom du den?
Giv venligst et specifikt eksempel på brug af data til at højne oplevelsen for en kunde eller interessent?
Angiv venligst en specifik situation, hvor du nåede et mål. Hvordan nåede du det?
Angiv venligst en specifik situation, hvor du ikke nåede et mål. Hvad gik galt?
Hvad er din tilgang til at administrere og overholde stramme deadlines?
Kan du huske en gang, du stod over for konflikter på arbejdet? Hvordan håndterede du det?

Liste over Data Science-interviewspørgsmål fra topvirksomheder (Amazon, Google, Facebook, Microsoft)

For at give dig en idé om nogle andre spørgsmål, der kan dukke op i et interview, har vi udarbejdet en liste over datavidenskabelige interviewspørgsmål fra nogle af de bedste teknologivirksomheder.

Hvad er forskellen mellem støttevektormaskine og logistisk regression? Giv venligst eksempler på situationer, hvor du ville vælge at bruge den ene frem for den anden.
Hvis fjernelse af manglende værdier fra et datasæt forårsager bias, hvad ville du så gøre?
Når du ser på et produkts sundhed, engagement eller vækst, hvilke målinger vil du så vurdere?
Hvilke målinger vil du vurdere, når du prøver at løse eller løse forretningsproblemer relateret til vores produkt?
Hvordan bedømmer du produktets ydeevne?
Hvordan ved man, om en ny observation er en outlier?
Hvordan vil du definere en bias-variance trade-off?
Hvad er din metode til tilfældigt at udvælge en stikprøve fra en produktbrugerpopulation?
Hvad er din proces for datastrid og -rensning, før du anvender maskinlæringsalgoritmer?
Hvordan vil du gribe ubalanceret binær klassificering an?
Hvordan skelner du mellem god og dårlig datavisualisering?
Opret en funktion, der verificerer, om et ord er et palindrom.