डेटा वैज्ञानिकों के लिए नौकरी का विवरण बहुत भिन्न हो सकता है, हालांकि सभी सबसे वांछित नौकरी कौशल की एक लंबी सूची के साथ उम्मीदवारों की तलाश कर रहे हैं जैसे महत्वपूर्ण सोच, समस्या-समाधान, डेटा एनालिटिक्स, भावनात्मक खुफिया, विस्तार और टीम वर्क पर ध्यान। इसका मतलब यह है कि डेटा वैज्ञानिकों के लिए साक्षात्कार के प्रश्न कई अलग-अलग विषयों और विशिष्ट सॉफ्ट कौशल प्रश्नों से लेकर अत्यंत तकनीकी चर्चाओं तक हो सकते हैं।
डेटा साइंस इंटरव्यू के लिए बहुत अधिक तैयारी की आवश्यकता होती है। चाहे आप किसी शीर्ष कंप्यूटर साइंस स्कूल से बाहर हों या आप किसी अलग कंपनी या उद्योग में शिफ्ट होना चाहते हों, आपको अपने काम की प्रमुख अवधारणाओं पर जाने के लिए समय निकालना चाहिए। जैसे आप जानते हैं कि कैसे गाड़ी चलाना है, लेकिन सड़क के विशिष्ट नियमों को याद करने में परेशानी हो सकती है, आप एक इंटरव्यू में यह बताने की कोशिश कर सकते हैं कि एक विशिष्ट एल्गोरिदम कैसे काम करता है।
आपको तैयार करने में मदद करने के लिए, हमने 10 सबसे आम डेटा वैज्ञानिक साक्षात्कार प्रश्नों का संकलन किया है। प्रारंभिक स्क्रीनिंग से दूसरे और तीसरे चरण के वीडियो और साइट पर साक्षात्कार के बाद, आप अपने तकनीकी कौशल, संचार क्षमताओं और कार्यशैली जैसी कई परीक्षाओं का सामना करेंगे।
1. 'हमें अपने पोर्टफोलियो में सबसे हालिया परियोजना के बारे में बताएं।'
कई अलग-अलग उद्योगों में डेटा वैज्ञानिकों की मांग है, लेकिन कंपनियां अक्सर किसी ऐसे व्यक्ति की तलाश में रहती हैं जो बहुत विशिष्ट कौशल के साथ-साथ एक अच्छी संस्कृति के अनुकूल हो। एक विस्तृत ऑनलाइन पोर्टफोलियो जिसमें आप काम करने में सक्षम हैं, साथ ही साथ एक मजबूत सोशल मीडिया उपस्थिति और व्यक्तिगत ब्रांड भी है, आपको अन्य उम्मीदवारों से बाहर खड़े होने में मदद करता है और आपको काम पर रखने वाले प्रबंधकों और नियोक्ताओं के साथ काम करने के लिए पूरी तरह से जोड़ता है। करने के लिए अनुकूल।
अपने सीवी, पोर्टफोलियो या वेबसाइट के सभी तत्वों के बारे में विस्तार से बात करने के लिए किसी भी डेटा साइंस साक्षात्कार में तैयार रहें। अपने दर्शकों के अनुकूल एक परियोजना के बारे में अपनी प्रतिक्रिया दर्जी। यदि यह प्रारंभिक स्क्रीनिंग है या विभिन्न विभागों के प्रतिभागियों के साथ एक पैनल है, तो आपका ध्यान उन तरीकों पर होना चाहिए जो आपके काम ने क्लाइंट और उनके व्यवसाय के लिए सकारात्मक परिणाम बनाए हैं।
जब आप साक्षात्कार प्रक्रिया के उस हिस्से में पहुँचते हैं जहाँ आप किसी अन्य डेटा वैज्ञानिक, इंजीनियर, विश्लेषक या अन्य तकनीकी व्यक्ति से मिल रहे हैं, तो आपके काम में शामिल डेटा और प्रक्रियाओं का अधिक विस्तृत विवरण आवश्यक है।
2. 'आप इस कंपनी के लिए काम क्यों करना चाहते हैं?'
