大数据文摘出品
来源：Github
编译：陆震、张秋玥、蒋宝尚
直到今天，在各类媒体口中，数据科学家依然是“21世纪最性感的职业”。但事实上，希望进入这个行业的初级数据科学家已经供过于求。
可以预见的是，各种高校相关专业的毕业生，在完成coursera或者fast.ai的课程后，都希望得到一份跟“数据”相关的岗位。据统计，部分职位的供求比已经达到了1:200。
那么，如何能在这条独木桥上杀出重围、脱引而出呢？
金三银四求职季，江湖传言在三月份和四月份找工作和跳槽成功的概率最大。不同于程序员这样的纯技术工种，求职成为一名数据科学家似乎需要“上知天文，下知地理”。
毕竟，数据科学领域集成了多种不同元素，包括信号处理，数学，概率模型技术和理论，机器学习，计算机编程，统计学，数据工程，模式识别和学习，可视化，不确定性建模，数据仓库，以及从数据中析取规律和产品的高性能计算。
今天文摘菌会给大家推荐一份数据科学面试资料，资料收集了来自顶级技术公司的访调员和数据科学家。从浅入深的囊括了沟通、数据分析、模型预测、编程、概率、产品指标等7个部分的共120个面试问题。
根据官方网站，这份资源由Max、Carl、Henry以及William四位合作编写，这四位好基友都有数学科学以及数据分析的背景，也非常互补，也因此让这份资料变得弥足珍贵。
这份资料，在官方网站上需要付19美元可以获取完整版（包括问题和答案）。
先放上资料官网，非常需要的读者请购买支持正版哦👇
https://www.datasciencequestions.com/
当然，如果你只是想了解这份资料的大概内容，或者测试一下自己是否掌握了数据科学家需要的知识，文摘菌在github上也找到了这份资料的缩略问题版，少部分概念以及定义性的问题有答案，对于开放性的问题，欢迎大家在留言区给出你的答案哦。
文摘菌精选了这份资料中的部分问题和答案，完整版戳下边链接自取。
github地址：
https://github.com/kojino/120-Data-Science-Interview-Questions
1.向我解释一个与你正在面试的角色相关的技术概念。
2.向我介绍你所热爱的事情。
3.你会如何向没有统计背景的工程师解释A/B测试，线性回归呢？
4.你会如何向没有统计背景的工程师解释置信区间以及95％的置信度的意思？
5.你会如何向一组高级管理人员解释为什么数据很重要？
1.给定一个数据集，分析这个数据集并告诉我你可以从中了解到什。
2.什么是R2？可能比R2更好的指标有哪些，为什么？
答：拟合良好，是由该回归/总方差解释的那部分方差；你添加的预测变量越多，R^2越大；因而使用因自由度调整的R ^ 2；或着训练误差指标。
3.什么是维度灾难？
高维度使得聚类变得困难，因为拥有大量维度意味着彼此相差很大。例如，为了覆盖一小部分数据，随着变量数量的增加，我们需要处理每个范围广泛的变量；
-
所有样本都靠近样本的边缘。这非常糟糕，因为在训练样本的边缘附近做出预测要更加困难；
随着维度 p的增加，采样密度呈指数下降，因此在没有更多的数据量的情况下，该数据会变得更加稀疏；我们应该进行PCA分析以降低维度。
4.更多的数据就总是更好么？
5.分析数据之前绘制图表有什么好处？
1.给定一个数据集，分析这个数据集并给出一个可以预测这个响应变量的模型。
2.如果测试数据的分布与训练数据的分布明显不同，可能会出现什么问题？
训练时具有高精度的模型在测试时可能具有较低的精度。在没有进一步了解的情况下，很难知道哪个数据集代表了总体的数据，因而很难测量算法的泛化程度；
这应该可以通过重复划分训练集和测试集来缓解（如交叉验证）；
-
当数据分布发生变化时，称为数据集漂移。 如果训练数据和测试数据的分布不同，分类器可能会过度拟合训练数据。
3.有什么方法可以让我的模型对异常值的鲁棒性更高？
我们可以使用L1或L2等正则化方法来减少方差（增加偏倚）。
算法的改变：1.使用基于树的方法来代替回归方法，因为它们更能忍受异常值。2.对于统计检验，使用非参数检验来代替参数检验。3.使用稳健的误差指标，如MAE或Huber Loss，来代替MSE。
