10 запитань щодо інтерв'ю вченого

Сфера наукових даних постійно розвивається, охоплюючи декілька галузей і вимагає широкого набору навичок, що включає математику, статистику, програмування та маркетинг. Таким чином, щоб стати науковцем даних, потрібно вражаюче поєднання технічної майстерності, креативності та спілкування.

Опис роботи для науковців може сильно відрізнятися, хоча всі шукають кандидатів з довгим переліком найбільш бажаних навичок роботи, таких як критичне мислення, вирішення проблем, аналітика даних, емоційний інтелект, увага до деталей та робота в команді. Це означає, що питання інтерв'ю для науковців можуть охоплювати декілька різних тем і варіюватися від типових запитів про навички роботи до надзвичайно технічних дискусій.

Інтерв'ю з науковими даними потребує великої підготовки. Незалежно від того, чи є ви свіжими з вищої школи інформатики чи хочете перейти на іншу компанію чи галузь, вам знадобиться час, щоб ознайомитися з основними концепціями вашої роботи. Як ви знаєте, як керувати автомобілем, але у вас можуть виникнути проблеми з декларуванням конкретних правил дорожнього руху, ви можете застрягнути в інтерв'ю, намагаючись сформулювати, як працює певний алгоритм.

Щоб допомогти вам підготуватися, ми зібрали 10 найпоширеніших питань щодо інтерв'ю вченого. Від раннього екранізації до відео на другому та третьому етапах та інтерв'ю на місці, ви зіткнетесь з різноманітними іспитами, такими як ваші технічні навички, комунікативні здібності та стиль роботи.

1. "Розкажіть більше про останні проект у вашому портфоліо."

Дані вчені користуються попитом у багатьох галузях, але компанії часто шукають когось із дуже специфічними навичками та хорошою культурою. Докладне онлайн-портфоліо, що відображає тип роботи, на яку ви здатні, а також сильна присутність у соціальних медіа та особистий бренд, допомагає вам виділитися від інших кандидатів, а також з'єднає вас з наймаючими менеджерами та рекрутерами для роботи, на яку ви прекрасно підходить для.

Будьте готові до будь-якого інтерв'ю з науковими даними, щоб детально розповісти про всі елементи вашого резюме, портфоліо чи веб-сайту. Підготуйте свою відповідь про проект відповідно до вашої аудиторії. Якщо це початковий скринінг або панель з учасниками з різних підрозділів, слід зосередитись на тому, як ваша робота створила позитивні результати для клієнта та їх бізнесу.

Коли ви перейдете до тієї частини інтерв'ю, де ви зустрічаєтесь з іншим науковцем, інженером, аналітиком чи іншою технічною особою, потрібен більш детальний опис даних та процесів, що беруть участь у вашій роботі.

2. "Чому ти хочеш працювати в цій компанії?"

Навіть якщо з вами зв’язалися безпосередньо через ваш Інтернет-портфоліо або профіль LinkedIn та запросили на співбесіду для відкритої позиції, компанія все одно захоче знати, чому ви прийняли і чому ви думаєте, що ви будете добре підходити до роботи.

Крім підготовки до технічних навичок, ваша підготовка до співбесіди повинна включати дослідження бізнесу, до якого ви звертаєтесь. Інформація про їхню галузь, місію, персонал, що саме вони роблять та як добре вони роблять, допоможе вам скласти спеціально підібрану відповідь на це питання.

Поясніть, як ваш набір навичок допоможе їм досягти своїх цілей. Знайдіть спосіб висловити пристрасть до одного або декількох аспектів вашої рольової ролі, включаючи місію, філософію, інновації та продуктову лінійку компанії. Якщо це ваша робота мрії, може бути варто часу, щоб скласти проект наукової інформації перед інтерв'ю, який вирішить для них проблему - як привабливість нових демографічних чи планових поставок більш ефективно.

