『壹』 面試數據分析師的常見問題
面試數據分析師的常見問題。數據分析師指的是不同行業中,專門從事行業數據搜集、整理、分析,並依據數據做出行業研究、評估和預測的專業人員。那麼在應聘數據分析師這一職位的求職者會面臨哪些面試問題呢?
1、告訴我二個分析或者計算機科學相關項目?你是如何對其結果進行衡量的?
2、如何讓一個網路爬蟲速度更快、抽取更好的信息以及更好總結數據從而得到一干凈的資料庫?
3、什麼是:提升值、關鍵績效指標、強壯性、模型按合度、實驗設計、2/8原則?
4、什麼是:協同過濾、n-grams, map rece、餘弦距離?
5、點擊流數據應該是實時處理?為什麼?哪部分應該實時處理?
6、如何設計一個解決抄襲的方案?
7、如何檢驗一個個人支付賬戶都多個人使用?
8、什麼是概率合並(AKA模糊融合)?使用SQL處理還是其它語言方便?對於處理半結構化的數據你會選擇使用哪種語言?
9、你認為哪個更好:是好的數據還是好模型?同時你是如何定義「好」?存在所有情況下通用的模型嗎?有你沒有知道一些模型的定義並不是那麼好?
10、你最喜歡的編程語言是什麼?為什麼?
11、你是如何處理缺少數據的?你推薦使用什麼樣的處理技術?
12、什麼是大數據的詛咒?
13、對於你喜歡的統計軟體告訴你喜歡的與不喜歡的3個理由。
14、SAS, R, Python, Perl語言的區別是?
15、你喜歡TD資料庫的什麼特徵?
16、你參與過資料庫與數據模型的設計嗎?
17、你是否參與過儀表盤的設計及指標選擇?你對於商業智能和報表工具有什麼想法?
18、請舉例說明maprece是如何工作的?在什麼應用場景下工作的很好?雲的安全問題有哪些?
19、如何你打算發100萬的營銷活動郵件。你怎麼去優化發送?你怎麼優化反應率?能把這二個優化份開嗎?
20、如果有幾個客戶查詢ORACLE資料庫的效率很低。為什麼?你做什麼可以提高速度10倍以上,同時可以更好處理大數量輸出?
21、如何把非結構化的數據轉換成結構化的數據?這是否真的有必要做這樣的轉換?把數據存成平面文本文件是否比存成關系資料庫更好?
22、什麼是哈希表碰撞攻擊?怎麼避免?發生的頻率是多少?
23、如何判別maprece過程有好的負載均衡?什麼是負載均衡?
24、你處理過白名單嗎?主要的規則?(在欺詐或者爬行檢驗的情況下)
25、(在內存滿足的情況下)你認為是100個小的哈希表好還是一個大的哈希表,對於內在或者運行速度來說?對於資料庫分析的評價?
26、為什麼樸素貝葉斯差?你如何使用樸素貝葉斯來改進爬蟲檢驗演算法?
27、普通線性回歸模型的缺陷是什麼?你知道的其它回歸模型嗎?
28、什麼是星型模型?什麼是查詢表?
29、你可以使用excel建立邏輯回歸模型嗎?如何可以,說明一下建立過程?
30、在SQL, Perl, C++, Python等編程過程上,待為了提升速度優化過相關代碼或者演算法嗎?如何及提升多少?
31、使用5天完成90%的精度的解決方案還是花10天完成100%的精度的解決方案?取決於什麼內容?
32、定義:QA(質量保障)、六西格瑪、實驗設計。好的與壞的實驗設計能否舉個案例?
33、什麼是敏感性分析?擁有更低的敏感性(也就是說更好的強壯性)和低的預測能力還是正好相反好?你如何使用交叉驗證?你對於在數據集中插入雜訊數據從而來檢驗模型的敏感性的想法如何看?
34、你認為葉數小於50的決策樹是否比大的好?為什麼?
35、保險精算是否是統計學的一個分支?如果不是,為何如何?
36、給出一個不符合高斯分布與不符合對數正態分布的數據案例。給出一個分布非常混亂的數案例。
37、你如何建議一個非參數置信區間?
38、你如何證明你帶來的演算法改進是真的有效的與不做任何改變相比?你對A/B測試熟嗎?
39、為什麼說均方誤差不是一個衡量模型的好指標?你建議用哪個指標替代?
40、對於一下邏輯回歸、決策樹、神經網路。在過去15年中這些技術做了哪些大的改進?
41、除了主成分分析外你還使用其它數據降維技術嗎?你怎麼想逐步回歸?你熟悉的逐步回歸技術有哪些?什麼時候完整的數據要比降維的數據或者樣本好?
42、如何創建一個關鍵字分類?
43、你熟悉極值理論、蒙特卡羅邏輯或者其它數理統計方法以正確的評估一個稀疏事件的發生概率?
44、什麼是歸因分析?如何識別歸因與相關系數?舉例。
45、如何定義與衡量一個指標的預測能力?
