10 Συνήθως Ερωτηθείσες Ερωτήσεις Συνέντευξης Επιστήμονα Δεδομένων

Το πεδίο της επιστήμης των δεδομένων εξελίσσεται συνεχώς, καλύπτει διάφορες βιομηχανίες και απαιτεί ένα εκτεταμένο σύνολο δεξιοτήτων που περιλαμβάνει τα μαθηματικά, τις στατιστικές, τον προγραμματισμό και το μάρκετινγκ. Ως εκ τούτου, να γίνει ένας επιστήμονας δεδομένων απαιτεί ένα εντυπωσιακό μείγμα τεχνικών δεξιοτήτων, δημιουργικότητας και επικοινωνίας.

Οι περιγραφές εργασίας για τους επιστήμονες δεδομένων μπορούν να διαφέρουν πολύ, αν και όλοι αναζητούν υποψήφιους με έναν μακρύ κατάλογο των πλέον επιθυμητών δεξιοτήτων εργασίας όπως η κριτική σκέψη, η επίλυση προβλημάτων, η ανάλυση δεδομένων, η συναισθηματική νοημοσύνη, η προσοχή στη λεπτομέρεια και η ομαδική εργασία. Αυτό σημαίνει ότι οι ερωτήσεις συνέντευξης για τους επιστήμονες δεδομένων μπορούν να καλύψουν αρκετά διαφορετικά θέματα και να κυμαίνονται από τυπικά ερωτήματα μαλακών δεξιοτήτων έως εξαιρετικά τεχνικές συζητήσεις.

Οι συνεντεύξεις επιστήμης δεδομένων απαιτούν πολλή προετοιμασία. Είτε είστε φρέσκο ​​από μια κορυφαία σχολή πληροφορικής ή θέλετε να μετακινηθείτε σε μια διαφορετική εταιρεία ή βιομηχανία, θα πρέπει να αφιερώσετε χρόνο για να ξεπεράσετε τις κύριες έννοιες της δουλειάς σας. Ακριβώς όπως ξέρετε πώς να οδηγείτε αλλά ίσως έχετε πρόβλημα να απαγγέλλετε συγκεκριμένους κανόνες του δρόμου, μπορεί να κολλήσετε σε μια συνέντευξη που προσπαθεί να διατυπώσει πώς λειτουργεί ένας συγκεκριμένος αλγόριθμος.

Για να σας βοηθήσουμε να προετοιμάσετε, έχουμε συντάξει 10 από τις πιο συνηθισμένες ερωτήσεις συνέντευξης επιστημόνων δεδομένων. Από πρώιμες προβολές σε βιντεοκλήσεις δευτεροβάθμιας και τρίτης φάσης και σε συνεντεύξεις εντός του χώρου, θα συναντήσετε μια μεγάλη ποικιλία εξετάσεων όπως αυτές των τεχνικών δεξιοτήτων σας, των δυνατοτήτων επικοινωνίας και του τρόπου εργασίας.

1. "Πείτε μας περισσότερα για το πιο πρόσφατο έργο του χαρτοφυλακίου σας".

Οι επιστήμονες δεδομένων είναι σε ζήτηση σε πολλές διαφορετικές βιομηχανίες, αλλά οι εταιρείες συχνά ψάχνουν για κάποιον με πολύ συγκεκριμένες δεξιότητες καθώς και για μια κατάλληλη κουλτούρα. Ένα λεπτομερές σε απευθείας σύνδεση χαρτοφυλάκιο που εμφανίζει το είδος της εργασίας που είστε σε θέση, καθώς και μια ισχυρή παρουσία των κοινωνικών μέσων ενημέρωσης και προσωπική μάρκα, σας βοηθά να ξεχωρίζετε από άλλους υποψηφίους, καθώς και να συνδεθείτε με τους διαχειριστές μίσθωσης και recruiters για τις θέσεις εργασίας που είστε τέλεια ταίριαξε σε.

