介绍
您是否有志成为数据科学家，但却在努力破解采访？嗯 - 你并不孤单！在数据科学领域中断可能很困难。如果您来自非数据科学背景（很可能是您），那么这一点也是如此。
您从其他有抱负的数据科学家那里听到的故事可能使访谈感觉更加令人生畏和令人生畏。所以在面对面试之前你最好做好准备。
可以问什么样的问题？您如何准备以及您应该参考哪些资源？典型数据科学访谈的结构是什么？你的肢体语言应该怎样？这些只是您要考虑的一些问题。
别担心 - 你在正确的地方！
我也一直在那里。相信我 - 破解数据科学访谈的唯一方法是通过纯粹的实践和工作质量。因此，请确保您拥有一系列项目。如果您正在寻找数据科学项目，请检查这些项目。
此外，练习典型的面试可能会是什么样子。这将是本文的重点。
在本文中，我们为您提供了数据科学和机器学习访谈中提出的问题，案例研究和猜测的综合列表。我们还列出了其他资源，包括方便的提示和技巧，以指导您完成面试过程，并成功地走到另一边。
这是您可以找到的最终资源指南。每次准备面试时，都应该将此页面加入书签。
快乐学习，一切顺利！
目录
- 数据科学和统计问题
- 机器学习问题
- 深度学习问题
- 实例探究
- 拼图和猜测估计
- 工具/语言特定问题
- 新生的提示和技巧
- 所有有抱负的数据科学家的其他（真正）有用的资源
- 鼓舞人心的故事
1.数据科学和统计问题
本节旨在测试，增强和改进您的数据科学和统计概念。从概率到相关，线性和回归到逻辑回归，您的概念将在您到达最后一个问题时一成不变！
这是一个包含40个似是而非的棘手问题的清单，这些问题可能会在访谈中遇到。如果您能回答并理解这些问题，请放心，您将在面试中进行艰苦的斗争。回答这些问题的关键是对 ML和相关统计概念有一个具体的 实际理解。
1.2 关于数据科学概率的40个问题
概率被认为是相当多的数据科学概念和技术的支柱。您需要掌握这个主题，以便有机会获得数据科学角色。这些问题将测试您对概率的了解程度。
1.3 7关于相关性的最常见问题
相关性是数据科学的核心概念之一。从外面看起来很容易，但它有它自己的棘手功能。如果您正在学习统计概念，那么您一定会面对这些大多数人都试图避免的问题。对于精通统计数据的人来说，这将是一个很好的复习。
在你进行这个领域的面试之前，你的统计概念应该是坚实的。为了帮助您改进和测试您的统计知识，我们将这些问题列表放在一起。本文涵盖了描述性和推论性统计数据以及每个问题的解释。
线性回归仍然是数据科学行业和学术界最重要的统计技术之一，用于解释特征之间的关系。如果你想成为一名数据科学家，这是一种你绝对必须知道的技术。
Logistic回归可能是解决所有分类问题的最常用算法。本文中的问题专门为您测试您对逻辑回归及其细微差别的知识。
2.机器学习问题
机器学习已成为许多组织战略的核心。如果你想在这个领域为自己创业，你应该准备好面对困难的问题。本节肯定会测试你的ML技术到极限。
如果您是数据科学家（或有抱负的科学家），那么您需要擅长机器学习 - 没有两种方法可以解决这个问题。这些问题旨在测试您对机器学习的概念知识，并使您做好行业准备。准备好自己测试一下！
自然语言处理（NLP）是教授机器如何理解人类所说和写的语言的科学。这是一个即将到来的机器学习领域。组织正在意识到如何使用ML从文本中获取可操作的见解。仔细阅读这些问题，看看你对NLP的精通程度。
决策树是机器学习和数据科学中最受尊敬的算法之一。它们透明，易于理解，性能稳健且适用范围广。您实际上可以看到算法正在做什么以及它为执行解决方案执行了哪些步骤。在向利益相关者解释决策时，这种特性在商业环境中尤为重要，这也是采访过程中不可或缺的一部分。