数据的改变：1.对数据进行winsorize处理2.转换数据（如进行对数处理）3.只有在你确定它们是不值得预测的异常值时才删除它们
4.与最小化误差绝对值的模型相比，在最小化误差平方的模型中，你认为有哪些差异？每个误差指标分别在哪种情况下合适？
MSE对异常值更加严格。在这个意义上MAE鲁棒性更好，但也更难以拟合模型，因为它无法在数值上进行优化。因此，当模型的可变性较小且在计算上容易拟合时，我们应该使用MAE，否则应该使用MSE。
MSE：更容易计算梯度
MAE：计算梯度需要线性编程MAE对异常值更加稳健。
如果较大错误造成的后果很严重，使用MSEMSE相当于最大化高斯随机变量的可能性。
5.你会什么误差指标来评估二分类器的好坏？如果类别不平衡怎么办？如果超过2组怎么办？
准确性：你正确预测的情况的比例。优点：直观，易于解释，缺点：当类标签不平衡且数据信号较弱时效果不。
AUROC：在x轴上绘制fpr，在y轴上绘制tpr以获得不同的阈值。给定随机正例和随机负例，AUC是你能可以识别类别的概率。优点：在测试分类能力时效果很好，缺点：不能将预测解释为概率（因为AUC由排名决定），因此无法解释模型的不确定性。
logloss/deviance：优点：基于概率的误差度量，缺点：对假阳性，假阴性非常敏感。当有超过2组时，我们可以使用k个二分类并将它们添加到logloss中。 像AUC这样的一些指标仅适用于二分类情况。
1.阿米巴虫波波生0个、1个或2个小阿米巴虫的概率分别是25%、25%以及50%。这些小阿米巴虫们的繁殖能力也都一样。请问波波的后代灭绝的概率是多少？
2.任何15分钟时间段内，你看到至少一颗流星的概率是20%。请问在一小时内你看到至少一颗流星的概率是多少？
3.仅使用一枚色子，你如何生成一个1-7内随机数？
4.有一个数据集包含来自两个正态分布的数值。两个分布的标准差相同。来自两个分布的数据点个数相同。请问如果想要该数据集呈双峰分布，两个分布的均值应当至少差多少？
5.提供已知正态分布的样本值，请问你能如何模拟一个均匀分布的样本值？
6.一对夫妻告诉你他们有两个小孩，其中至少有一个是女孩。请问他们拥有两个女儿的概率是多少？
1.对于一个广告驱动的消费者产品（比如Buzzfeed，YouTube，Google搜索等），什么可以称为好的成功衡量指标？服务驱动的消费者产品（比如优步，Flickr，Venmo等）呢？
2.对于一个效率工具（比如印象笔记，Asana，Google文档等），什么可以称为好的成功衡量指标？线上课程平台（比如edX，Coursera，Udacity等）呢？
效率工具：付费订阅用户数
线上课程平台：付费订阅用户数，课程完成率
3.对于一个电商产品（比如Etsy，Groupon，Birchbox等），什么可以称为好的成功衡量指标？订阅产品（比如Netflix，Birchbox，Hulu等）呢？高级付费订阅（比如OKCupid，领英，Spotify等）呢？
4.对于高度依赖于用户投入与交互的消费者产品（比如Snapchat，Pinterest，Facebook等），什么可以称为好的成功衡量指标？通讯产品（比如GroupMe，Hangouts，Snapchat等）呢？
5.对于拥有app内购服务的产品（比如Zynga，愤怒的小鸟以及许多其他游戏），什么可以称为好的成功衡量指标？
1.编写一个函数，计算2n个用户所有可能分配向量，其中n个用户为控制组，n个用户为治疗组。
2.提供一个包含推特消息的列表，求十个最常用的的标签。
3.在给定时间内写出算法求解背包问题的最佳近似解。
4.在给定时间内写出算法求解旅行商问题的最佳近似解。
5.你将得到一个大小为n的数据集，但你无法提前知道n具体有多大。写出一个占据O(k)的算法来随机抽取k个元素。
1.AB测试中你如何确认客户流分组完全随机？
2.AA测试（两组完全一致）的好处有什么？
3.在AB测试中，允许一组用户知道另一组是什么样子有什么危害？
4.如果某个博客报道了你的实验组会有什么影响呢？
5.你如何设计一个允许用户自行选择是否加入的AB测试。
最后，祝大家求职顺利~
github地址：
https://github.com/kojino/120-Data-Science-Interview-Questions
