Znanost o podacima je polje koje uključuje korištenje znanstvenih metoda, principa, procesa, sustava i algoritama za izdvajanje podataka, informacija, znanja i uvida iz različitih izvora primarnih i sekundarnih podataka koji mogu biti strukturirani ili nestrukturirani, a također uključuje primjenu znanja i uvide iz širokog raspona domena primjene kako biste dobili djelotvorne rezultate.
Ovo polje pomaže organizacijama i tvrtkama da preciziraju i identificiraju ciljanu publiku stvaranjem kombinacije postojećih i novih podataka za razvoj vrijednih uvida. Znanost o podacima također pomaže u zapošljavanju menadžera da generiraju podatkovne točke koje im mogu pomoći da zaposle najboljeg mogućeg kandidata za određenu radnu ulogu.
Ukratko, ovo područje ima vrlo širok opseg i višestruke uloge i ciljeve. Znanstvenici podataka su profesionalci koji su odgovorni za identifikaciju, prikupljanje, organiziranje, analizu i tumačenje velikih količina podataka i njihovo korištenje za razvoj korisnih uvida koji mogu pomoći tvrtki da postigne željene ciljeve.
Sada kada su tvrtke i organizacije počele cijeniti i shvatile važnost velikih podataka, potražnja za podatkovnim znanstvenicima i dalje raste, što ih čini unosnom karijerom i jednim od najbolje plaćenih poslova u poslovnoj industriji. Dakle, imate vještine, kvalifikacije i znanje za isto, predlažemo da to učinite.
U ovom ćemo vam članku pomoći u pripremi za intervju s Data Scientistom putem popisa od 21 često postavljanog pitanja s odgovorima.
Uobičajeno 21 pitanje za intervju za znanstvenika podataka
Pitanje 1. Na koga se ugledate kada je u pitanju Data Science?
Odgovor: “Postoje dvije osobe u kojima gledam kao uzor za svoje područje i oni to i jesu
- Kenneth Cukier: Ugledam se na njega jer sam pročitao njegovu knjigu Big Data: revolucija koja će promijeniti način na koji živimo, radimo i razmišljamo. Provodi istraživanje umjetne inteligencije u vrhunskim srednjim školama i vrlo je temeljit urednik podataka za The Economist.
- Druga osoba u koju se ugledam je Bernard Marr, on je strateški savjetnik za uvid u podatke za tvrtke i vladu. On je također jedan od pet najboljih poslovnih utjecaja i jako se divim njegovim spisima i učenjima.”
Pitanje 2. Data Science je stresan posao, kako se nosite sa stresom?
Odgovor: „Poučen iz svojih prošlih radnih iskustava, svjestan sam da morate raditi u vrlo stresnom okruženju i da nadređeni uvijek postavljaju velika očekivanja od vašeg učinka. Dakle, kako bih izbjegao umor ili stres, uzimam 5-10 minuta pauze nakon završetka zadatka kako bih ostao produktivan tijekom dana.”
Pitanje 3. Kako se strojno učenje razlikuje od podatkovne znanosti?
Odgovor: Strojno učenje znači skupinu tehnika koje koriste podatkovni znanstvenici koje omogućuju modernim strojevima poput računala da uče iz podataka, dok podatkovna znanost ima za cilj korištenje znanstvenog pristupa za izvlačenje podataka i razvijanje uvida iz podataka.”
Pitanje 4. Kako možete izbjeći pretjerano opremanje vašeg modela?
Odgovor: „Kada je model postavljen samo za malu količinu podataka i zanemaruje širu sliku, to se odnosi na prekomjerno opremanje, a kako bih to izbjegao, držat ću model nesloženim uzimajući u obzir nekoliko varijabli, tako da se složenost podataka smanji a upotreba tehnika unakrsne provjere također može pomoći da se izbjegne prekomjerno opremanje.”
Pitanje 5. Što je logistička regresija?
