直到今天，在各類媒體口中，資料科學家依然是“21世紀最性感的職業”。但事實上，希望進入這個行業的初級資料科學家已經供過於求。
可以預見的是，各種高校相關專業的畢業生，在完成coursera或者fast.ai的課程後，都希望得到一份跟“資料”相關的崗位。據統計，部分職位的供求比已經達到了1:200。
那麼，如何能在這條獨木橋上殺出重圍、脫引而出呢？
金三銀四求職季，江湖傳言在三月份和四月份找工作和跳槽成功的機率最大。不同於程式設計師這樣的純技術工種，求職成為一名資料科學家似乎需要“上知天文，下知地理”。
畢竟，資料科學領域整合了多種不同元素，包括訊號處理，數學，機率模型技術和理論，機器學習，計算機程式設計，統計學，資料工程，模式識別和學習，視覺化，不確定性建模，資料倉儲，以及從資料中析取規律和產品的高效能運算。
今天文摘菌會給大家推薦一份資料科學面試資料，資料收集了來自頂級技術公司的訪調員和資料科學家。從淺入深的囊括了溝通、資料分析、模型預測、程式設計、機率、產品指標等7個部分的共120個面試問題。
根據官方網站，這份資源由Max、Carl、Henry以及William四位合作編寫，這四位好基友都有數學科學以及資料分析的背景，也非常互補，也因此讓這份資料變得彌足珍貴。
這份資料，在官方網站上需要付19美元可以獲取完整版（包括問題和答案）。
先放上資料官網，非常需要的讀者請購買支援正版哦?
https://www.datasciencequestions.com/
當然，如果你只是想了解這份資料的大概內容，或者測試一下自己是否掌握了資料科學家需要的知識，文摘菌在github上也找到了這份資料的縮略問題版，少部分概念以及定義性的問題有答案，對於開放性的問題，歡迎大家在留言區給出你的答案哦。
文摘菌精選了這份資料中的部分問題和答案，完整版戳下邊連結自取。
github地址：https://github.com/kojino/120-Data-Science-Interview-Questions
溝通
1.向我解釋一個與你正在面試的角色相關的技術概念。
2.向我介紹你所熱愛的事情。
3.你會如何向沒有統計背景的工程師解釋A/B測試，線性迴歸呢？
A/B測試，也就是多變數測試，透過測試使用者的不同體驗，來確定哪種改變有助於企業更加有效地實現其目標（如增加轉換等）。它可以是網站上的文字資訊，按鈕的顏色，不同的使用者介面，不同的電子郵件主題行，號召性用語，優惠等。
4.你會如何向沒有統計背景的工程師解釋置信區間以及95％的置信度的意思？
5.你會如何向一組高階管理人員解釋為什麼資料很重要？
資料分析
2.什麼是R2？可能比R2更好的指標有哪些，為什麼？
答：擬合良好，是由該回歸/總方差解釋的那部分方差；你新增的預測變數越多，R^2越大；因而使用因自由度調整的R ^ 2；或著訓練誤差指標。
3.什麼是維度災難？
高維度使得聚類變得困難，因為擁有大量維度意味著彼此相差很大。例如，為了覆蓋一小部分資料，隨著變數數量的增加，我們需要處理每個範圍廣泛的變數；
所有樣本都靠近樣本的邊緣。這非常糟糕，因為在訓練樣本的邊緣附近做出預測要更加困難；
隨著維度 p的增加，取樣密度呈指數下降，因此在沒有更多的資料量的情況下，該資料會變得更加稀疏；我們應該進行PCA分析以降低維度。
4.更多的資料就總是更好麼？
從統計來說，它取決於你的資料的質量，如果您的資料有偏差，獲取再多資料也毫無用處；它取決於你的模型。如果你的模型能夠承受高偏差，獲取更多資料不會太過明顯地提高你的測試結果。你需要新增更多特徵，或者做別的處理。從實戰來說，也需要在擁有更多資料和額外儲存，計算能力以及所需記憶體之間進行權衡。因此，始終要考慮擁有更多資料的成本。
5.分析資料之前繪製圖表有什麼好處？