3. "Назвіть даних учених, яким ви найбільше захоплюєтесь, і поясніть, чому"

Хоча це дуже особисте запитання, яке технічно не має правильної відповіді, обрані вами відповіді дуже важливі. Ваше дослідження компанії, а також дослідження на панелі співбесіди можуть допомогти вам скласти гарне перше враження лише з цього питання.

Знаючи людей, які видатні в цій галузі, а також тих, хто зараз робить хвилі, покаже інтерв'юерам, що ви одночасно знаєте і захоплюєтесь галуззю. Корисно обговорити науковців, які оцінюються на конкретній арені, на яку ви претендуєте, як фінанси, медицина чи фондовий ринок.

Це питання є більш ніж вражаючим переліком імен. Частина рівняння "чому" також покаже потенційним роботодавцям, що ви цінуєте у своїй галузі та як підходите до своєї роботи. Якщо ваші дослідження показали, що компанія цінує інновації, цілісність або навіть певний статистичний метод, це прекрасна можливість дати їм знати, що ви поділяєте ці самі цінності.

4. "Як би ви пояснили механізм рекомендацій комусь із відділу маркетингу?"

Однією з важливих якостей, які виділяють науковців даних, крім інших технічних геніїв, є можливість перетворення, відображення та пояснення даних таким чином, щоб люди нетехнічні могли зрозуміти. Це робить такий запит одним із найважливіших запитань щодо інтерв'ю вченого. Інтерв'юери хочуть побачити, наскільки добре ви можете донести до будь-якої аудиторії такі поняття, як моделювання даних, дерева рішень та лінійна регресія.

У цьому конкретному випадку вам потрібно спочатку просто пояснити, як працює механізм рекомендацій, на прикладі фільтрування на основі вмісту та спільної фільтрації. Потім ви захочете обговорити, як ви можете працювати з відділом маркетингу, щоб поєднати їхні навички звернення до клієнтів із силою алгоритму, який використовує зібрані дані, щоб допомогти точно визначити, що хочуть споживачі.

5. "Які відмінності між контрольованим та непідконтрольним навчанням?"

Ви можете почати з підведення підсумків, що основна відмінність цих двох полягає в тому, що під керівництвом навчання є дані про навчання, з яких алгоритм може вчитися та давати відповіді. Навчання без нагляду потребує групування речей за схожістю, загальними аномаліями та іншими процесами пошуку образів, а не жорсткими та швидкими даними.

Інтерв'юер захоче, щоб ви детальніше розглядали, тому важливо перелічити конкретні відмінності та вміти говорити про різні використовувані алгоритми.

Контрольоване навчання

  • використовує відомі та мічені дані як вхідні дані
  • має механізм зворотного зв’язку
  • використовується для прогнозування
  • його загальні алгоритми включають дерево рішень, логістичну регресію, лінійну регресію, векторну машину підтримки та випадковий ліс

Навчання без нагляду

  • використовує незазначені дані як вхідні дані
  • не має механізму зворотного зв'язку
  • використовується для аналізу
  • його загальні алгоритми включають кластеризацію K-засобів, ієрархічну кластеризацію, автокодери та правила асоціації

Вам потрібно мати кілька прикладів, як загальних, так і конкретних проектів, над якими ви працювали, щоб проілюструвати відмінності між цими двома типами машинного навчання та в яких прикладах кожен може бути використаний. Наприклад, непідконтрольне навчання може використовуватися при запуску нового продукту, коли демографічні дані клієнта, до яких він може звернутися, невідомі.

Підписатися

Підпишіться на нашу розсилку для отримання дивовижнішого контенту та отримайте 20% ЗНИЖКУ на нашому тесті на кар’єру!

Підписатися

6. "Як уникнути ухилу відбору?"

Це питання може приймати різні форми інтерв'ю з науковими даними. Можливо, вам запропонують визначити ухил відбору, як цього уникнути або навести конкретний приклад того, як він відігравав роль у проекті, над яким працювали.