Odgovor: “Može se definirati kao tehnika za predviđanje binarnog ishoda iz linearne kombinacije prediktorskih varijabli. Također se naziva i logit model. Ishod predviđanja je binarni, tj. 0 ili 1. Primjer takvog koncepta mogla bi biti mogućnost da vođa pobijedi na izborima.
Pitanje 6. Koje čimbenike provjeravate kako biste osigurali kvalitetu podataka?
Odgovor: “Kako bih provjerio kvalitetu podataka, uvijek ih provjeravam
- Točnost
- Integritet
- Dosljednost
- potpunost
- konformizam
- Jedinstvenost"
Pitanje 7. Kakvu ulogu ima statistika u znanosti o podacima?
Odgovor: “Statistika igra vrlo važnu ulogu u znanosti o podacima. Ključno je pomoći znanstvenicima koji se bave podacima u stjecanju boljeg uvida u očekivanja korisnika i potrošača. Znanstvenik za podatke može steći znanje o raznim važnim stvarima kao što su interes i ponašanje potrošača, trendovi i angažman, zadržavanje itd. Ukratko, pomaže u izgradnji robusnih modela podataka za provjeru valjanosti predviđanja i zaključaka.”
Pitanje 8. Što je RDBMS? Imate li saznanja o tome?
Odgovor: “RDBMS je kratica za softver za upravljanje relacijskom bazom podataka koji se temelji na relacijskom modelu za stvaranje baze podataka za pohranu podataka. Da, koristio sam MySQL koji je sam softver za relacijsku bazu podataka za pohranjivanje podataka u obliku tablica i baza podataka korištenjem upita za dodavanje, ažuriranje, brisanje i izmjenu podataka.”
Pitanje 9. Zašto želite raditi u ovoj tvrtki kao data scientist?
Odgovor: „U tehnološkom sam području od srednje škole i imam kvalifikacije iz računalne znanosti i strastveno radim kao podatkovni znanstvenik jer volim raditi s podacima i brojevima, kao i sa svim kodiranjem i programiranjem. Oduvijek sam želio raditi u tvrtki koja se temelji na podacima kao što je vaša i zato se veselim što ću raditi kao podatkovni znanstvenik za vašu tvrtku.”
Pitanje 10. Imate li prethodno radno iskustvo koje je relevantno za ovu ulogu?
Odgovor: “Da, radio sam kao podatkovni znanstvenik pripravnik za tehnološku tvrtku gdje je moja uloga bila prikupljanje povratnih informacija od kupaca i privlačenje više kupaca s više platformi, online i offline. Moja je glavna uloga bila prikupiti informacije o tome što većina kupaca smatra problemom s uređajem koji im je izdala tvrtka. Naučio sam puno vještina iz tog posla i siguran sam da će se ta vještina prenijeti i na ovu ulogu.”
Pitanje 11. Što podrazumijevate pod tehnikom modela unakrsnog vrednovanja?
Odgovor: „Unakrsna provjera valjanosti je tehnika provjere valjanosti modela. To je tehnika za procjenu kako se analiza statistike generalizira u neovisni skup podataka. Ova tehnika se uglavnom koristi za evaluaciju modela strojnog učenja.”
Pitanje 12. Kako prihvaćate izazove na radnom mjestu?
Odgovor: „Podatkovna znanost izazovno je područje, au timskom okruženju kao što je ovo u kojem se moramo suočiti s malim natjecanjem među kolegama za bolji učinak, bolje je prihvatiti izazove u obliku motivacije da bismo mogli raspravljati o različitim načinima kako možemo riješiti problem. Moje vještine rješavanja problema i vještine kritičkog razmišljanja pomažu mi da se suočim s tim izazovima na radnom mjestu.”
Pitanje 13. Je li uvijek poželjno imati velike količine podataka?
Odgovor: “Ovisi o slučaju i situaciji. Analiza kao što je analiza unakrsne koristi može nam pomoći da odredimo jesu li velike količine podataka poželjnije ili ne. Velika količina prikupljenih podataka značit će veliki broj troškova uključenih u proces i stoga je ova odluka vrlo važna kada se radi o prikupljanju podataka od velikog broja subjekata.