Να είστε προετοιμασμένοι σε οποιαδήποτε συνέντευξη επιστημών δεδομένων για να μιλήσετε εκτενώς για όλα τα στοιχεία του βιογραφικού σημειώματος, του χαρτοφυλακίου ή του ιστοτόπου σας Προσαρμόστε την απάντησή σας σχετικά με ένα έργο που ταιριάζει στο κοινό σας. Εάν πρόκειται για μια αρχική προβολή ή μια ομάδα με συμμετέχοντες από μια ποικιλία τμημάτων, θα πρέπει να εστιάσετε στους τρόπους με τους οποίους η εργασία σας δημιούργησε θετικά αποτελέσματα για τον πελάτη και την επιχείρησή του.

Όταν φτάσετε στο τμήμα της διαδικασίας συνέντευξης όπου συναντάτε κάποιον άλλον επιστήμονα δεδομένων, μηχανικό, αναλυτή ή άλλο τεχνικό πρόσωπο, απαιτείται μια πιο λεπτομερής περιγραφή των δεδομένων και διαδικασιών που εμπλέκονται στην εργασία σας.

2. Γιατί θέλετε να εργαστείτε για αυτή την εταιρεία;

Ακόμη και αν επικοινωνήσατε απευθείας μέσω του διαδικτυακού χαρτοφυλακίου σας ή του προφίλ του LinkedIn και σας προσκαλούσαμε σε συνέντευξη για μια ανοιχτή θέση, η εταιρεία θα θέλει ακόμα να μάθει γιατί έχετε αποδεχτεί και γιατί νομίζετε ότι θα είστε κατάλληλος για τη δουλειά.

Εκτός από το να βουρτσίζετε τις τεχνικές δεξιότητές σας, η προετοιμασία σας για τη συνέντευξη πρέπει να περιλαμβάνει έρευνα για την επιχείρηση στην οποία υποβάλλετε αίτηση. Οι πληροφορίες για τη βιομηχανία, την αποστολή, το προσωπικό τους, ακριβώς τι κάνουν και πόσο καλά το κάνουν, θα σας βοηθήσουν να δημιουργήσετε μια ειδικά προσαρμοσμένη απάντηση σε αυτή την ερώτηση.

Αντιμετώπιση του τρόπου με τον οποίο η ικανότητά σας θα σας βοηθήσει να επιτύχετε τους στόχους σας. Βρείτε έναν τρόπο να εκφράσετε πάθος για μία ή περισσότερες πτυχές του ρόλου της εργασίας σας, συμπεριλαμβανομένης της αποστολής, της φιλοσοφίας, της καινοτομίας ή της σειράς προϊόντων της εταιρείας. Αν αυτή είναι η δουλειά των ονείρων σας, μπορεί να αξίζει τον κόπο να δημιουργήσετε ένα έργο επιστήμης δεδομένων μπροστά από τη συνέντευξη που θα λύσει ένα πρόβλημα γι 'αυτούς - όπως η ελκυστικότερη προσφορά νέων δημογραφικών ή προγραμματιστικών παραδόσεων.

3. Ονομάστε τους επιστήμονες των δεδομένων που θαυμάζετε περισσότερο και εξηγήστε γιατί.

Ενώ πρόκειται για μια πολύ προσωπική ερώτηση που δεν έχει σωστή απάντηση από τεχνική άποψη, οι απαντήσεις που επιλέγετε είναι πολύ σημαντικές. Η έρευνά σας σχετικά με την εταιρεία, καθώς και εκείνες στην ομάδα συνέντευξης, μπορεί να σας βοηθήσει να κάνετε μια καλή πρώτη εντύπωση με αυτό το ερώτημα και μόνο.

Γνωρίζοντας τους ανθρώπους που είναι προεξέχοντες στον τομέα καθώς και εκείνοι που κάνουν τώρα τα κύματα θα δείξει στους ερευνητές ότι είστε και οι δύο γνώστες και παθιασμένοι με τη βιομηχανία. Είναι χρήσιμο να συζητήσετε επιστήμονες δεδομένων που αποτιμώνται στη συγκεκριμένη αρένα σταδιοδρομίας για την οποία υποβάλετε αίτηση, όπως η χρηματοδότηση, η ιατρική ή η χρηματιστηριακή αγορά.

