Phỏng vấn Khoa học Dữ liệu và các câu hỏi có thể xảy ra

Tháng 1 vừa qua, tôi đã trải qua quá trình tìm việc nhanh và có rất nhiều kinh nghiệm phỏng vấn. Tôi muốn viết bài này bằng cách yêu cầu bạn cung cấp một số câu trả lời cho quá trình tìm kiếm việc làm và các câu hỏi về hành trình nghề nghiệp từ bạn.

Đối với những ai đang thắc mắc trước khi chúng ta bắt đầu, tôi muốn cung cấp cho bạn thông tin chi tiết rằng tôi đã làm việc với tư cách là Nhà khoa học dữ liệu tại Deloitte, một trong những công ty được gọi là Big Four, và tôi bắt đầu làm việc từ tháng 2 ❤

Tôi nghĩ rằng tôi đã phỏng vấn hơn 10 công ty cho các vị trí Nhà khoa học dữ liệu - Kỹ sư học máy và Kỹ sư thị giác máy tính. Trong số các công ty tôi phỏng vấn, có cả những thương hiệu lớn trên toàn cầu, những công ty khởi nghiệp và những công việc tự do.

Thành thật mà nói, khi tôi lần đầu tiên bước vào quá trình tìm kiếm việc làm, tôi đã rất sợ hãi và nghẹn ngào với những câu hỏi như liệu tôi có thể làm được hay không, liệu tôi có đủ giỏi hay không. Lý do lớn nhất cho sự sợ hãi này là tôi đã bắt đầu làm việc với các lời mời làm việc trong 3 năm kinh nghiệm làm việc của mình và tôi hầu như chưa bao giờ tham gia vào quá trình tìm kiếm việc làm cũng như không có kinh nghiệm phỏng vấn.

Nỗi sợ hãi của tôi là vô căn cứ

Bây giờ tôi hiểu rằng nỗi sợ hãi này mà tôi đã trải qua trong quá trình chuẩn bị CV và xin việc xuất phát từ những lý do như không nhìn thấy trước, không tin tưởng vào bản thân và không đi xin việc trước. Các cuộc phỏng vấn tôi đã thực hiện đã bổ sung rất nhiều cho tôi và tôi nhận ra rằng tôi cảm thấy nhẹ nhõm khi bước vào các cuộc phỏng vấn. Nói một cách thẳng thắn hơn, họ không ăn thịt chúng tôi trong các cuộc phỏng vấn.

Mọi quy trình đều giống nhau?

Trong tất cả các cuộc phỏng vấn tôi đã tham dự, tôi có thể nói rằng các quy trình là khác nhau, nhưng các câu hỏi và yêu cầu chung là tương tự nhau.

Trong khi một số công ty bắt đầu với giai đoạn nhân sự / công nhận và tiếp tục như một cuộc phỏng vấn kỹ thuật và giai đoạn tình huống, một số công ty bắt đầu với một cuộc phỏng vấn kỹ thuật trực tiếp và sau đó tiếp tục với một cuộc phỏng vấn nhân sự. Có những quy trình tuyển dụng bao gồm 6 giai đoạn, cũng có những quy trình tuyển dụng kết thúc trong 1 hoặc 2 giai đoạn. Không phải mọi công ty đều gửi trường hợp. Cũng có những công ty thích mã hóa trực tiếp thay vì gửi trường hợp.

Một câu hỏi dễ: Bạn có thể kể một chút về bản thân mình được không?

Câu hỏi đầu tiên xuất hiện trong tất cả các cuộc phỏng vấn mà tôi đã tham dự là "Bạn có thể cho tôi biết một chút về bản thân mình không". Nghe có vẻ dễ dàng, phải không? Trên thực tế, tôi có thể nói rằng có một câu hỏi quyết định diễn biến của cuộc phỏng vấn trong toàn bộ cuộc phỏng vấn.

Các câu hỏi phỏng vấn về cơ bản phát triển tùy thuộc vào kinh nghiệm trước đây của bạn. Lĩnh vực bạn quan tâm là gì, bạn đã khởi động một dự án về chủ đề này chưa, bạn đã làm việc với bao nhiêu người, bạn đã sử dụng ngôn ngữ / khuôn khổ lập trình nào, dự án hiện đang hoạt động, v.v. Giai đoạn đầu tiên của cuộc phỏng vấn là.

