Top 100 des questions et réponses fréquemment posées lors des entretiens en science des données

Si vous êtes à la recherche de questions d'entretien sur la science des données, c'est le bon endroit pour vous poser. Se préparer à un entretien est définitivement un défi et une complexité. Il est très problématique de savoir sur quelles questions d'entretien en science des données vous serez interrogé. Incontestablement, vous avez entendu à maintes reprises dire que la science des données est considérée comme le métier le plus en vogue du 21^e siècle. La demande de data scientists a considérablement augmenté au fil des années en raison de l’importance croissante du Big Data.

Questions et réponses pour l'entretien sur la science des données

De nombreuses prédictions ont été faites concernant le rôle d'un data scientist, et selon les prédictions d'IBM, la demande pour ce rôle augmentera de 28 % d'ici 2021. Pour vous donner la plupart du temps posées aux questions d'entretien sur la science des données, cet article a été structuré de manière frappante. Nous avons séparé les questions d'entretien les plus importantes en fonction de leur complexité et de leur appartenance. Cet article est le guide parfait pour vous car il contient toutes les questions auxquelles vous devez vous attendre ; cela vous aidera également à apprendre tous les concepts nécessaires pour réussir un entretien de science des données.

Q-1 : Qu'est-ce que la science des données et pourquoi est-elle importante ?

La section principale de cet aperçu est probablement l’une des plus fondamentales. Cependant, la majorité des enquêteurs ne manquent jamais cette question. Pour être très précis, la science des données est l’étude des données ; un mélange de théories ou de principes d'apprentissage automatique, de différents outils et d'algorithmes y sont également impliqués. La science des données intègre également le développement de différentes méthodes d'enregistrement, de stockage et d'analyse des données pour en extraire des informations fonctionnelles ou pratiques de manière constructive. Cela nous amène à l’objectif principal de la science des données, à savoir utiliser des données brutes pour découvrir des modèles cachés.

La science des données est essentielle pour améliorer le marketing. Pour analyser leurs stratégies marketing, les entreprises utilisent largement les données et créent ainsi de meilleures publicités. En analysant les commentaires ou les réponses des clients, des décisions peuvent également être prises.

Q-2 : Qu'est-ce que la régression linéaire ?

La régression linéaire est un algorithme d'apprentissage supervisé dans lequel le score d'une variable M est prédit statistiquement en utilisant le score d'une deuxième variable N et nous montrant ainsi la relation linéaire entre les variables indépendantes et dépendantes. Dans ce cas, M est appelé critère ou variable dépendante, et N est appelé prédicteur ou variable indépendante.

L'objectif principal de la régression linéaire en science des données est de nous dire comment deux variables sont liées à la production d'un certain résultat et comment chacune des variables a contribué à la conséquence finale. Pour ce faire, il modélise et analyse les relations entre les variables et nous montre donc comment la variable dépendante change par rapport à la variable indépendante.

Q-3 : Que sont l'interpolation et l'extrapolation ?

Passons à l'entrée suivante des questions d'entretien Data Science. Eh bien, l'interpolation consiste à approximer la valeur à partir de deux valeurs, qui sont choisies dans une liste de valeurs, et l'extrapolation consiste à estimer la valeur en étendant des faits ou des valeurs connus au-delà de la portée des informations déjà connues.

Donc, fondamentalement, la principale différence entre ces deux est que l’interpolation consiste à deviner des points de données qui se situent dans la plage des données dont vous disposez déjà. L'extrapolation consiste à deviner des points de données qui dépassent la plage de l'ensemble de données.

Q-4 : Qu'est-ce qu'une matrice de confusion ?

Il s'agit d'une question d'entretien en science des données très fréquemment posée. Pour répondre à cette question, votre réponse peut être formulée de cette manière : c'est-à-dire que nous utilisons la matrice de confusion pour estimer la mise en œuvre d'un modèle de classification, et cela est fait sur un ensemble de données de test pour lesquelles les vraies valeurs sont connues. Il s'agit d'un tableau qui tabularise les valeurs réelles et les valeurs prédites sous forme de matrice 2 × 2.

