点击上方关注，All in AI中国

作者：Kimberly Cook

对于许多人来说，数据科学面试是一个令人生畏的、复杂的挑战。尽管数据科学面试的方式不断演变，但数据科学面试中典型的技术问题往往是可以预测的。大多数求职者面临的问题通常包括行为、数学、统计、编码、情景。虽然它们具体的细节有所不同，如果你能够确定哪一方面的问题，那么可能更容易回答。为此，求职者可以提前做好一些准备。

1.行为问题

与任何其他面试类似，这些问题旨在测试你的软技能，了解你是否适合公司文化。

示例：你对以前的职位有哪些喜欢和不喜欢的地方？

询问这个问题的目的是确定你面试的工作职位是否适合你的性格和气质，并确定你先前离职的原因。

你不要想得太多，也不要设想数据科学面试和其他类型的面试有什么不同：只要很好地理解这个工作职位，在描述不喜欢什么以及为什么不喜欢的时候，避免谈论过去与特定人员讨论过的问题。数据科学的工作职位可能需要具有分析思维的头脑，但招聘人员仍然想知道是什么将会让你充满激情。

2.数学问题

而应聘数据科学家的角色，你不仅要实现算法，还要为特定目的进行调整，这通常会提出一些数学问题。

示例：线性回归算法如何确定最佳的系数值？

重点是要你了解线性回归的知识深度，这是至关重要的，因为在许多数据科学角色中，你不仅需要在黑匣子中使用算法，还要将它们付诸实际行动。这类问题测试你对问题背后实际发生事情的了解程度。

所以这是你展现作品和能力的时刻之一。这将考查你思考的每个步骤，写出方程。并在撰写解决方案时，描述你的思维过程，以便面试人员可以了解你的数学逻辑。

3.统计问题

不言而喻，掌握统计数据对于解决不同的数据科学问题非常重要。面试人员可能会对你的统计推理能力和统计理论知识进行测试。

示例：I型错误和II型错误之间有什么区别？

而其问题证明你是否掌握了解统计学的基础知识。但更重要的是，面试人员还希望了解你是否能够使用技术语言和统计逻辑来解决可能不会经常采用这种方式的想法，并且仍然能够清晰地传达。所以你的回答需要条理清晰，并使用相关的统计知识来得出答案，但是要尽可能直接地描述你要定义的内容。

4.编码问题

大多数数据科学工作职位工作的主要部分是通过编程以大规模实现算法。这些问题类似于求职者在软件工程访谈中面临的问题，它们旨在测试你在公司使用的技术工具方面的经验以及你对编程理论的总体认识。

示例：从头开发一个k近邻算法。

编程可以展现你在编程算法背后的思想，并在一定的时间限制下有效地部署，这将是一种展示工程技能的好方法。这种方式通常适用于具有算法及其技术实现知识的数据科学家，或者提供有关算法一些背景信息的数据工程师。

在任何情况下，这类问题都将会测试你对矩阵计算的理解以及如何处理向量和矩阵。因此，首先查看一组输入和输出示例，然后手动计算出答案，并密切注意时间/空间的复杂性。

5.场景问题

最后但同样重要的问题是，场景问题旨在测试你在数据科学不同领域的经验和知识，并找出你的能力缺陷。因此，你需要尽可能彻底地展示应用知识和经验，并顺利完成任何案例分析。

示例：如果你是一家销售鞋子网站的数据科学家，将如何建立一个向访客推荐鞋子的系统？

这个问题旨在了解你如何设想从端到端提供产品或服务的工作。场景问题不是测试每个领域中的知识；它们旨在探索产品从开始到交付的生命周期，并了解求职者在该过程的每个阶段的能力是否不足。而这些问题还可以评估你的整体知识，例如，管理团队提供最终产品所需的条件，以确定求职者在团队环境下的表现。

在这里，通用的求职面试建议也是适用的：实际上，求职者要了解在哪里可以提高价值，不要羞于从团队成员那里获得一些帮助。尝试将技术知识与业务成果相关联，并解释你的选择背后的思考过程以及指导它们的假设。然后毫不犹豫地提出问题，这可以帮助你了解面试人员的意图，以便您可以给出更好地答案。

数据科学面试可能是一种棘手的跨界行为，你需要对项目进行编程并在现场提出技术算法，但也可以通过非技术角色的相同标准来衡量。而面试将测试你的统计和数学知识，以及你领导团队、沟通、说服和影响的能力。

因此，不要试图为每个可以想象的问题做好准备，主要为这五类问题做好准备即可。你无法预料面试人员提出的每一个问题，但你可以非常准确地预测招聘人员的需求和期望，然后更好地展现自己掌握的知识和具备的能力。