46、如何為欺詐檢驗得分技術發現最好的規則集?你如何處理規則冗餘、規則發現和二者的本質問題?一個規則集的近似解決方案是否可行?如何尋找一個可行的近似方案?你如何決定這個解決方案足夠好從而可以停止尋找另一個更好的?
47、什麼是概念驗證?
48、什麼是僵屍網路?如何進行檢測?
49、你有使用過API介面的經驗嗎?什麼樣的API?是谷歌還是亞馬遜還是軟體即時服務?
50、什麼時候自己編號代碼比使用數據科學者開發好的軟體包更好?
51、可視化使用什麼工具?在作圖方面,你如何評價Tableau?R?SAS?在一個圖中有效展現五個維度?
52、是假陽性好還是假陰性好?
53、你主要與什麼樣的客戶共事:內部、外部、銷售部門/財務部門/市場部門/IT部門的人?有咨詢經驗嗎?與供應商打過交道,包括供應商選擇與測試。
54、你熟悉軟體生命周期嗎?及IT項目的生命周期,從收入需求到項目維護?
55、什麼是cron任務?
56、你是一個獨身的編碼人員?還是一個開發人員?或者是一個設計人員?
57、什麼讓一個圖形使人產生誤解、很難去讀懂或者解釋?一個有用的圖形的特徵?
58、你熟悉價格優化、價格彈性、存貨管理、競爭智能嗎?分別給案例。
59、Zillow』s演算法是如何工作的?
60、如何檢驗為了不好的目的還進行的虛假評論或者虛假的FB帳戶?
61、你如何創建一個新的匿名數字帳戶?
62、你有沒有想過自己創業?是什麼樣的想法?
63、你認為帳號與密碼輸入的登錄框會消失嗎?它將會被什麼替代?
64、你用過時間序列模型嗎?時滯的相關性?相關圖?光譜分析?信號處理與過濾技術?在什麼樣的場景下?
65、哪位數據科學有你最佩服?從哪開始?
66、你是怎麼開始對數據科學感興趣的?
67、你覺得下一個20年最好的5個預測方法是?
68、什麼是推薦引擎?它是如何工作的?
69、什麼是精密測試?如何及什麼時候模擬可以幫忙我們不使用精密測試?
70、你認為怎麼才能成為一個好的數據科學家?
71、你認為數據科學家是一個藝術家還是科學家?
72、你怎麼馬上就知道在一篇文章中(比如報紙)發表的統計數字是錯誤,或者是用作支撐作者的論點,而不是僅僅在羅列某個事物的信息?例如,對於每月官方定期在媒體公開發布的失業統計數據,你有什麼感想?怎樣可以讓這些數據更加准確?
73、給出一些在數據科學中「最佳實踐的案例」。
74、什麼是效率曲線?他們的缺陷是什麼,你如何克服這些缺陷?
75、你處理過的最大的數據量?你是如何處理他們的?處理的結果。
76、什麼是一個好的、快速的聚類演算法的的計算復雜度?什麼好的聚類演算法?你怎麼決定一個聚類的聚數?
77、你知道使用在統計或者計算科學中的「經驗法則」嗎?或者在商業分析中。
上述的這些問題在面試數據分析師的求職者中非常容易遇到的,有些的涉及到專業性的問題,因此在面試之前一定要做好充足的准備!
『貳』 數據分析師面試經驗
數據分析師面試經驗
經常被問到一個問題,數據分析師或者數據挖掘工程師面試都問什麼問題啊?特別是以下幾類人群:
1、想轉行做數據分析工作的朋友。
2、之前在比較小的公司做數據分析師,去大公司面試。
3、在校大學生。
在回答這些問題之前,先談我的一個面試經歷,記得之前我在一家小公司做數據分析師的時候,有朋友推薦我去一家大公司去面試數據分析師。當時我也在想,在面試大公司的數據分析師一定會問:
1、你做過哪些模型?
2、用什麼工具做的啊?
3、你會或者知道哪些演算法啊?
4、數據量有多大?
.......
但是當我去溝通下來的時候,問關於數據挖掘模型演算法原理、使用什麼工具的東西不多。更多是問一些關於項目背景、怎麼思考這些項目、如何使用這些模型結果、怎麼推動業務方去使用數據結果。【坦白說當時覺得不可思議,怎麼問這些問題呢?】
所以大家在面試數據分析崗位的時候,基礎知識是必須的。但是更多要關注數據實現數據價值,特別是從事一段時間數據分析同學,但如果僅僅是剛准備從事數據分析同學,基礎的專業知識與技能肯定是面試必問的話題。如果這家公司希望未來培養或者招的真的做數據分析的,那就會像我面試碰到的,一定也會很關注面試之外的問題。
回到具體面試的問題,PS:這里我僅僅談談我的幾點看法和我面試中會問到的幾個問題,以及我為什麼會為這些問題。
一、了解你面試崗位的工作性質
1、你對於你面試崗位價值的理解。
2、你覺得這個崗位大概的工作內容。
3、對於公司的理解。
二、溝通表達/邏輯思維
1、說一下你過往做的一些項目/說說你以前的工作經歷。
2、你之前做過的一些專業分析。
3、你之前做過的模型。
4、之前是如何與業務方打交道的。
三、對於數據與商業的理解
1、如何理解數據敏感性?