Nói cách khác, tôi có thể nói rằng thông tin chính mà bạn cung cấp trong phần bạn mô tả về bản thân và những gì bạn làm có thể xác định những câu hỏi khác sắp xảy ra.

Tôi khuyên bạn nên giới thiệu một cách tự tin về bản thân, cố gắng giải thích bằng các thuật ngữ chuyên môn trong khi nói về dự án của bạn và giải thích một cách trôi chảy và không khó hiểu.

Tôi thấy rằng mệnh lệnh của bạn về chủ đề bạn đã mô tả và quyền sở hữu của bạn đối với các dự án trước đây rất quan trọng trong việc tạo ấn tượng tốt ở giai đoạn đầu, tôi cũng muốn nêu rõ điều này.

Câu hỏi phỏng vấn kỹ thuật

Trong phần đầu tiên của các câu hỏi kỹ thuật, tôi có thể nói rằng tôi đã nhận được câu hỏi từ bộ phận kỹ thuật của các dự án mà bạn đã giải thích trong câu hỏi "Bạn có thể cho tôi biết một chút về bản thân" ở trên. Điều quan trọng là bạn phải thực tế trong các dự án của mình, sự thống trị của bạn và bạn biết rằng những câu hỏi đầu tiên sẽ đến từ đây.

Ví dụ; Trong một công ty chỉ giải quyết dữ liệu cấu trúc và ứng tuyển vào vị trí Nhà khoa học dữ liệu, nhiều câu hỏi về Thị giác máy tính đã được đặt ra vì các dự án trước đây của tôi dựa trên thị giác máy tính. Ngay cả khi tôi không giao dịch với Computer Vision ở đó, tôi chắc chắn rằng họ đang yêu cầu tìm hiểu kiến ​​thức cơ bản của tôi và kiểm tra độ chính xác của những gì tôi nói.

Trong tất cả các cuộc phỏng vấn, có rất nhiều câu hỏi về việc liệu tôi có hiểu bài toán của công việc hay không. Nhiều hơn những câu hỏi mà tôi liệt kê dưới đây đã được hỏi trong các tình huống khác nhau, theo những cách từ dễ đến khó. Do đó, tôi muốn nói rằng bạn nên nghiên cứu chi tiết hơn những câu hỏi tôi liệt kê dưới đây . Tôi liệt kê một số câu hỏi mẫu bên dưới;

• Tại sao chúng ta không sử dụng chức năng kích hoạt Relu trong lớp đầu ra?
• Chúng tôi có một tình huống như thế này, bạn thích chức năng kích hoạt nào trong lớp đầu ra theo kịch bản này? Tại sao?
• Bạn đã sử dụng số liệu nào trong các dự án của mình?
• Bạn có thể phân biệt giữa các chỉ số như Độ chính xác, Số lần thu hồi, Điểm số F1, sự khác nhau là gì không? Bạn sẽ sử dụng số liệu nào trong tình huống XXX?
• Bỏ học là gì? Sản lượng bị ảnh hưởng như thế nào khi tỷ lệ bỏ học luôn được áp dụng cho cùng một giá trị?
• Ma trận nhầm lẫn của chúng tôi thay đổi như thế nào khi chúng tôi tăng ngưỡng từ 50% lên 80%?
• Bạn có biết thuật toán ML / DL? (Bạn không nên biết tất cả các thuật toán trong phần này, nhưng biết các thuật toán cơ bản cụ thể sẽ kiếm được điểm cộng. Tôi đã nhận được câu hỏi về các thuật toán như PCA, K-Means, SVM, Cây quyết định, XGBoost)
• Lựa chọn thuật toán tối ưu hóa và logic tối ưu hóa
• Bạn đã từng làm việc với những người mẫu được đào tạo trước chưa? Bạn đã sử dụng những cái nào? Nó đã mang lại lợi ích như thế nào cho đầu ra của bạn?
• Học chuyển tiếp là gì, bạn đã sử dụng nó bao giờ chưa?
• Tăng cường là gì? Bạn sẽ sử dụng kỹ thuật nâng cao nào trong một tình huống mà mục tiêu của chúng ta là XXX?
• Bạn đã sử dụng những khuôn khổ nào? Ví dụ: bạn có biết các tính năng tf.record, tf.data cho Tensorflow và bạn đã sử dụng nó như thế nào?
• Chuẩn hóa là gì, các kỹ thuật chuẩn hóa là gì? Tại sao chúng ta sử dụng chuẩn hóa?
• Overfitting-underfitting là gì, nó xảy ra khi nào? Bạn sẽ can thiệp như thế nào? (Những câu hỏi này đôi khi đến trực tiếp mà không cần nói đến trang bị thừa. Ví dụ: chúng có thể được hỏi với các tình huống như thành công nhiều trong dữ liệu tàu nhưng lại thành công nhiều trong tập dữ liệu thử nghiệm)
• Bạn sẽ tách tập dữ liệu thử nghiệm và huấn luyện như thế nào? Tại sao bộ dữ liệu xác nhận lại cần thiết?
• Xác thực chéo là gì?
• Chính quy hóa là gì, sự khác biệt của các kỹ thuật là gì, chúng ta sử dụng nó trong những trường hợp nào?
• Hệ thống khuyến nghị và câu hỏi kịch bản hệ thống