Αυτή η ερώτηση δεν είναι απλώς μια εντυπωσιακή λίστα με ονόματα. Το τμήμα «γιατί» της εξίσωσης θα δείξει στους υποψήφιους εργοδότες σας τι αξία έχετε στον τομέα σας και πώς θα πλησιάσετε την εργασία σας. Εάν η έρευνά σας έχει δείξει ότι η εταιρεία αξιολογεί την καινοτομία, την ακεραιότητα ή ακόμα και μια συγκεκριμένη στατιστική μέθοδο, αυτή είναι μια μεγάλη ευκαιρία για να τους ενημερώσετε ότι μοιράζεστε αυτές τις ίδιες αξίες.

4. 'Πώς θα εξηγούσατε μια μηχανή συστάσεων σε κάποιον από το τμήμα μάρκετινγκ;'

Μια από τις σημαντικές ιδιότητες που θέτουν τους επιστήμονες δεδομένων εκτός από άλλες τεχνικές ιδιοφυΐες είναι η δυνατότητα να μετατρέπουν, να εμφανίζουν και να εξηγούν δεδομένα με τρόπο που οι μη τεχνικοί άνθρωποι μπορούν να καταλάβουν. Αυτό κάνει ένα ερώτημα σαν αυτή μία από τις πιο σημαντικές ερωτήσεις συνέντευξης επιστήμονα δεδομένων που θα συναντήσετε. Οι ερωτηθέντες θέλουν να δουν πόσο καλά μπορείτε να επικοινωνείτε με έννοιες όπως η μοντελοποίηση δεδομένων, τα δέντρα αποφάσεων και η γραμμική παλινδρόμηση σε οποιοδήποτε κοινό.

Σε αυτή τη συγκεκριμένη περίπτωση, θα πρέπει πρώτα να εξηγήσετε με απλά λόγια πώς λειτουργεί ένας μηχανισμός συστάσεων, με παραδείγματα φιλτραρίσματος βάσει περιεχομένου και φιλτραρίσματος φιλτραρίσματος. Στη συνέχεια, θα θέλετε να συζητήσετε πώς μπορείτε να εργαστείτε με το τμήμα μάρκετινγκ για να συνδυάσετε τις δεξιότητές τους να απευθύνονται σε πελάτες με τη δύναμη του αλγορίθμου που χρησιμοποιεί δεδομένα που συλλέγονται για να βοηθήσουν να εντοπίσουν τι θέλουν οι καταναλωτές.

5. «Ποιες είναι οι διαφορές μεταξύ της εποπτευόμενης και της μη εποπτευόμενης μάθησης;»

Μπορείτε να ξεκινήσετε συνοψίζοντας ότι η κύρια διαφορά μεταξύ αυτών των δύο είναι ότι η εποπτευόμενη μάθηση έχει δεδομένα εκπαίδευσης που ο αλγόριθμος μπορεί να μάθει από και να δώσει απαντήσεις. Η μη εποπτευόμενη μάθηση απαιτεί την ομαδοποίηση των πραγμάτων από ομοιότητες, κοινές ανωμαλίες και άλλες διεργασίες αναζήτησης προτύπων και όχι από σκληρά και γρήγορα δεδομένα.

Ο ερευνητής θα σας ζητήσει να πάτε σε περισσότερες λεπτομέρειες, οπότε είναι σημαντικό να αναφέρετε τις συγκεκριμένες διαφορές και να είστε σε θέση να μιλήσετε για τους διάφορους αλγορίθμους που χρησιμοποιούνται.