Основна проблема упередженості відбору полягає в тому, що висновки були зроблені з випадкової вибірки. Очевидно, найпростішим рішенням є завжди вибір із випадкової вибірки чітко визначеної сукупності. Вам потрібно буде детальніше пояснити, чому це не завжди можливо.

Майте на увазі, що оскільки ухил відбору може бути навмисним - якщо вибір предмету чи вилучення даних було зроблено спеціально для доведення попередньо задуманої теорії чи прогнозування, - це може бути непрямим способом для групи найму задати одне з таких складних питань інтерв'ю щодо етики та доброчесності на роботі .

Ви, нарешті, хочете підкреслити, як ухил відбору частіше буває випадковим або неминучим упередженим даними. Не забудьте детальніше ознайомитись із деякими областями, в яких може виникати зміщення вибору, включаючи вибірки, інтервал часу, дані та стирання. Потім наведіть декілька прикладів того, як використання таких методів, як перекомпонування та прискорення, може допомогти вам обійти не випадкові вибірки.

Якщо ви перебуваєте в частині інтерв'ю, коли ви розмовляєте з представниками менш технічних підрозділів, використовуйте легкозасвоюваний приклад, який чітко ілюструє зміщення вибору. Науковець Ерік Холлінгсворт посилається на урок, отриманий після спалаху пташиного грипу 2011 року, де «статистично обстежувались» лише дуже хворі особи ». Отримані 80% випадки смертності, настільки страшні через упередженість відбору, викликали значне побоювання.

7. "Як можна поводитись із значеннями зовнішніх?"

Це поширене питання для інтерв'ю для науковців, оскільки воно розкриває, як ви використовуєте дані, які ви отримуєте, методи, які ви використовуєте для обробки цих даних, і чи готові ви вкласти час для оцінки кожної частини цих даних.

Спочатку ви хочете поговорити про те, що являє собою зовнішній вигляд, як числа, що існують поза кластером даних на графіку, як 2–3 стандартних відхилення від середнього значення тощо. Наступним кроком до боротьби з чужими людьми є оцінка того, чому вони сталися.

Невелика кількість ексклюзивів, які можна віднести до простих помилок людини або машини, легко усуваються. Не забудьте зауважити, проте, що навіть один анонім може бути ключовим моментом, а не проблемою, оскільки це може свідчити про успіх єдиної маркетингової тактики, нового лікарського компонента чи лінійки продуктів.

Далі ви хочете пояснити, як боротися з великою кількістю людей, що потребують виживання, що вимагає більш складних рішень. Наприклад, вам може знадобитися змінити модель, яку ви використовуєте, нормалізувати дані до середнього або використовувати алгоритм випадкового лісу. Ще раз спробуйте використати справжній випадок зі свого досвіду як науковця даних, щоб пояснити правильну тактику.

8. "Чому важливо очищення даних?"

Збір та очищення даних є домінуючою частиною вашої роботи науковця, займаючи до 80% вашого часу. В яку б галузь ви не зверталися, питання інтерв'ю завжди включатимуть питання про те, чому важливо очищення даних. Інтерв'юери також запитають про ваші бажані методи очищення та програми.

Вам слід підкреслити, наскільки чисті дані необхідні, щоб зробити правильні висновки, але справа не лише в цифрах. Поясніть, як починаючи з повних, точних, достовірних та єдиних даних безпосередньо впливає на їхній бізнес. Основні переваги для обговорення включають:

  • покращення прийняття рішень щодо цілей компанії
  • прискорення залучення клієнтів та перенацілювання попередніх клієнтів
  • економія часу та ресурсів за рахунок усунення неточних або повторюваних даних
  • підвищення продуктивності праці
  • підвищив моральний дух команди завдяки багаторазовим ефективним та точним результатам

9. 'Яка мета A / B тестування?'