यहां तक कि अगर आपको सीधे अपने ऑनलाइन पोर्टफोलियो या लिंक्डइन प्रोफाइल के माध्यम से संपर्क किया गया था और एक खुली स्थिति के लिए साक्षात्कार के लिए आमंत्रित किया गया था, तो कंपनी अभी भी जानना चाहती है कि आपने क्यों स्वीकार किया है और आपको क्यों लगता है कि आप नौकरी के लिए एक अच्छा फिट होंगे।
अपने तकनीकी कौशल पर ब्रश करने के अलावा, साक्षात्कार के लिए आपकी तैयारी में आपके द्वारा लागू किए जाने वाले व्यवसाय पर अनुसंधान शामिल होना चाहिए। उनके उद्योग, मिशन, कर्मचारियों के बारे में जानकारी, वे क्या करते हैं और कितनी अच्छी तरह से कर रहे हैं, यह इस प्रश्न के विशेष रूप से सिलसिलेवार प्रतिक्रिया को शिल्प करने में आपकी मदद करेगा।
पता करें कि आपका कौशल कैसे उन्हें अपने लक्ष्यों को पूरा करने में मदद करेगा। कंपनी के मिशन, दर्शन, नवाचार या उत्पाद लाइन सहित अपनी नौकरी की भूमिका के एक या अधिक पहलुओं के बारे में जुनून व्यक्त करने का एक तरीका खोजें। यदि यह आपका ड्रीम जॉब है, तो इंटरव्यू से पहले एक डेटा साइंस प्रोजेक्ट को एक साथ रखने का समय हो सकता है जो उनके लिए एक समस्या को हल करता है - जैसे कि एक नए जनसांख्यिकीय या शेड्यूलिंग डिलीवरी को अधिक कुशलता से अपील करना।
3. 'उन डेटा वैज्ञानिकों का नाम बताइए जिनकी आप सबसे ज्यादा प्रशंसा करते हैं और बताते हैं कि क्यों।'
हालांकि यह एक बहुत ही निजी सवाल है जिसका तकनीकी रूप से सही उत्तर नहीं है, आपके द्वारा चुनी गई प्रतिक्रियाएँ बहुत महत्वपूर्ण हैं। कंपनी पर आपका शोध, साथ ही साक्षात्कार पैनल पर उन लोगों को अकेले इस प्रश्न के साथ एक अच्छा पहला प्रभाव बनाने में मदद कर सकता है।
उन लोगों के बारे में जानना जो क्षेत्र में प्रमुख हैं और साथ ही वर्तमान में लहरों को बनाने वाले साक्षात्कारकर्ताओं को भी दिखाएंगे कि आप दोनों उद्योग के बारे में जानकार और भावुक हैं। यह उन डेटा वैज्ञानिकों पर चर्चा करने के लिए उपयोगी है, जो आपके द्वारा लागू किए जाने वाले विशिष्ट कैरियर क्षेत्र में हैं, जैसे कि वित्त, चिकित्सा या शेयर बाजार।
यह सवाल सिर्फ नामों की एक प्रभावशाली सूची से अधिक है। समीकरण का 'क्यों' हिस्सा आपके भावी नियोक्ताओं को भी दिखाएगा कि आप अपने क्षेत्र में क्या महत्व रखते हैं और आप अपने काम को कैसे करेंगे। यदि आपके शोध से पता चला है कि कंपनी नवाचार, अखंडता या यहां तक कि एक निश्चित सांख्यिकीय पद्धति को महत्व देती है, तो यह आपको उन मूल्यों को साझा करने का मौका देने का एक शानदार अवसर है।
4. 'आप विपणन विभाग के किसी व्यक्ति को एक सिफारिश इंजन कैसे समझाएंगे?'