Εποπτευόμενη Μάθηση

  • χρησιμοποιεί δεδομένα γνωστά και επισημασμένα ως δεδομένα
  • έχει έναν μηχανισμό ανάδρασης
  • που χρησιμοποιούνται για την πρόβλεψη
  • οι συνήθεις αλγόριθμοί του περιλαμβάνουν δέντρο απόφασης, λογική παλινδρόμηση, γραμμική παλινδρόμηση, μηχανή φορέα υποστήριξης και τυχαία δάση

Μη εποπτευόμενη μάθηση

  • χρησιμοποιεί μη ετικετοποιημένα δεδομένα ως είσοδο
  • δεν διαθέτει μηχανισμό ανάδρασης
  • χρησιμοποιείται για ανάλυση
  • οι συνηθισμένοι αλγόριθμοί του περιλαμβάνουν την ομαδοποίηση Κ-μέσων, την ιεραρχική συσσωμάτωση, τους αυτόματους κωδικοποιητές και τους κανόνες σύνδεσης

Θα θελήσετε να έχετε μερικά παραδείγματα, είτε γενικά είτε από ένα συγκεκριμένο έργο στο οποίο εργαστήκατε, για να απεικονίσετε τις διαφορές μεταξύ αυτών των δύο τύπων μηχανικής μάθησης και σε ποιες περιπτώσεις μπορεί να χρησιμοποιηθεί κάθε μία από αυτές. Για παράδειγμα, η μη επιτηρούμενη μάθηση μπορεί να χρησιμοποιηθεί κατά την εκκίνηση ενός νέου προϊόντος, όπου δεν είναι γνωστά τα δημογραφικά στοιχεία του πελάτη.

Εγγραφείτε

Εγγραφείτε στο ενημερωτικό μας δελτίο για πιο φοβερό περιεχόμενο και κερδίστε 20% OFF το τεστ καριέρας μας!

Εγγραφείτε

6. «Πώς αποφεύγετε τη μεροληψία επιλογής;

Αυτή η ερώτηση μπορεί να πάρει πολλές μορφές σε μια συνέντευξη επιστημονικών δεδομένων. Μπορεί να σας ζητηθεί να ορίσετε προκαθορισμένη επιλογή, πώς να την αποφύγετε ή να δώσετε ένα συγκεκριμένο παράδειγμα για το πώς έπαιξε κάποιο ρόλο σε ένα έργο στο οποίο εργαστήκατε.

Το κύριο ζήτημα με τη μεροληψία επιλογής είναι ότι έχουν εξαχθεί συμπεράσματα από μη τυχαίο δείγμα. Προφανώς, η πιο εύκολη λύση είναι πάντα να επιλέγετε από τυχαίο δείγμα σαφώς καθορισμένου πληθυσμού. Θα πρέπει να εξηγήσετε γιατί αυτό δεν είναι πάντα δυνατό.

Έχετε υπόψη σας ότι από τη στιγμή που η επιλογή είναι προκατειλημμένη - με την επιλογή θέματος ή την εξάλειψη των δεδομένων σκοπίμως να γίνει για να αποδειχθεί μια προκαταρκτική θεωρία ή προβολή - αυτό θα μπορούσε να είναι ένας έμμεσος τρόπος για την ομάδα προσλήψεων να ζητήσει μία από αυτές τις δύσκολες ερωτήσεις συνέντευξης για την ηθική και την ακεραιότητα στην εργασία .

Τέλος, θα θέλατε να τονίσετε τον τρόπο με τον οποίο η μεροληψία της επιλογής είναι συχνότερα περίπτωση ακούσιας ή αναπόφευκτα προκατειλημμένης πληροφορίας. Φροντίστε να επεξεργαστείτε μερικές από τις περιοχές όπου μπορεί να εμφανιστεί προκατειλημμένη επιλογή, συμπεριλαμβανομένης της δειγματοληψίας, του χρονικού διαστήματος, των δεδομένων και της τριβής. Στη συνέχεια, δώστε μερικά παραδείγματα για το πώς οι τεχνικές μόχλευσης όπως η αναδειγματοληψία και η ενίσχυση μπορούν να σας βοηθήσουν να εργαστείτε γύρω από μη τυχαία δείγματα.