Питання щодо тестування A / B під час співбесіди на посаду вченого з даних можуть починатися з більш загальної посилання на використання експериментального дизайну, щоб відповісти на один запит про поведінку або уподобання користувача. Мета тестування змінної дизайну веб-сайтів, додатків чи інформаційних бюлетенів досить просто оцінити, чи зміна підвищить відсоток зацікавленості, залучення та конверсії.

Один із способів виділити себе у відповіді на такі типи запитань інтерв'ю - це обговорити, як інші вчені можуть зробити неправильні висновки під час тестування A / B. Можливі підводні камені:

  • не збираючи достатню кількість даних протягом досить тривалого періоду часу
  • тестування занадто багато змінних одночасно
  • не враховуючи зовнішніх факторів, які можуть впливати на трафік протягом періоду тестування
  • ігнорування невеликих прибутків, які можуть розвиватися з часом та поєднуватися з іншими позитивними змінами для збільшення доходу
  • відсутні великі інтерпретації великої картини, такі як чисті фінансові прибутки чи збитки відносно конверсійних курсів

Окрім вказівки на ці проблеми, вам потрібно буде висловити, як би ви їх вирішили, а ще краще, як ви вже уникали їх у своїх попередніх проектах з наукових даних.

10. "У вас є 48 годин, щоб вирішити цю проблему кодування."

Виклик кодування може бути початковим способом екранізації потенційних науковців даних, або це може бути другим кроком у процесі інтерв'ю після того, як ви очистите першу перешкоду з рекрутера або менеджера з найму. Це може бути тест на місці, який займає від 30 хвилин до 2 годин, коли ви будете кодувати на дошці або на клавіатурі в межах зору інтерв'юера. Вам часто дають вибір мови, але будьте готові до кодування в SQL або Python.

Деякі компанії призначають більш тривалі завдання, із строками до тижня. Проблеми на дошці можуть вимагати написання досить простих SQL запитів, але більш тривалі тести, звичайно, складніші. Як правило, вам будуть надані дані та запропоновано зробити конкретні прогнози, використовуючи ці дані, і вам доведеться показати свою роботу. Наприклад, нещодавній суб’єкт інтерв'ю вченого отримав дані Airbnb і попросив передбачити ціни на житло на основі особливостей розміщення.

Інтерв'юери захочуть обговорити з вами вибір, припущення, які ви зробили, функції, які ви вибрали, чому ви використовували певні алгоритми тощо. Часто відповідь, до якої ви дійшли, є менш важливою, ніж ваш процес, творчість, читабельність коду та дизайн.

Це може бути вражаючим інтерв'ю досвідом, тому підготуйтеся, створивши та завершивши практичні завдання з кодування з друзями чи колегами у галузі науки про дані. Ви також можете відвідати сайти, такі як Leetcode та SQLZOO для вправ на кодування. Фактичні інтерв'ю з проблемами алгоритмічного та системного дизайну доступні безкоштовно через Interviewing.io.

Як бачите, питання інтерв'ю для науковців можуть бути складними, а загальний процес може бути тривалим і виснажливим. Один з найважливіших порад щодо інтерв'ю - залишатися позитивним, навіть якщо ви відчуваєте, що частина інтерв'ю пройшла погано. Ми часто складніші за себе, ніж інші, і ти все-таки можеш влаштуватися на роботу, не отримуючи жодної відповіді настільки досконалою, як хотілося б.

Якщо ви пропустите таку можливість, попросіть відгук та скористайтеся нею для покращення вашого наступного інтерв'ю. Зрештою, багато відомих науковців даних були відхилені з декількох позицій і все ж таки досягли успіху в робочих місцях, які в кінцевому підсумку були найкраще придатними!

З якими питаннями та проблемами кодування ви стикалися, намагаючись влаштуватись на роботу з наукових даних? Приєднуйтесь до дискусії у коментарях нижче та допоможіть своїм колегам-науковцям підготуватися до наступного інтерв'ю!

Залиште Свій Коментар

Please enter your comment!
Please enter your name here