Python là một ngôn ngữ lập trình rất quan trọng cho các vị trí Nhà khoa học dữ liệu. Đặc biệt nếu bạn đọc được dữ liệu, bạn có thể chủ động sử dụng các thư viện như Numpy, Pandas, Scikitlearn, có câu hỏi tìm câu trả lời cho câu hỏi.

Bạn có thể tìm thấy bài viết của tôi liệt kê các tài nguyên cho ngôn ngữ lập trình Python tại đây .

Việc đọc, phân tích, định hình và xử lý trước dữ liệu là rất quan trọng đối với Khoa học dữ liệu. Đó là lý do tại sao nó xuất hiện như một yêu cầu mặc định để có thể thực hiện những điều này trên nhiều dữ liệu khác nhau bằng ngôn ngữ lập trình.

Mặc dù SQL không được hỏi trong mọi cuộc phỏng vấn, nhưng nó là một kỹ năng bắt buộc theo thời gian ở các vị trí Khoa học dữ liệu. Trong khoa học dữ liệu, công việc của bạn có thể rơi vào SQL, vì vậy hãy chuẩn bị cho những câu hỏi về kinh nghiệm SQL có thể xuất hiện trong cuộc phỏng vấn.

R là ngôn ngữ lập trình không được hỏi vì tôi không có kinh nghiệm, nhưng được đưa ra trong các cuộc phỏng vấn Khoa học dữ liệu.

Bạn có thể tìm thấy bài viết của tôi ở đây, nơi tôi liệt kê các tài nguyên bạn có thể sử dụng để học ngôn ngữ lập trình và cải thiện kỹ năng thuật toán của mình .

Trải nghiệm đám mây: Google Cloud, AWS và hơn thế nữa

Trải nghiệm đám mây là một chủ đề mà tôi đã đề cập trong quá trình ứng tuyển, cũng có trong CV của tôi và tôi nghĩ rằng điều này đã giúp tôi đi trước một vài bước trong các cuộc phỏng vấn.

Trong các nghiên cứu Khoa học dữ liệu, hầu hết thời gian, công việc được thực hiện trên đám mây, không phải cục bộ, vì các lý do như mật độ dữ liệu, độ phức tạp của mô hình và chi phí cài đặt. Do đó, điều quan trọng là phải có kỹ năng làm việc tốt với máy tính xách tay, biết các sản phẩm của Anaconda cũng như có thông tin về các dịch vụ được cung cấp bởi công nghệ Đám mây. Hầu hết thời gian, việc sử dụng các công cụ Đám mây thay vì viết lại một dự án giúp giảm đáng kể chi phí. Các sản phẩm đám mây rất hữu ích không chỉ về phần cứng mà còn về mặt công cụ.