Εάν βρίσκεστε στο τμήμα μιας συνέντευξης όταν μιλάτε με εκπροσώπους από τα λιγότερο τεχνικά τμήματα, χρησιμοποιήστε ένα εύπεπτο παράδειγμα που σαφώς απεικονίζει την προκαταρκτική επιλογή. Ο επιστήμονας δεδομένων Eric Hollingsworth αναφέρει ένα μάθημα που αντλήθηκε από την επιδημία της γρίπης των πτηνών του 2011, όπου σε ένα στατιστικό δείγμα «επιβεβαιωμένων περιπτώσεων» μετρήθηκαν «μόνο πολύ άρρωστα άτομα». Το 80% που προκύπτει από το ποσοστό θνησιμότητας, τόσο άσχημα λόγω της μεροληψίας επιλογής, δημιούργησε σημαντικό φόβο.

7. «Πώς μπορούν να αντιμετωπιστούν οι τιμές;

Αυτή είναι μια κοινή ερώτηση συνέντευξης για τους επιστήμονες δεδομένων, καθώς αποκαλύπτει πώς χρησιμοποιείτε τα δεδομένα που σας δίδονται, τις μεθόδους που χρησιμοποιείτε για την επεξεργασία αυτών των δεδομένων και αν είστε πρόθυμοι να δώσετε χρόνο να αξιολογήσετε κάθε κομμάτι αυτών των δεδομένων.

Θα θελήσετε πρώτα να μιλήσετε για το τι συνιστά μια απόκλιση, όπως αριθμοί που υπάρχουν έξω από τη συστοιχία δεδομένων σε ένα γράφημα, όπως 2-3 τυπικές αποκλίσεις μακριά από τον μέσο όρο και ούτω καθεξής. Το επόμενο βήμα για την αντιμετώπιση των εξόχως απόκεντρων είναι η αξιολόγηση του γιατί συνέβη.

Μια μικρή ποσότητα απόσβεσης που μπορεί να αποδοθεί σε απλό ανθρώπινο ή μηχανικό σφάλμα εξαλείφεται εύκολα. Φροντίστε, ωστόσο, να σημειώσετε ότι ακόμη και ένα απλό εξάρτημα μπορεί να είναι ένα βασικό σημείο δεδομένων παρά ένα πρόβλημα, καθώς μπορεί να υποδηλώνει την επιτυχία μιας ενιαίας τακτικής μάρκετινγκ, ενός νέου φαρμακευτικού συστατικού ή μιας σειράς προϊόντων.

Στη συνέχεια, θα θελήσετε να εξηγήσετε τον τρόπο αντιμετώπισης ενός μεγάλου αριθμού αποδόσεων, το οποίο απαιτεί πιο πολύπλοκες λύσεις. Για παράδειγμα, ίσως χρειαστεί να αλλάξετε το μοντέλο που χρησιμοποιείτε, να ομαλοποιήσετε τα δεδομένα στο μέσο όρο ή να χρησιμοποιήσετε έναν τυχαίο αλγόριθμο δασών. Για άλλη μια φορά, προσπαθήστε να χρησιμοποιήσετε μια πραγματική υπόθεση από την εμπειρία σας ως επιστήμονας δεδομένων για να εξηγήσετε τη σωστή τακτική.

8. 'Γιατί είναι σημαντικός ο καθαρισμός των δεδομένων;'

Η συλλογή και ο καθαρισμός δεδομένων είναι ένα κυρίαρχο μέρος της δουλειάς σας ως επιστήμονας δεδομένων, που μπορεί να ανέλθει στο 80% του χρόνου σας. Όποια και αν είναι η βιομηχανία στην οποία υποβάλετε αίτηση, οι ερωτήσεις συνέντευξης θα περιλαμβάνουν πάντα ένα για το γιατί ο καθαρισμός των δεδομένων είναι σημαντικός. Οι ερωτηθέντες θα ρωτήσουν επίσης για τις προτιμώμενες τεχνικές και προγράμματα καθαρισμού.

