数据科学访谈的问题
21世纪最混乱的工作
采访过程可能是数据科学家在其职业生涯中将面临的最艰巨的任务。从事数据科学工作的压力和竞争非常激烈。最重要的是，围绕数据科学的炒作导致围绕数据科学面试过程的大量混乱。
大约十年来，数据科学家一直是科技行业的宠儿。 2012年，《哈佛商业评论》将数据科学家的头衔冠以“ 21世纪最艰巨的工作”的头衔，掀起了尚未达到顶峰的炒作周期。
急于利用炒作的求职者和雇主的涌入使数据科学人才库陷入泥泞。
为了过渡到这一激动人心的新职业，成千上万的工程师，统计学家和分析师正在将自己重新定位为数据科学家。数百个新兵训练营和证书程序正在弹出，以帮助他们进行探索。而且，数十名招聘经理正在努力从庞大的寻求财富的专业人士中挑选最有前途的候选人。
数据科学面试的问题
数据科学的淘金热对面试过程产生了下游影响。困惑的招聘经理使数据科学家接受与数据科学技能不符的面试。出于混乱或试图吸引人才，一些招聘经理将数据分析师和数据工程职位重塑为数据科学。危险信号的范围从面试着重于计算机科学算法而不是机器学习算法到面试花费更多时间在SQL上而不是scikit-learn。
这样一两次糟糕的采访会导致数据科学家花费数小时来研究错误的主题。因此，候选人最终会被期望证明其专业知识的众多学科所淹没。
除此之外，对数据科学家的需求增长速度快于高质量面试准备的需求。面试问题（有时是答案）很容易在网上很多地方找到。但是，目前尚不清楚它们的可信度。
数据科学面试的解决方案
幸运的是，顶级公司正在采用标准的数据科学面试流程。应针对以下主题的问题为候选人的解决方案做好充分准备：
机器学习
Python编程
数据争吵
分析性问题解决
统计
文化契合
机器学习和统计部分对于大多数公司而言都是交易的突破口，因为这些学科构成了机器学习的理论基础。诸如python和SQL之类的技术技能更容易学习，但是如果数据科学家缺乏统计或机器学习能力，那将是灾难性的。
对于统计数据，候选人应关注入门级概念，例如：
可能性
贝叶斯定理
正态分布
中心极限定理
假设检验
对于机器学习，应试者应了解一系列具有实际应用意义的主题，例如：
偏差偏差权衡
维数的诅咒
交叉验证
常见损失函数
适当的模型评估指标
大公司几乎总是在雇用数据科学家。因此，候选人控制了面试时间表。准备过程最多可能需要六个月。
就是说，将其拖出毫无意义。因此，准备数据科学面试所需的时间将取决于一些因素。
1）这是候选人的首次数据科学面试吗？数据科学访谈涵盖了很多领域。他们就像工程和分析访谈一样，结合了一定程度的机器学习。
2）接受大型科技公司采访吗？他们倾向于进行特别严格的面试，并获得很高的成功率。
3）在复习练习题时，答案有多难？候选人不仅必须熟悉材料，而且必须能够回忆起精确的定义并给出简洁的答案。
尽管很难找到高质量的面试准备的可信赖来源，但是一些资源开始出现。数据科学家可以在Decode Data Science这样的网站上加快访问速度，该网站将数百次访问提炼为原型问题和答案，由我创建，我是一位拥有8年技术经验的招聘经理。

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！