अन्य तकनीकी प्रतिभाओं के अलावा डेटा वैज्ञानिकों को सेट करने वाले महत्वपूर्ण गुणों में से एक डेटा को परिवर्तित करने, प्रदर्शित करने और समझाने की क्षमता है जो गैर-तकनीकी लोग समझ सकते हैं। यह आपके द्वारा सामना किए जाने वाले सबसे महत्वपूर्ण डेटा वैज्ञानिक साक्षात्कार प्रश्नों में से एक प्रश्न बनाता है। साक्षात्कारकर्ता यह देखना चाहते हैं कि आप किसी भी दर्शकों के लिए डेटा मॉडलिंग, निर्णय पेड़ और रैखिक प्रतिगमन जैसी अवधारणाओं को कितनी अच्छी तरह से संवाद कर सकते हैं।
इस विशिष्ट मामले में, आप पहले सरल शब्दों में समझाना चाहेंगे कि एक सिफारिश इंजन कैसे काम करता है, जिसमें सामग्री-आधारित फ़िल्टरिंग और सहयोगी फ़िल्टरिंग दोनों के उदाहरण हैं। फिर आप चर्चा करना चाहेंगे कि आप मार्केटिंग विभाग के साथ कैसे काम कर सकते हैं, ग्राहकों को उन एल्गोरिथ्म की शक्ति के साथ अपने कौशल को संयोजित करने के लिए जो एकत्र किए गए डेटा का उपयोग करके यह इंगित करने में मदद करते हैं कि उपभोक्ता क्या चाहते हैं।
5. 'पर्यवेक्षित और अनुपयोगी शिक्षा के बीच अंतर क्या हैं?'
आप संक्षेप में बता सकते हैं कि इन दोनों के बीच मुख्य अंतर यह है कि पर्यवेक्षित शिक्षण में प्रशिक्षण डेटा है जो एल्गोरिथ्म से सीख सकता है और उत्तर प्रदान कर सकता है। अनसुनी शिक्षा के लिए समान, सामान्य विसंगतियों और अन्य पैटर्न की मांग वाली चीजों को एक साथ समूहित करने की आवश्यकता होती है, न कि कठिन और तेज डेटा के बजाय।
साक्षात्कारकर्ता आपको अधिक विस्तार में जाना चाहेगा, इसलिए विशिष्ट अंतरों को सूचीबद्ध करना और उपयोग किए जाने वाले विभिन्न एल्गोरिदम के बारे में बात करना संभव है।
पर्यवेक्षित अध्ययन
- इनपुट के रूप में ज्ञात और लेबल किए गए डेटा का उपयोग करता है
- एक प्रतिक्रिया तंत्र है
- भविष्यवाणी के लिए इस्तेमाल किया
- इसके आम एल्गोरिदम में निर्णय पेड़, लॉजिस्टिक रिग्रेशन, लीनियर रिग्रेशन, सपोर्ट वेक्टर मशीन और रैंडम फॉरेस्ट शामिल हैं
अनसुनी हुई पढ़ाई
- इनपुट के रूप में अनलिस्टेड डेटा का उपयोग करता है
- कोई प्रतिक्रिया तंत्र नहीं है
- विश्लेषण के लिए इस्तेमाल किया
- इसके सामान्य एल्गोरिदम में K- साधन क्लस्टरिंग, श्रेणीबद्ध क्लस्टरिंग, ऑटोकेनोडर्स और एसोसिएशन नियम शामिल हैं
आप इन दोनों प्रकार के मशीन लर्निंग के अंतर और प्रत्येक उदाहरण में इस्तेमाल किए जा सकने वाले उदाहरणों को स्पष्ट करने के लिए, कुछ उदाहरणों के लिए, या तो जेनेरिक या किसी विशिष्ट प्रोजेक्ट से, जिस पर आपने काम किया है, करना चाहते हैं। मिसाल के तौर पर, एक नए उत्पाद को लॉन्च करते समय अनुपयोगी शिक्षण का उपयोग किया जा सकता है, जहां ग्राहक की जनसांख्यिकी जिस पर वह अपील कर सकता है वह अज्ञात है।
सदस्यता लें
अधिक भयानक सामग्री के लिए हमारे न्यूज़लेटर के लिए साइन अप करें और 20% प्राप्त करें!
सदस्यता लें6. 'आप चयन पूर्वाग्रह से कैसे बचते हैं?'