Do đó, việc tham gia các cuộc phỏng vấn Khoa học Dữ liệu với kiến ​​thức về các sản phẩm và kinh nghiệm của Đám mây nếu bạn có thể, có thể giúp bạn vượt lên.

Các câu hỏi về góc đảo ngược

Cũng có những câu hỏi chéo trong cuộc phỏng vấn. Ngoài những câu hỏi ngược lại về mặt kỹ thuật, cũng có những câu hỏi đo lường kỹ năng phân tích và cách suy nghĩ của bạn. Đối với những câu hỏi như vậy, điều rất quan trọng là phải suy nghĩ kỹ càng, không ngần ngại đưa ra nhận xét và quy những điều bạn nói là có lý do.

• Có bao nhiêu gia đình có trẻ em ở Istanbul?
• Bao nhiêu lít dầu ô liu được sử dụng trong một năm ở Thổ Nhĩ Kỳ?
• Nếu chúng ta có 8 quả bóng và một bảng cân và chỉ có 1 trong số các quả bóng nặng hơn, thì trong bao nhiêu lần di chuyển chúng ta có thể tìm thấy quả bóng nặng bằng bàn cân?
• Trên thế giới tiêu thụ bao nhiêu dầu gội đầu trong một năm?

Ví dụ, đối với câu hỏi về tỷ lệ sử dụng dầu gội đầu; Trung bình bạn tắm bao nhiêu lần một tuần và tần suất sử dụng bao nhiêu lít dầu gội có thể là một lời giới thiệu tốt. Suy nghĩ thấu đáo về các chi tiết và thể hiện các tình huống bất thường và khác nhau bằng cách xem dữ liệu sẽ có tác dụng tích cực, chẳng hạn như những người sử dụng xà phòng thay vì dầu gội đầu, những người tóc dài gội đầu 2-3 lần trong một lần tắm, những người không có tóc sẽ không sử dụng một hoặc không có dầu gội đầu nào cả.

Sự kết luận

Lĩnh vực Khoa học Dữ liệu khá rộng và các công ty có thể đặt những câu hỏi khác nhau, nhưng những câu hỏi dựa trên kiến ​​thức ML và Python cơ bản là chủ đề của hầu hết mọi cuộc phỏng vấn.

Đừng ngại bước vào vòng phỏng vấn, đến giai đoạn kỹ thuật. Hầu hết thời gian, các câu hỏi hướng đến bạn và câu trả lời của bạn.

Bằng cách sử dụng LinkedIn hoặc các trang web tìm kiếm việc làm khác, bạn có thể kiểm tra yêu cầu của các công ty mở quảng cáo của Nhà khoa học dữ liệu, ghi chú những công nghệ bạn chưa biết và chuẩn bị cho các cuộc phỏng vấn bằng cách bù đắp những thiếu sót của bạn.

Điều rất quan trọng là phải tích cực, tự tin và tin tưởng vào các dự án trước đây trong cuộc phỏng vấn. Hiểu các dự án từ đầu đến cuối, tạo ra các kịch bản, phân tích chúng và suy nghĩ lớn là một trong những đề xuất của tôi có thể ảnh hưởng tích cực đến quá trình phỏng vấn của bạn :)

Tôi muốn liệt kê một số câu hỏi mẫu đã được hỏi và những gợi ý trong đầu. Tôi hy vọng một sự nghiệp tuyệt vời sẽ được với bạn.

Tôi thường xuyên cố gắng viết các đề xuất tài nguyên và các bài báo kỹ thuật. Bạn có thể theo dõi tài khoản Trung bình của tôi, nếu bạn thích bài viết, bạn có thể trình bày sự cảm kích của mình bằng những cái vỗ tay. Nhận xét và tương tác của bạn với tôi sẽ làm cho tôi hạnh phúc.

Nếu bạn muốn truy cập các tài khoản mạng xã hội của tôi, liên hệ với tôi và được thông báo về công việc của tôi, tôi rời khỏi trang web của mình. Bạn có thể theo dõi và giao tiếp với tôi trên mạng xã hội, đặc biệt là Twitter . Thanks!