資料集會有錯誤。你不會找到全部的錯誤，但你或許能夠找到其中的一些。比如那個212歲的男人以及那個9英尺高的女；變數會有偏度，異常值等。算術平均值可能用不了，這也意味著標準差用不了；變數可以是多峰的！如果變數是多峰的，那麼任何基於其的均值或著中位數的都是可疑的。
模型預測（19個問題）
1.給定一個資料集，分析這個資料集並給出一個可以預測這個響應變數的模型。
由擬合簡單的模型（多元迴歸，邏輯迴歸）開始，相應地選取一些特徵，然後嘗試一些複雜的模型。要始終將資料集拆分為訓練集，驗證集和測試集並使用交叉驗證來觀察模型的表現；確定問題是分類問題還是迴歸問題；傾向於選用執行快速可以輕鬆解釋的簡單模型；提及交叉驗證作為評估模型的一種方法；繪製圖表且將資料視覺化。
2.如果測試資料的分佈與訓練資料的分佈明顯不同，可能會出現什麼問題？
訓練時具有高精度的模型在測試時可能具有較低的精度。在沒有進一步瞭解的情況下，很難知道哪個資料集代表了總體的資料，因而很難測量演算法的泛化程度；
這應該可以透過重複劃分訓練集和測試集來緩解（如交叉驗證）；
當資料分佈發生變化時，稱為資料集漂移。 如果訓練資料和測試資料的分佈不同，分類器可能會過度擬合訓練資料。
3.有什麼方法可以讓我的模型對異常值的魯棒性更高？
我們可以使用L1或L2等正則化方法來減少方差（增加偏倚）。
演算法的改變：1.使用基於樹的方法來代替迴歸方法，因為它們更能忍受異常值。2.對於統計檢驗，使用非引數檢驗來代替引數檢驗。3.使用穩健的誤差指標，如MAE或Huber Loss，來代替MSE。
資料的改變：1.對資料進行winsorize處理2.轉換資料（如進行對數處理）3.只有在你確定它們是不值得預測的異常值時才刪除它們
4.與最小化誤差絕對值的模型相比，在最小化誤差平方的模型中，你認為有哪些差異？每個誤差指標分別在哪種情況下合適？
MSE對異常值更加嚴格。在這個意義上MAE魯棒性更好，但也更難以擬合模型，因為它無法在數值上進行最佳化。因此，當模型的可變性較小且在計算上容易擬合時，我們應該使用MAE，否則應該使用MSE。
MSE：更容易計算梯度
MAE：計算梯度需要線性程式設計MAE對異常值更加穩健。
如果較大錯誤造成的後果很嚴重，使用MSEMSE相當於最大化高斯隨機變數的可能性。
5.你會什麼誤差指標來評估二分類器的好壞？如果類別不平衡怎麼辦？如果超過2組怎麼辦？
準確性：你正確預測的情況的比例。優點：直觀，易於解釋，缺點：當類標籤不平衡且資料訊號較弱時效果不。
AUROC：在x軸上繪製fpr，在y軸上繪製tpr以獲得不同的閾值。給定隨機正例和隨機負例，AUC是你能可以識別類別的機率。優點：在測試分類能力時效果很好，缺點：不能將預測解釋為機率（因為AUC由排名決定），因此無法解釋模型的不確定性。
logloss/deviance：優點：基於機率的誤差度量，缺點：對假陽性，假陰性非常敏感。當有超過2組時，我們可以使用k個二分類並將它們新增到logloss中。 像AUC這樣的一些指標僅適用於二分類情況。
機率
1.阿米巴蟲波波生0個、1個或2個小阿米巴蟲的機率分別是25%、25%以及50%。這些小阿米巴蟲們的繁殖能力也都一樣。請問波波的後代滅絕的機率是多少？
p=1/4+1/4p+1/2p^2 => p=1/2
2.任何15分鐘時間段內，你看到至少一顆流星的機率是20%。請問在一小時內你看到至少一顆流星的機率是多少？
l 1-(0.8)^4。 或者我們用泊松過程也可以解。
3.僅使用一枚色子，你如何生成一個1-7內隨機數？
丟三次色子：每一次丟的都是結果的第n位
每次丟色子時，如果值為1-3，則記錄0，否則記錄1。結果會位於0（000）與7（111）之間，均勻分佈（因為這三次拋擲互相獨立）。如果得到0則重複拋擲：該過程會終止於均勻分佈的值。