Πρέπει να τονίσετε πόσο καθαρά δεδομένα είναι απαραίτητα για την εξαγωγή των σωστών συμπερασμάτων, αλλά δεν πρόκειται μόνο για τους αριθμούς. Εξηγήστε πώς η εκκίνηση με πλήρη, ακριβή, έγκυρα και ομοιόμορφα δεδομένα επηρεάζει άμεσα την επιχείρησή τους. Βασικά οφέλη για τη συζήτηση περιλαμβάνουν:

  • βελτιωμένη λήψη αποφάσεων σχετικά με τους στόχους της εταιρείας
  • ταχύτερη απόκτηση πελατών και επαναπροσανατολισμό των πελατών του παρελθόντος
  • εξοικονόμηση χρόνου και πόρων λόγω εξάλειψης ανακριβών ή διπλών δεδομένων
  • βελτιωμένη παραγωγικότητα
  • ενίσχυσε το ηθικό της ομάδας χάρη στα επαναλαμβανόμενα αποτελεσματικά και ακριβή αποτελέσματα

9. 'Ποιος είναι ο στόχος της δοκιμής A / B;'

Οι ερωτήσεις σχετικά με τη δοκιμή A / B κατά τη διάρκεια της συνέντευξης σας για μια θέση επιστήμονα δεδομένων μπορεί να ξεκινήσουν με μια πιο γενική αναφορά στη χρήση πειραματικού σχεδιασμού για να απαντήσετε σε ένα ερώτημα σχετικά με τη συμπεριφορά ή τις προτιμήσεις των χρηστών. Ο στόχος της δοκιμής μιας μεταβλητής σχεδιασμού ιστότοπου, εφαρμογής ή ενημερωτικού δελτίου είναι απλά να αξιολογήσει εάν μια αλλαγή θα αυξήσει τα επιτόκια, την αφοσίωση και τα ποσοστά μετατροπής.

Ένας τρόπος να ξεχωρίσετε την απάντηση σε αυτά τα είδη ερωτήσεων συνέντευξης είναι να συζητήσετε πώς άλλοι επιστήμονες δεδομένων θα μπορούσαν να αντλήσουν λάθος συμπεράσματα από τον έλεγχο Α / Β. Πιθανές παγίδες περιλαμβάνουν:

  • δεν συλλέγει αρκετά δεδομένα για αρκετά μεγάλο χρονικό διάστημα
  • δοκιμάστε πάρα πολλές μεταβλητές ταυτόχρονα
  • χωρίς να υπολογίζονται οι εξωτερικοί παράγοντες που μπορούν να επηρεάσουν την κυκλοφορία κατά τη διάρκεια της περιόδου δοκιμών
  • αγνοώντας τα μικρά κέρδη που μπορούν να οικοδομήσουν με την πάροδο του χρόνου και να συνδυαστούν με άλλες θετικές αλλαγές για αυξημένα έσοδα
  • λείπουν μεγάλες ερμηνείες εικόνων όπως καθαρά οικονομικά κέρδη ή ζημίες σε σχέση με τα ποσοστά μετατροπής

Εκτός από την επισήμανση αυτών των προβλημάτων, θα πρέπει να εκφράσετε τον τρόπο με τον οποίο θα τα λύσατε - ή, ακόμα καλύτερα, τον τρόπο με τον οποίο τα έχετε ήδη αποφύγει στα προηγούμενα έργα επιστήμης δεδομένων.

10. 'Έχετε 48 ώρες για να λύσετε αυτήν την πρόκληση κωδικοποίησης'.

Η πρόκληση κωδικοποίησης μπορεί να είναι ένας αρχικός τρόπος για την ανίχνευση δυνητικών επιστημόνων δεδομένων ή μπορεί να είναι ένα δεύτερο βήμα στη διαδικασία της συνέντευξης αφού έχετε εκκαθαρίσει το πρώτο εμπόδιο με έναν υπεύθυνο προσλήψεων ή με έναν διαχειριστή προσλήψεων. Αυτό μπορεί να είναι μια επιτόπια δοκιμή που διαρκεί 30 λεπτά έως 2 ώρες, όπου θα κωδικοποιείτε σε ένα πίνακα ή σε ένα πληκτρολόγιο μέσα στην προβολή του ερευνητή. Σας δίνεται συχνά η επιλογή της γλώσσας, αλλά είναι έτοιμη να κωδικοποιήσει σε SQL ή Python.