यह सवाल एक डेटा साइंस साक्षात्कार में कई रूप ले सकता है। आपको चयन पूर्वाग्रह को परिभाषित करने के लिए कहा जा सकता है, इससे कैसे बचा जाए या इस पर एक विशिष्ट उदाहरण दिया जाए कि आपने जिस परियोजना पर काम किया है, उसमें किस तरह की भूमिका निभाई।
चयन पूर्वाग्रह के साथ मुख्य मुद्दा यह है कि निष्कर्ष एक गैर-यादृच्छिक नमूने से खींचा गया है। जाहिर है, सबसे आसान समाधान हमेशा स्पष्ट रूप से परिभाषित आबादी के यादृच्छिक नमूने से चयन करना है। आपको इस बात पर विस्तार से बताने की आवश्यकता होगी कि ऐसा हमेशा क्यों संभव नहीं है।
ध्यान रखें कि चूंकि चयन पूर्वाग्रह जानबूझकर किया जा सकता है - विषय चयन या डेटा उन्मूलन के साथ जानबूझकर एक पूर्वनिर्धारित सिद्धांत या प्रक्षेपण को सिद्ध करने के लिए किया जाता है - यह काम पर नैतिकता और अखंडता के बारे में उन कठिन साक्षात्कार प्रश्नों में से एक को काम पर रखने के पैनल के लिए एक अप्रत्यक्ष तरीका हो सकता है। ।
आप अंततः इस बात पर ज़ोर देना चाहेंगे कि चयन पूर्वाग्रह अधिक बार अनजाने या अनजाने में पक्षपाती डेटा का मामला कैसे होता है। उन कुछ क्षेत्रों के बारे में विस्तार से सुनिश्चित करें जहाँ चयन पूर्वाग्रह हो सकते हैं, जिनमें नमूनाकरण, समय अंतराल, डेटा और एट्रिशन शामिल हैं। फिर कुछ उदाहरण दें कि पुनरुत्पादन और बढ़ाने जैसी तकनीकों का कैसे उपयोग आपको गैर-यादृच्छिक नमूनों के आसपास काम करने में मदद कर सकता है।
यदि आप कम तकनीकी विभागों के प्रतिनिधियों के साथ बात कर रहे हैं, तो एक साक्षात्कार के हिस्से में, आसानी से पचने योग्य उदाहरण का उपयोग करें जो स्पष्ट रूप से चयन पूर्वाग्रह को दिखाता है। डेटा वैज्ञानिक एरिक होलिंग्सवर्थ ने 2011 के एवियन फ्लू के प्रकोप से सीखे सबक का संदर्भ दिया, जहां 'पुष्टि किए गए मामलों' के सांख्यिकीय नमूने में 'केवल बहुत बीमार व्यक्तियों की गिनती की गई थी।' परिणामी 80% ने मृत्यु दर की सूचना दी, इसलिए चयन पूर्वाग्रह के कारण भयावह, काफी व्यापक भय पैदा किया।
7. 'बाह्य मूल्यों का इलाज कैसे किया जा सकता है?'
यह डेटा वैज्ञानिकों के लिए एक सामान्य साक्षात्कार प्रश्न है, क्योंकि यह बताता है कि आप अपने द्वारा दिए गए डेटा का उपयोग कैसे करते हैं, उस डेटा को संसाधित करने के लिए आपके द्वारा उपयोग किए जाने वाले तरीके और क्या आप उस डेटा के प्रत्येक टुकड़े का मूल्यांकन करने के लिए समय देने के लिए तैयार हैं।
आप पहले इस बारे में बात करना चाहते हैं कि एक आरेख का क्या गठन होता है, क्योंकि संख्याएँ जो किसी ग्राफ़ पर डेटा के क्लस्टर के बाहर मौजूद हैं, जैसे कि औसत से 2-3 मानक विचलन, और इसी तरह। आउटलेर्स से निपटने के लिए अगला कदम मूल्यांकन कर रहा है कि वे क्यों हुए।
सरल मानव या मशीन त्रुटि के लिए जिम्मेदार ठहराए जाने वाले बाहरी लोगों की एक छोटी राशि आसानी से समाप्त हो जाती है। हालांकि, यह भी ध्यान रखें कि समस्या के बजाय एक एकल आउटलाइयर एक महत्वपूर्ण डेटा बिंदु हो सकता है, क्योंकि यह एकल विपणन रणनीति, नई दवा सामग्री या उत्पाद लाइन की सफलता का संकेत दे सकता है।
इसके बाद, आप यह बताना चाहते हैं कि बड़ी संख्या में आउटलेयर से कैसे निपटें, जिसके लिए अधिक जटिल समाधानों की आवश्यकता होती है। उदाहरण के लिए, आपको अपने द्वारा उपयोग किए जा रहे मॉडल को बदलने की आवश्यकता हो सकती है, डेटा को औसत से सामान्य कर सकते हैं या यादृच्छिक वन एल्गोरिथ्म का उपयोग कर सकते हैं। एक बार फिर, सही रणनीति को समझाने के लिए डेटा वैज्ञानिक के रूप में अपने अनुभव से वास्तविक जीवन के मामले का उपयोग करने का प्रयास करें।
8. 'डेटा सफाई क्यों महत्वपूर्ण है?'