您可以将机器学习算法视为充满轴，剑和刀片的军械库。你有各种工具，但你应该学会在合适的时间使用它们。“支持向量机”就像一把锋利的刀 - 它适用于较小的数据集，但在它们上面，它可以在构建模型时更加强大和强大。用这25个问题测试自己，以增强你对这种非常熟练的技术的了解。
2.5 40测试数据科学家降维技术的问题
访谈中最常见的问题之一是基于如何处理由数百万行和数千列组成的大量数据集。了解降维技术以及何时使用它们在这些情况下派上用场。
聚类在从未标记数据中获取洞察力方面发挥着重要作用。它将类似组中的数据分类，通过提供元理解来改进各种业务决策。它用于营销，金融等许多行业。这是你应该掌握的另一个必须知道的概念。
3.深度学习问题
深度学习是目前业内最热门的研究领域。它带来了惊人的创新，令人难以置信的突破，我们才刚刚开始！但是这个领域的工作很少而且很远。如果你设法进行面试，你需要为艰难的问题做好充分的准备 - 当你在深度学习领域工作时，没有简单的方法。本节将告诉您如何准备（或不准备）申请和参加这些面试。
如果您希望深入学习，这是一组相对容易的问题，必须知道。在进一步深入本节之前，先进行此测验，然后再看看你的位置。如果您不理解某个概念，那么该文章会链接到您可以学习它们的资源。开始吧！
3.2 30测试深度学习数据科学家的问题
这是一个开始测试你的深度学习知识的好地方。这包含基本问题和高级问题。当我们发布这个测验时，大多数人显然没有对该主题的固有知识。你能做得更好吗？去吧！
本文从上面进行。它将测试您深度学习的概念知识。
3.4 25测试数据科学家图像处理的问题
在深度学习方面，图像处理现在是领先的领域。随着谷歌和IBM等大型企业推出自动化平台来构建图像分类模型，人们对这一领域的兴趣非常高。本文中的问题专门为您测试您如何处理图像数据的知识，重点是图像处理。
3.5 12关于深度学习的常见问题
虽然这些不是专门面试的，但您应该对这12个问题中的每一个都有一个全面的答案。这些是深度学习的一些最基本的问题，应该在你的指尖。
4.案例研究
案例研究是数据科学访谈过程中不可或缺的一部分。招聘经理一定会在面对案例研究时检查您的思维结构。确保您详细了解以下案例研究。在您看到解决方案之前，先自己解决问题，然后检查您的答案。
动态编程不是一种技巧或数学公式，它只是通过提供输入来提供正确的答案。相反，它是结构化思维和分析思维方式的组合，可以完成工作。这个概念很古老，但我们只有少数人使用过。学习这种独特的方法，你的面试官将被打败！
出租车集合商已成为该国某些地区的大型交易。在本文中，我们将解决出租车聚合器的案例研究。除此之外，我们还将专注于解决像专业人士一样的案例研究所需的基本要素。像贝恩，BCG和麦肯锡这样的咨询公司更喜欢在任何案例研究中都像专业人士那样思考的候选人。让我们一个人。
4.3 分析面试案例研究
这是一个典型的路由优化问题。您将获得有关备用道路的数据，并且必须找出可以最小化旅行时间的可能路线。当您回答每个问题时，您将获得越来越多的数据，以深入了解案例研究。这正是它在面试室中如此发生的情况！
在本文中，我们将以呼叫中心优化问题的形式来看待真实案例。本案例研究将让您更好地了解如何在这种操作密集型功能中模拟整个环境。这里提到的代码在R中，但即使您不知道该工具，也可以在Excel中解决问题。
本案例研究是一个经典案例，因为它在现实世界中的应用。本案例研究的目的是优化在线供应商的产品价格水平。您需要执行的计算是经常在现实生活中进行的计算。因此，它不仅仅是数学，而且也是实用的。对于有经验的工作角色，类似的案例研究经常出现在求职面试中 所以，尽你所能！
5.拼图和猜测估计
