資深數據科學家面試經驗：千萬別踩這4個坑！

策劃編輯 | Vincent

作者 | Ganes Kesari B

譯者 | 無明

編輯 | Vincent，Natalie

AI 前線導讀：「數據科學家」被認為是本世紀最性感的工作，但要招聘一個數據科學家可能就不那麼「性感」了。事實上，對於很多公司來說，招聘工作可能會讓人感到痛苦不堪。而對有志於成為數據科學家的人來說，要想在數據科學領域找到一份完美的工作，也往往不像表面上那麼光彩奪目。本文作者在數據分析從業多年，同時也是印度一家數據公司的聯合創始人，他基於多年的數據科學家招聘工作，總結了可能導致應聘者面試失敗的四個陷阱。AI 前線對文章進行了翻譯並分享給大家，希望你們看完之後不會再掉進類似的坑裡！

更多乾貨內容請關注微信公眾號「AI 前線」，（ID：ai-front）

機器學習很難，而培養能夠進行機器學習開發的人更難。要想成為一名富有成效的數據科學家，需要經過不同階段的專業知識訓練。

對於想找到這樣的數據科學家的公司來說，就像大海撈針。在 Gramener 從事了多年的數據科學家招聘工作之後，我總結了人才市場上存在的一些應聘者的技能模式。雖然面試失敗的方式有數百種，但它們大致可以被分為四大類型。

有可能被拒之門外的 4 種應聘方式

成千上萬的申請人中只有少數能夠擠過機器學習的獨木橋，因此了解大多數人的失敗情況是很有幫助的。對於有抱負的數據科學家或希望提高工作水平的人來說，這些都是需要避免的陷阱。

意識到自己的弱點是解決問題的第一步。

想要成為一名真正成功的數據科學，應聘者需要掌握專業的技能。為了用輕鬆的方式來說明這些問題，我們將用訓練狙擊手的例子作為類比。

那麼，可能導致應聘數據科學家職位失敗的 4 種方式是什麼？

1. 用機器學習流行語裝飾簡歷

與其他任何工作一樣，用行業術語來裝飾個人簡歷也許是很誘人的，而數據科學恰恰不缺乏流行語。雖然這種行為的確提高了簡歷獲得關注的機會，但很快會帶來反作用。

簡歷上聲稱的高級分析技能實際上只是熟悉基本的 Excel 數據透視表、SQL 查詢或 Google Analytics，這樣的情況並不罕見。這種行為不僅浪費時間，也無法讓候選人通過面試，甚至會讓他們感到挫敗。

對於有抱負的狙擊手來說，這就好比只要穿上士兵的外衣、扛起士兵的槍，不需要任何時間訓練就能成為一名士兵一樣。這聽起來似乎很荒謬，一隻披著狼皮的羊四處尋找獵物，這可不是一件開玩笑的事。

2. 不建模，直接調用第三方庫

許多聲稱了解建模的候選人都極力解釋模型函數調用和參數。確實，通過一行代碼就可以讓模型運行起來，但機器學習遠不止這麼簡單。數據科學家需要了解更多，比如為什麼邏輯回歸比 SVM 更適合用在某些場景里，或者什麼時候簡單的外推法比 ARIMA 或 Holt-Winters 等預測技術更好用。

一個好的狙擊手需要做的不僅僅是瞄準和射擊。實際上，射擊訓練只佔狙擊學校課程的 20％。狙擊手需要掌握更多的技能，比如耐心、遵守紀律和從遠處估計目標距離的觀察能力。

3. 數據分析基礎不牢固

機器學習技術方面的動手能力可以成為候選人的加分項，但他們往往會在這方面做得不足。他們需要投入精力進行訓練，以掌握更多基礎技能，比如容易被忽略的統計和探索性數據分析。

建模僅占數據分析生命周期的一小部分。在任何成功的機器學習項目中，超過 50％的時間都是在數據準備、數據清理，而之後的 25％時間用於模型的解釋和推薦。

即使候選人聲稱他們的項目達到了 90％的準確率，但他們卻很難解釋 p 值是什麼。聽著他們解釋為什麼我們需要模型的置信區間時，簡直就是一場悲劇。

牢牢掌握基礎知識對所有學科都是至關重要的。一名狙擊手首先需要成為一名偉大的步兵。如果狙擊手在戰鬥中無法修好出問題的槍或者是失火的話，那麼再好的槍法又有什麼用？

4. 無法應用分析技術來解決業務問題

要掌握我們討論過的所有技術顯然是一項艱巨的任務。不過我們還是錯過了整個鏈條的關鍵環節，而這正是大多數面試出現問題的地方。

數據科學家的最終使命是解決業務問題，而不僅僅是分析數據或建立一個偉大的模型。他們在使用工具載入數據之前，需要先知道要解決什麼業務問題，並制定解決問題的步驟。

當被問及企業如何解決客戶流失問題時，如果候選人開始大侃數據分析技術，或者更糟糕的是，圍繞模型名稱說個沒完，那麼面試極有可能失敗。他們應該要想想為什麼用戶會註冊、用戶的期望是什麼以及什麼東西會影響到業務。

試想，如果一個專家狙擊手無法偽裝好自己或無法找到正確的射擊目標，那麼這樣的狙擊手其實是一個危險的人，他的風險比外部的敵人來得更大。

總結：走向數據科學

總之，在走向數據科學的路上，我們需要遵守一些原則：

找出業務問題，並通過一系列步驟來解決問題。

在統計學和探索性數據分析中應用基礎知識，以獲得對數據的直觀感受，並不斷改進分析方法。

選擇恰當的數據分析技術或機器學習模型，然後把結果呈現給用戶。

正確定位自己的專業知識技能，做適合這個角色做的事情。

One More Thing

噢，對了，在你真的想好要進入數據分析領域之前，建議你先看看數據科學家們發自內心深處的吐槽《年薪超 70 萬，為什麼數據科學家們還都忙著找新工作？》，如果看完之後你依然滿腔熱情，AI 前線祝你能夠在數據分析市場中找到自己的一席之地！

https://towardsdatascience.com/4-ways-to-fail-a-data-scientist-job-interview-d9c4c85c683

今日薦文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！