डेटा संग्रह और सफाई एक डेटा वैज्ञानिक के रूप में आपकी नौकरी का एक प्रमुख हिस्सा है, जो आपके समय का 80% तक ले जाता है। आप जिस भी उद्योग में आवेदन कर रहे हैं, साक्षात्कार के सवालों में हमेशा एक बात शामिल होगी कि डेटा की सफाई क्यों महत्वपूर्ण है। साक्षात्कारकर्ता आपकी पसंदीदा सफाई तकनीकों और कार्यक्रमों के बारे में भी पूछेंगे।
आपको इस बात पर जोर देना चाहिए कि सही निष्कर्ष निकालने के लिए स्वच्छ डेटा कितना आवश्यक है, लेकिन यह केवल संख्याओं के बारे में नहीं है। बताएं कि पूर्ण, सटीक, मान्य और एकसमान डेटा के साथ शुरू करने से सीधे उनके व्यवसाय पर क्या प्रभाव पड़ता है। चर्चा करने के लिए मुख्य लाभ में शामिल हैं:
- कंपनी के उद्देश्यों पर निर्णय लेने में सुधार
- तेजी से ग्राहक अधिग्रहण और पिछले ग्राहकों का फिर से लक्ष्यीकरण
- गलत और डुप्लिकेट डेटा को नष्ट करने के कारण समय और संसाधन की बचत
- उत्पादकता में सुधार
- बार-बार कुशल और सटीक परिणामों के लिए टीम का मनोबल बढ़ाया
9. 'ए / बी परीक्षण का लक्ष्य क्या है?'
डेटा वैज्ञानिक स्थिति के लिए आपके साक्षात्कार के दौरान ए / बी परीक्षण के बारे में प्रश्न उपयोगकर्ता व्यवहार या वरीयताओं के बारे में एक भी प्रश्न का उत्तर देने के लिए प्रयोगात्मक डिजाइन का उपयोग करने के लिए अधिक सामान्य संदर्भ के साथ शुरू हो सकता है। एक वेबसाइट, ऐप या न्यूज़लेटर डिज़ाइन वेरिएबल का परीक्षण करने का लक्ष्य केवल यह मूल्यांकन करना है कि क्या कोई परिवर्तन ब्याज, सगाई और रूपांतरण दर बढ़ाएगा।
इस प्रकार के साक्षात्कार प्रश्नों के उत्तर देने में खुद को अलग करने का एक तरीका यह है कि अन्य डेटा वैज्ञानिकों ने ए / परीक्षण से गलत निष्कर्ष कैसे निकाले, इस पर चर्चा की जाए। संभावित नुकसान में शामिल हैं:
- लंबे समय तक पर्याप्त डेटा एकत्र नहीं करना
- एक ही बार में कई चर का परीक्षण
- बाहरी कारकों के लिए लेखांकन नहीं जो परीक्षण अवधि के दौरान यातायात को प्रभावित कर सकते हैं
- छोटे लाभ को अनदेखा करना जो समय के साथ बढ़ सकते हैं और राजस्व में वृद्धि के लिए अन्य सकारात्मक परिवर्तनों के साथ संयोजन कर सकते हैं
- रूपांतरण दरों के सापेक्ष शुद्ध वित्तीय लाभ या हानि जैसी बड़ी तस्वीर की व्याख्याएं गायब हैं
इन समस्याओं को इंगित करने के अलावा, आपको यह व्यक्त करने की आवश्यकता होगी कि आप उन्हें कैसे हल करेंगे - या, बेहतर अभी तक, आपने पहले से ही अपने पिछले डेटा विज्ञान परियोजनाओं में उन्हें कैसे टाला है।
10. 'इस कोडिंग चैलेंज को हल करने के लिए आपके पास 48 घंटे हैं।'