如果您渴望成为一名数据科学家，那么您开箱即用的思维和快速计算和构建思想的能力至关重要。面试官将对你进行测试的第一件事就是这样。您将获得一个谜题或猜测估计问题（有时两者），以了解您如何快速和逻辑地解决一个具有挑战性的问题。本节将帮助您准备好迎接这些挑战！
5.1 打破猜测估计问题的提示
猜测估计问题在分析和管理咨询访谈中非常常见。如果您希望破解数据科学访谈，那么本文将在完成第一步后非常有用。在本文中，您将学习一些经过验证的测试技术来破解猜测。
在本文中，作者介绍了在面试数据科学角色时给出的一些最棘手和最具挑战性的难题。高盛（Goldman Sachs），亚马逊（Amazon），谷歌（Google），摩根大通（JP Morgan）等公司已经提出过这些问题。
5.3 3大多数人在求职面试中弄错的诡计
本文包含3个最具挑战性的难题，大多数人在访谈中遇到错误。由于这些问题起初很难理解，即使你没有在第一次尝试中找到答案，它也完全没问题。不要放弃！有时最棘手的问题可以有最简单的解决方案。
5.4 分析访谈中常见问题（第1部分）
这些内容涵盖了访谈中提到的一些最常见的谜题。这些是一些比较简单的谜题，所以你不应该有太多的时间来解决它们。如果您无法在给定的时间限制内破解两个谜题，您可能需要解决不同类型的谜题以获得这些类型的问题。
5.5 分析访谈中常见问题（第2部分）
本文的第2部分继续与上述相同 - 从容易到高难度的难题。谜题分为3个阶段，你没有给第一阶段的解决方案，如果你自己没有得到这些答案，你可能需要从头开始解谜！
6.工具/语言特定问题
每个有抱负的数据科学家必须掌握至少一种工具才能进行质量分析。但是，您知道的工具越多，您的技能组合就越多，从而增加了您升职的机会。关于工具的问题是每次数据科学访谈的必修部分，在面对专家组之前，您应该已经掌握了一些事情。本节介绍与Python，R，SQL和SAS相关的问题。
6.1 测试数据科学R技能的40个问题
本文是对您的R技能的全面测试。从编码问题到概念问题，您需要快速站起来提供快速答案。我建议你自己安排每个问题，这样你就可以毫不犹豫地面对面试小组。
6.2 4棘手的R面试问题
R是当今最流行的语言之一，这得益于它的开源特性和出色的用户社区。这四个问题是你在压力情况下可能要处理的最棘手的问题。最好做好准备！
6.3 访谈中常见的4个棘手的SAS问题
SAS与其他类似语言的区别在于它对代码的简单性。有一些非常棘手的SAS问题，处理它们对于一些候选人来说可能会变得无法抗拒。本文将介绍4个此类问题以及帮助您入门的详细示例。
6.4 棘手的基础SAS面试问题
这基本上是上述文章的延续。这些问题比本系列文章第一部分所述的问题更为严格和冗长。这些问题在拥有广泛分析基础并每天处理大数据的公司中得到广泛认可。
Python在数据科学工具辩论中已经做得很好并且真正起了带头作用。这是关于这种令人敬畏的编程语言的必读内容。在您进行任何数据科学访谈之前，请确保您使用这些问题对自己进行测试，以便您的基础坚如磐石。
无论您使用哪种语言来构建模型，SQL都是您的简历的必要补充。没有它，你获得数据科学家角色的机会几乎没有。这是一个全面的问题列表，可确保您的SQL技能得到完善并随时可用。
7.新生的提示和技巧
在分析中获得第一次突破对于大学毕业的学生来说至关重要。当他们被组织接收然后放入分析时，有些人会很幸运。但你不能单独回答运气！本节特别针对新生更好地为您的面试过程做好准备。
本文作者分析了破解校园访谈的基本模式。这些模式可以帮助您清除任何类型的分析访谈。在这里，他分享了这些见解以及一些有用的面试技巧。许多候选人经常将这些提示视为理所当然，并且当提议函未能实现时最终会感到失望。