4.有一個資料集包含來自兩個正態分佈的數值。兩個分佈的標準差相同。來自兩個分佈的資料點個數相同。請問如果想要該資料集呈雙峰分佈，兩個分佈的均值應當至少差多少？
多於兩個標準差
5.提供已知正態分佈的樣本值，請問你能如何模擬一個均勻分佈的樣本值？
將值代入同一隨機變數的累計分佈函式
6.一對夫妻告訴你他們有兩個小孩，其中至少有一個是女孩。請問他們擁有兩個女兒的機率是多少？
1/3
產品指標
1.對於一個廣告驅動的消費者產品（比如Buzzfeed，YouTube，Google搜尋等），什麼可以稱為好的成功衡量指標？服務驅動的消費者產品（比如優步，Flickr，Venmo等）呢？
廣告驅動：頁面瀏覽量與每日活躍量，點選率，每次點選成本
服務驅動：購買量，轉化率
2.對於一個效率工具（比如印象筆記，Asana，Google文件等），什麼可以稱為好的成功衡量指標？線上課程平臺（比如edX，Coursera，Udacity等）呢？
效率工具：付費訂閱使用者數
線上課程平臺：付費訂閱使用者數，課程完成率
3.對於一個電商產品（比如Etsy，Groupon，Birchbox等），什麼可以稱為好的成功衡量指標？訂閱產品（比如Netflix，Birchbox，Hulu等）呢？高階付費訂閱（比如OKCupid，領英，Spotify等）呢？
電商產品：購買量，轉化率，時/日/周/月/季/年銷售額，售出產品成本，存貨量，網站流量，淨回頭客量，客服電話量，平均解決問題時長
訂閱產品：流失量，（不知道接下來這幾個都是啥）
高階付費訂閱：（無解答）
4.對於高度依賴於使用者投入與互動的消費者產品（比如Snapchat，Pinterest，Facebook等），什麼可以稱為好的成功衡量指標？通訊產品（比如GroupMe，Hangouts，Snapchat等）呢？
高度依賴於使用者投入與互動的消費者產品：user AU ratios，分型別郵件彙總，分型別推送通知彙總，復活率。
通訊產品：（無解答）
5.對於擁有app內購服務的產品（比如Zynga，憤怒的小鳥以及許多其他遊戲），什麼可以稱為好的成功衡量指標？
使用者/付費使用者平均營收
程式設計（14題）
1.編寫一個函式，計算2n個使用者所有可能分配向量，其中n個使用者為控制組，n個使用者為治療組。
遞迴程式設計
2.提供一個包含推特訊息的列表，求十個最常用的的標籤。
在字典中儲存所有標籤然後求前十值
3.在給定時間內寫出演算法求解揹包問題的最佳近似解。
貪婪演算法
4.在給定時間內寫出演算法求解旅行商問題的最佳近似解。
貪婪演算法
5.你將得到一個大小為n的資料集，但你無法提前知道n具體有多大。寫出一個佔據O(k)的演算法來隨機抽取k個元素。
水塘抽樣
統計推論（15題）
1.AB測試中你如何確認客戶流分組完全隨機？
畫出多個A組與B組變數的分佈，確保他們都擁有一致的形狀。再保險一點，我們可以做一個排列檢驗來看分佈是否相同。
MANOVA來比較不同的均值。
2.AA測試（兩組完全一致）的好處有什麼？
檢查抽樣演算法隨機性
3.在AB測試中，允許一組使用者知道另一組是什麼樣子有什麼危害？
使用者可能無法與未知其他選項時行為一致。實際上你是在新增一個關於是否允許使用者窺探其它選項的變數——該變數並不隨機。
4.如果某個部落格報導了你的實驗組會有什麼影響呢？
與前問相同。這一問題可能會在更大範圍內發生。
5.你如何設計一個允許使用者自行選擇是否加入的AB測試。
最後，祝大家求職順利~
github地址：https://github.com/kojino/120-Data-Science-Interview-Questions