कोडिंग चुनौती संभावित डेटा वैज्ञानिकों को स्क्रीन करने का एक प्रारंभिक तरीका हो सकता है, या एक भर्ती या भर्ती प्रबंधक के साथ पहली बाधा को साफ करने के बाद साक्षात्कार प्रक्रिया में यह एक दूसरा कदम हो सकता है। यह एक साइट पर परीक्षण हो सकता है जो 30 मिनट से 2 घंटे तक का समय लेता है, जहां आप साक्षात्कारकर्ता को देखते हुए व्हाइटबोर्ड या कीबोर्ड पर कोडिंग करेंगे। आपको अक्सर भाषा का विकल्प दिया जाता है, लेकिन SQL या पायथन में कोड करने के लिए तैयार रहें।
कुछ कंपनियां एक सप्ताह तक की समय सीमा के साथ, लंबे समय तक कार्य सौंपती हैं। व्हाइटबोर्ड चुनौतियों के लिए काफी सरल एसक्यूएल प्रश्नों को लिखने की आवश्यकता हो सकती है, लेकिन अब परीक्षण निश्चित रूप से अधिक जटिल हैं। आमतौर पर, आपको डेटा दिया जाएगा और उस डेटा का उपयोग करके विशिष्ट भविष्यवाणियां करने के लिए कहा जाएगा, और आपको अपना काम दिखाना होगा। उदाहरण के लिए, हाल ही में डेटा वैज्ञानिक साक्षात्कार विषय Airbnb डेटा दिया गया था और आवास सुविधाओं के आधार पर घर की कीमतों की भविष्यवाणी करने के लिए कहा गया था।
साक्षात्कारकर्ता आपके साथ आपकी पसंद पर चर्चा करना चाहते हैं, आपके द्वारा बनाई गई धारणाएं, आपके द्वारा चुनी गई विशेषताएं, आपने कुछ एल्गोरिदम का उपयोग क्यों किया, और अधिक। अक्सर, आप जिस उत्तर पर पहुंचते हैं, वह आपकी प्रक्रिया, रचनात्मकता, कोड पठनीयता और डिजाइन से कम महत्वपूर्ण नहीं है।
यह एक नर्व-व्रैकिंग साक्षात्कार अनुभव हो सकता है, इसलिए डेटा साइंस क्षेत्र में दोस्तों या सहकर्मियों के साथ अभ्यास कोडिंग चुनौतियों को बनाने और पूरा करने के लिए खुद को तैयार करें। कोडिंग एक्सरसाइज के लिए आप Leetcode और SQLZOO जैसी साइट्स पर भी जा सकते हैं। एल्गोरिदम और सिस्टम डिज़ाइन समस्याओं से संबंधित वास्तविक मॉक इंटरव्यू Interviewing.io के माध्यम से मुफ्त में उपलब्ध हैं।
जैसा कि आप देख सकते हैं, डेटा वैज्ञानिकों के लिए साक्षात्कार प्रश्न कठिन हो सकते हैं, और समग्र प्रक्रिया लंबी और भीषण हो सकती है। सबसे महत्वपूर्ण साक्षात्कार सुझावों में से एक सकारात्मक रहना है, भले ही आपको लगता है कि साक्षात्कार प्रक्रिया का एक हिस्सा खराब चला गया। हम अक्सर दूसरों की तुलना में अपने आप पर सख्त होते हैं, और आप हर जवाब को सही नहीं मानने के बावजूद नौकरी छोड़ सकते हैं।
यदि आप अवसर से चूक जाते हैं, तो प्रतिक्रिया के लिए पूछें और अपने अगले साक्षात्कार के अनुभव में सुधार करने के लिए इसका उपयोग करें। आखिरकार, कई अच्छी तरह से स्थापित डेटा वैज्ञानिकों को कई पदों से खारिज कर दिया गया था और अभी भी नौकरियों में सफलता के लिए चला गया था कि अंततः बेहतर फिट थे!
डेटा विज्ञान की नौकरी के लिए प्रयास करते समय किन सवालों और कोडिंग चुनौतियों का सामना करना पड़ा? नीचे टिप्पणी में चर्चा में शामिल हों और अपने साथी डेटा वैज्ञानिकों को उनके अगले साक्षात्कार के लिए तैयार करने में मदद करें!