校园访谈可能非常具有竞争力，尤其如此，如果您想获得最佳公司的工作。此外，如果你是一个更新鲜的人，有时候采访的经历会令人不安。但是，您可以训练自己，以确保在最重要的时候表现出最佳状态。本文提供了一些技巧，您可以通过任何分析访谈进行讨论。
8.所有有抱负的数据科学家的其他（真正）有用的资源
到目前为止，我们已经涵盖了问答部分的面试过程。但是，如果您不遵循本节所述的提示和行为准则，即使拥有这些知识也可能是不够的！诸如肢体语言，你构思思路的方式，你对行业的认识，领域知识以及你如何抓住机器学习的所有最新发展 - 这些都非常重要。
作为一名分析师，深入细节并仔细研究它们几乎成了你的第二天性。 在一次采访中，你很可能会被一位曾经担任过分析师的人采访过。 因此，您应该期待彻底仔细检查细节。这里提到的提示将证明是非常方便的。
8.2 准备分析访谈的权威指南
本文阐述了分析访谈的一般结构。它涵盖了雇主评判你的不同点，面试的不同阶段，技术面试的方式等等。本指南旨在帮助您完成下一次的分析面试！
要学习哪种工具--R还是Python？要关注哪些技术？要学习多少统计数据？我需要学习编码吗？这些是您在数据科学之旅中需要回答的众多问题中的一部分。这是写这篇简单而不是很长的文章背后的想法。它设置了一个框架，可以帮助您在初始阶段学习数据科学。
8.4 关于Google Analytics相关职业应该了解的10件事
这是一个很棒的资源 - 它是指南中的指南！它是一份基于职业相关建议和知识的精选文章清单。这些文章将帮助您了解在计划进入分析行业时必须采取的步骤。
8.5 在职业生涯休息后进入分析？不要期待一个玫瑰色的土地！
你能和标题联系吗？在他们的职业生涯中，很多人因各种原因休息了1-3岁。没有过往经验的人如何在分析中获得突破？在这篇文章中，库纳尔借鉴了他丰富的经验，并对这个问题给出了自己的看法。
8.6 缺乏分析工作经验以及如何克服它
与上面的文章一样，这篇文章也旨在帮助那些没有此领域经验的人在分析中获得突破。有一些非常有效的观点适用于新生和有经验的人。库纳尔从雇主和潜在候选人的角度撰写了这篇文章，这使得这是必读的！
这是过去4年中最常见的问题之一，本文给出了低估期望值。它没有任何打击并且告诉它的情况 - 挑战将是艰难的，但它可以通过大量的努力和奉献来克服。这里提到的提示非常宝贵。
8.8 如何训练分析思维？
当您每天进行计算时，它们会变得更具反射性和准确性。工作日的平均工作人员花费25-30％的时间睡觉，40-60％的工作时间，10％的时间吃饭和15-25％的闲置。在这个繁忙的世界中，超过50％的闲置时间花在道路上。您可以使用此特定时间对数字进行更清晰的反应。本文介绍了一些可以在这个空闲时间使用的引人入胜的方法来提高大脑的反应能力。
这是您在开始分析工作之前应该询问潜在雇主的问题列表。这些问题的目的是确保您了解自己的目标。使用这些问题不仅可以帮助您做出正确的选择，而且还会告诉雇主您对该角色和行业的认真态度！
9.鼓舞人心的故事
寻找灵感？别再看了！以下故事将激励您更加努力地获得令人垂涎的数据科学角色。
这是Bindhya Rajendran的一个很棒的故事， 他是电子和通信工程师。在质量保证领域工作了8年后，她通过努力工作，申请和运气成功地在数据科学领域开拓了自己的职业生涯。
在这篇文章中，Karthe讲述了他在IT工作10年后如何转变为数据科学的故事。他还提供了一些漂亮的提示和大量的灵感和经验，每个人都可以依靠他来获得他们的第一次休息。
结束笔记
这是一个全面的列表，你可以在任何地方找到。如果你经历这种端到端的话，你将准备好并为这个数据科学角色而努力。即使您了解这些主题中的大部分内容，本指南也将作为您的复习。
你的故事是什么？本指南是否可以帮助您更好地为下次面试做准备？请在下面的评论中告诉我们！