Ορισμένες εταιρείες αναθέτουν μεγαλύτερα καθήκοντα, με προθεσμίες μέχρι μία εβδομάδα. Οι προκλήσεις του πίνακα μπορεί να απαιτούν τη σύνταξη αρκετά απλών ερωτημάτων SQL, αλλά οι μακρύτερες δοκιμές είναι, φυσικά, πιο περίπλοκες. Συνήθως, θα σας δοθούν δεδομένα και θα σας ζητηθεί να κάνετε συγκεκριμένες προβλέψεις χρησιμοποιώντας αυτά τα δεδομένα και θα πρέπει να δείτε την εργασία σας. Για παράδειγμα, ένας πρόσφατος υπόλογος συνέντευξης επιστημόνων δεδομένων έλαβε δεδομένα Airbnb και ζήτησε να προβλέψει τις τιμές των κατοικιών με βάση τα χαρακτηριστικά διαμονής.

Οι συνεντεύξεις θα θέλουν να συζητήσουν μαζί σας τις επιλογές σας, τις υποθέσεις που κάνατε, τα χαρακτηριστικά που επιλέξατε, γιατί χρησιμοποιήσατε ορισμένους αλγόριθμους και πολλά άλλα. Συχνά, η απάντηση στην οποία φτάνετε είναι λιγότερο σημαντική από τη διαδικασία, τη δημιουργικότητα, την αναγνωσιμότητα του κώδικα και το σχεδιασμό.

Αυτό μπορεί να είναι μια νευροσυγκρασιακή εμπειρία συνέντευξης, οπότε προετοιμάστε τον εαυτό σας δημιουργώντας και ολοκληρώνοντας προκλήσεις κωδικοποίησης πρακτικής με φίλους ή συναδέλφους στον τομέα της επιστήμης των δεδομένων. Μπορείτε επίσης να επισκεφθείτε ιστοσελίδες όπως Leetcode και SQLZOO για ασκήσεις κωδικοποίησης. Οι πραγματικές ψευδείς συνεντεύξεις που αφορούν προβλήματα αλγοριθμικού σχεδιασμού και συστημάτων διατίθενται δωρεάν μέσω του Interviewing.io.

Όπως μπορείτε να δείτε, οι ερωτήσεις συνέντευξης για τους επιστήμονες δεδομένων μπορεί να είναι δύσκολες και η συνολική διαδικασία μπορεί να είναι μακρά και εξαντλητική. Μία από τις πιο σημαντικές συμβουλές συνέντευξης είναι να παραμείνετε θετικές, ακόμα κι αν αισθάνεστε ότι ένα μέρος της διαδικασίας της συνέντευξης δεν πήγε καλά. Είμαστε συχνά πιο σκληροί για τους εαυτούς μας από τους άλλους, και θα μπορούσατε ακόμη να προσγειώσετε τη δουλειά παρά το ότι δεν έχετε πάρει κάθε απάντηση τόσο τέλεια όσο θα θέλατε.

Αν χάσετε την ευκαιρία, ζητήστε σχόλια και χρησιμοποιήστε το για να βελτιώσετε την επόμενη εμπειρία της συνέντευξής σας. Μετά από όλα, πολλοί επιστήμονες των δεδομένων που είχαν καθιερωθεί απορρίφθηκαν από διάφορες θέσεις και εξακολουθούσαν να επιτυγχάνουν τις θέσεις εργασίας που τελικά ήταν η καλύτερη εφαρμογή!

Ποιες ερωτήσεις και προκλήσεις κωδικοποίησης αντιμετωπίσατε όταν επιχειρήσατε να προσπελάσετε μια εργασία επιστήμης δεδομένων; Συμμετάσχετε στη συζήτηση στα σχόλια παρακάτω και βοηθήστε τους επιστήμονες των συλλόγων σας να προετοιμαστούν για την επόμενη συνέντευξη τους!

Αφήστε Το Σχόλιό Σας

Please enter your comment!
Please enter your name here