堵漏数据科学面试中常见的4个失败点

“数据科学家”很可能是本世纪最性感的工作。但是雇佣一个人绝对不是这样。事实上，这对公司来说是非常痛苦的。对于那些有兴趣在核心数据科学领域获得完美工作的人来说，这也是一件大事。虽然机器学习很困难，但训练一个能让机器学习的人可能更困难。通过各种专业知识的增量阶段，一个人发展成为一名高效的数据科学家。对于试图找到其中一家的公司来说，这就像大海捞针。在Gramener聘请数据科学家多年后，我发现市场上出现了一些明显的重复技能缺口模式。虽然面试失败的方式有上百种，但都可以分为四种。考虑到成千上万的申请者中只有少数人能胜任这个繁重的机器学习职位，了解大多数人的失败是非常有帮助的。对于任何有抱负的数据科学家或想要晋升的人来说，这些显然是必须避免的陷阱。要成为一名真正成功的数据科学实践者，你需要掌握一套专业技能。为了以一种轻松的方式解释角色之间的细微差异，我们将探索这四点的相似之处，并将其与训练成狙击手的人进行比较：另一个很酷，微妙的工作需要高技能水平。让我们开始..那么，数据科学家面试失败的四种方法是什么？1.用机器学习的流行词来粉饰简历，就像任何一份工作一样，在简历中加入一些行业术语可能很有吸引力。流行词并不缺乏数据科学。虽然这种装模作样的行为确实提高了简历被人力资源部门自动评分机器人选中的概率，但很快就会适得其反。人们常常发现，所谓的“高级”分析技能，其实只是对excel透视表、SQL查询或谷歌分析的基本熟悉。即使不考虑浪费时间，这种糟糕的策略也会导致巨大的失败和更大的挫伤热情。对于我们雄心勃勃的狙击手来说，这相当于在没有任何训练时间的情况下穿上士兵的衣服，拿起枪。虽然听起来很荒谬，但对于披着狼皮去打猎的羊来说，这并不有趣。2.许多声称了解所有建模知识的候选人只调用库来构建模型，这在解释模型函数调用和参数以外的内容时非常困难。在问随机森林这样的技术是什么之前，更重要的问题是为什么首先需要它。公平地说，模型是通过一行代码的库调用来建立和运行的。然而，机器学习绝非如此。例如，我们需要知道哪些方面的逻辑回归比支持向量机更合适。或者，简单的外推比ARIMA或HoltWinters等预测技术更强大。一个好的狙击手需要做的不仅仅是瞄准和射击。事实上，狙击学校的射击只有课程的20%。一个人需要细致的技能，如耐心、自律和敏锐的观察，从远处估计目标的范围。3.缺乏数据分析所需的基础知识，虽然对机器学习技术的直观理解对应聘者来说是一个很强的优势，但他们往往会止步于此。为了掌握统计和探索性数据分析等更基本的技能，往往会被忽视。建模只占分析生命周期的一小部分。在任何成功的ML项目中，超过50%的时间花在数据准备、包装和处理上。大约25%的时间后，在模型解释和推荐中。即使候选人在项目中吹嘘90%的准确性，当他们试图解释什么是p值，看到他们解释为什么我们需要模型的信心范围时，信心也会下降，这是一场悲剧。在所有学科中，牢牢掌握基本原则是非常重要的。狙击手首先需要成为一名伟大的步兵。如果一个人在战斗中无法修复卡住的枪，优秀的枪法有什么用？4.不能应用分析来解决业务问题是显而易见的，要掌握到目前为止我们讨论的所有方面都是一项艰巨的任务。但我们仍然错过了关键环节，这是大多数面试突然停止的地方。数据科学家的最终任务是解决商业问题，而不仅仅是分析数据或建立一个伟大的模型。这是数据分析的圣杯。我们需要建立正确的业务问题，并进化一系列步骤来解决它们。甚至在将任何数据加载到工具之前。当被问及企业如何解决客户流失问题时，当候选人匆忙提出数据分析的想法时，或者更糟糕的是，抛出模型名称来预测客户流失，这将是一个谈话杀手。一个更好的开始是调查为什么客户注册，他们期望的价值，以及什么影响业务。想象一下，一个专业的狙击手，他“知道”一切，但不能隐藏和伪装在地上，也不能选择正确的目标来消除。这样的人确实是危险的人，比敌人更危险是内在的。综上所述，一个人必须通过以下方式严格追求数据科学：运用统计和探索性数据分析的基本技能，通过重新构建问题和一系列步骤的演变来应对挑战，解决业务问题，对数据有一定的感觉，并不断重复分析方法选择分析技术或机器学习模型，然后为业务用户设计和解释结果，并将这些技能与他们的专业知识正确定位相结合，以实现理想的角色匹配。因此，我祝你好运，弥补差距，在分析就业市场上留下自己的印记！