Pitanje 14. U kojim slučajevima je potrebno izvršiti ponovno uzorkovanje podataka?
Odgovor: „Ponovno uzorkovanje se provodi kada se potvrđuju modeli koristeći nasumične podskupove dok se zamjenjuju oznake na podatkovnim točkama prilikom izvođenja potrebnih testova i procjenjuje točnost uzorka statistike nasumičnim crtanjem sa zamjenom iz upotrebe kao podskupova dostupnih podataka ili zamjenom iz skupa podatkovne točke. ”
Pitanje 15. Koja su četiri algoritma koja se često koriste od strane podatkovnih znanstvenika?
Odgovor: “1. Linearna regresija, 2. KNN, 3. Logistika
Regresija i slučajna šuma."
Pitanje 16. Koje vještine imate kao podatkovni znanstvenik?
Odgovor: „Budući da sam podatkovni znanstvenik, imam pristojne vještine phython kodiranja, nestrukturiranih podataka, dobro sam upućen u statistiku, ekstrakciju podataka i također znam kako koristiti većinu popularnih analitičkih alata. Iznimno sam dobar s brojevima i izračunima, što me čini boljim kandidatom za ovo područje.”
Pitanje 17. Što podrazumijevate pod korelacijom?
Odgovor: „Korelacija se može definirati kao statistička mjera koja izražava koliko su dvije varijable linearno povezane i kako se mijenjaju konstantnom brzinom. Postoje tri vrste,
- Pozitivan
- Negativan
- Nema korelacije”
Pitanje 18. Ima li nešto što želite pitati ili razjasniti?
Odgovor: Odgovorite na ovo pitanje tako što ćete poslodavcu postaviti dodatna pitanja vezana uz tvrtku kako biste pokazali svoju znatiželju i interes za suradnju s tvrtkom.
Pitanje 19. Kakvo je vaše iskustvo kao podatkovni znanstvenik?
Odgovor: “U ovom sam području već više od godinu dana i istražio sam širok raspon skupova podataka. Sada sam svjestan što tvrtke traže u podatkovnom znanstveniku i namjeravam raditi na tome. Znam kako funkcionira poslovna analitika i želim znati više o ovom području, uključujući umjetnu inteligenciju.”
Pitanje 20. Kako za vas izgleda tipičan dan na poslu?
Odgovor: “Moje radne obveze uključivale bi većinu vremena provedenog na istraživanju podataka i pisanju algoritama i programa za odgovor na pitanja vezana uz skupove podataka. Također bih bio odgovoran za izradu izvješća i njihovo prenošenje upravitelju.”
Pitanje 21. Što vam se najviše ne sviđa u poslu podatkovnog znanstvenika?
Odgovor: “Pa, apsolutno volim to što radim, ali jedna stvar koja me muči oko posla podatkovnog znanstvenika jest to što ponekad zahtijeva puno strpljenja i radim na razvijanju te razine strpljenja učeći i stječući praktično iskustvo u ovome polje."
Preuzmite popis pitanja u .PDF formatu, kako biste kasnije vježbali s njima ili ih upotrijebili na svom predlošku za intervju (za intervjue s Data Scientistom):
Reference
https://link.springer.com/chapter/10.1007/978-3-319-04948-9_2
Uložio sam mnogo truda u pisanje ovog posta na blogu kako bih vam pružio vrijednost. Bit će mi od velike pomoći ako razmislite o tome da to podijelite na društvenim medijima ili sa svojim prijateljima/obitelji. DIJELJENJE JE ♥️
Sandeep Bhandari je osnivač web stranice PrepMyCareer.com.
Profesionalni sam bloger s punim radnim vremenom, digitalni trgovac i trener. Volim sve što je povezano s webom i pokušavam učiti nove tehnologije svaki dan.
Sve poslove upravljanja timom, kreiranja sadržaja i monetizacije obavljam ja. Zajedno s timom u PrepMyCareeru, cilj je pružiti koristan i privlačan sadržaj našim čitateljima.