2、你覺得數據怎麼體現其商業價值?能否舉個例子。
四、專業技能
1、基礎的統計學知識。
2、數據挖掘基本的演算法。
3、怎麼評估模型好壞。
4、使用的工具。
5、數據挖掘流程。
6、怎麼清洗變數【例如:指標定義、缺失值處理】。
7、怎麼解決建模中會碰到一些技術問題【例如:共線性、不同模型針對的.數據類型】。
五、學習能力
1、是怎麼學習專業知識。
2、怎麼學習業務知識。
六、職業發展
1、未來3年的職業規劃。
2、要實現這些規劃計劃是怎麼樣。
我把面試過程可以會問幾類問題,不同的面試官可以側重點不一樣。我想和所有面試數據分析師的朋友說的:
1、面試過程中大家是平等的。不要太弱勢也不要太強勢。
2、把你之前的工作有條理的表達出來。
3、面試一些問題的時候,可以想一想。我個人覺得,並不是所有的問題必須別人一問完,立即回答。
4、把面試當作一種學習與經歷。關鍵是從一些面試中你能發現自己不足。
另外一些小tips:
1、面試之前了解這個崗位。了解一下這個公司。花點時間在面試公司和崗位,了解了解人家公司是干什麼,如果你對這家公司特別感興趣,去網站上看看,去體驗體驗人家公司的產品和服務。會讓面試的人感覺到尊重。當然太貴就算了。
2、如果有認識的人或者通過一些渠道先了解一下你面試的公司,部門情況到底是怎麼樣的。到底要招什麼樣的人。
3、很多企業的招聘與實際需要的人之間有很大的出入。
4、投遞簡歷前:花點時間在簡歷上:要看到一份沒有錯別字且能把之前工作寫清楚在一張紙上真的很少。
5、機會是留給有準備的人。你准備好了嗎?每次面試結束看,看看自己的不足,然後一定立即去學起來。
『叄』 2020年數據分析面試解答技巧:問答題
【導讀】眾所周知,隨著社會的發展,數據分析師成為了炙手可熱的熱門執業,一方面是其高薪待遇另一方面就是其未來廣闊的發展前景。一般情況下用人單位會給問答題和動手題來檢測應聘者的真實實力,可以說面試筆試是非常重要的一個環節。它可以直接測驗你對數據分析具體理論的掌握程度和動手操作的能力。為此小編就以此為例和大家說說2020年數據分析面試解答技巧:問答題,希望對大家有所幫助。
問答題
1. 用一種編程語言,實現 1+2+3+4+5+…+100。
這道題考察的就是語言基礎,你可以用自己熟悉的語言完成這道題,比如 Python、Java、PHP、C++ 等。這里我用 Python 舉例:
sum = 0
for number in range(1,101):
sum = sum + number
print(sum)
2. 如何理解過擬合?
過擬合和欠擬合一樣,都是數據挖掘的基本概念。過擬合指的就是數據訓練得太好,在實際的測試環境中可能會產生錯誤,所以適當的剪枝對數據挖掘演算法來說也是很重要的。
欠擬合則是指機器學習得不充分,數據樣本太少,不足以讓機器形成自我認知。
3. 為什麼說樸素貝葉斯是「樸素」的?
樸素貝葉斯是一種簡單但極為強大的預測建模演算法。之所以稱為樸素貝葉斯,是因為它假設每個輸入變數是獨立的。這是一個強硬的假設,實際情況並不一定,但是這項技術對於絕大部分的復雜問題仍然非常有效。
4. SVM 最重要的思想是什麼?
SVM 計算的過程就是幫我們找到超平面的過程,它有個核心的概念叫:分類間隔。SVM
的目標就是找出所有分類間隔中最大的那個值對應的超平面。在數學上,這是一個凸優化問題。同樣我們根據數據是否線性可分,把 SVM 分成硬間隔 SVM、軟間隔 SVM
和非線性 SVM。
5. K-Means 和 KNN 演算法的區別是什麼?
首先,這兩個演算法解決的是數據挖掘中的兩類問題。K-Means是聚類演算法,KNN是分類演算法。其次,這兩個演算法分別是兩種不同的學習方式。K-Means是非監督學習,也就是不需要事先給出分類標簽,而KNN是有監督學習,需要我們給出訓練數據的分類標識。最後,K值的含義不同。K-Means中的K值代表K類。KNN中的K值代表K個最接近的鄰居。
以上就是小編今天給大家整理發送的關於「2020年數據分析面試解答技巧:問答題」的相關內容,希望對大家有所幫助。想了解更多關於數據分析及人工智慧就業崗位分析,關注小編持續更新。