• Vrai positif : représente tous les comptes pour lesquels les valeurs réelles, ainsi que les valeurs prédites, sont vraies.
• Vrai Négatif : cela représente tous les enregistrements pour lesquels les valeurs réelles et prédites sont toutes deux fausses.
• Faux positif : ici, les valeurs réelles sont fausses, mais les valeurs prédites sont vraies.
• Faux négatif : représente tous les enregistrements pour lesquels les valeurs réelles sont vérifiables ou vraies, et les valeurs prédites sont incorrectes.

Q-5 : Qu’entendez-vous par arbre de décision ?

C'est l'une des principales questions d'entretien en science des données, et pour y répondre, il est très crucial d'avoir une réflexion générale sur ce sujet. Un arbre de décision est un algorithme d'apprentissage supervisé qui utilise une méthode de branchement pour illustrer tous les résultats possibles d'une décision. Il peut être utilisé à la fois pour les modèles de classification et de régression. Ainsi, dans ce cas, la valeur dépendante peut être à la fois une valeur numérique et une valeur catégorielle.

Il existe trois types uniques de nœuds. Ici, chaque nœud désigne le test sur un attribut, chaque nœud périphérique désigne le résultat de cet attribut et chaque nœud feuille contient l'étiquette de classe. Par exemple, nous avons ici une série de conditions de test, qui donnent la décision finale en fonction du résultat.

Q-6 : En quoi la modélisation des données est-elle différente de la conception de bases de données ?

Cela pourrait être la prochaine question importante d'entretien en science des données, vous devez donc vous y préparer. Pour démontrer vos connaissances en modélisation de données et en conception de bases de données, vous devez savoir comment différencier les unes des autres.

Désormais, dans la modélisation des données, les techniques de modélisation des données sont appliquées de manière très systématique. Habituellement, la modélisation des données est considérée comme la première étape nécessaire à la conception d’une base de données. Sur la base de la relation entre différents modèles de données, un modèle conceptuel est créé, ce qui implique de passer par différentes étapes, du stade conceptuel au modèle logique en passant par le schéma physique.

La conception de base de données est le processus principal de conception d'une base de données particulière en créant une sortie, qui n'est rien d'autre qu'un modèle de données logique détaillé de la base de données. Mais parfois, cela inclut également des choix de conception physique et des paramètres de stockage.

Q-7 : Que savez-vous du terme « Big Data » ?

Dois-je même mentionner l’importance de cette question particulière de l’entretien ? C'est probablement la question d'entretien d'analyse de données la plus médiatisée et, avec elle, une question majeure pour votre entretien Big Data également.

Le Big Data est un terme associé à des ensembles de données volumineux et complexes et, par conséquent, il ne peut pas être géré par une simple base de données relationnelle. Par conséquent, des outils et des méthodes spéciaux sont nécessaires pour traiter ces données et effectuer certaines opérations sur celles-ci. Le Big Data change véritablement la vie des hommes d’affaires et des entreprises, car il leur permet de mieux comprendre leur activité et de prendre des décisions commerciales plus saines à partir de données brutes non structurées.

Q-8 : En quoi l'analyse du Big Data est-elle utile pour augmenter les revenus d'une entreprise ?

Une question incontournable pour votre entretien Data scientist ainsi que vos entretiens Big Data. De nos jours, de nombreuses entreprises utilisent l’analyse du Big Data, ce qui les aide grandement à générer des revenus supplémentaires. Les entreprises peuvent se différencier de leurs concurrents et des autres entreprises à l’aide de l’analyse du Big Data, ce qui les aide une fois de plus à augmenter leurs revenus.

Les préférences et les besoins des clients sont facilement connus grâce à l’analyse du Big Data, et en fonction de ces préférences, de nouveaux produits sont lancés. Ainsi, en mettant cela en œuvre, cela permet aux entreprises de connaître une augmentation significative de leurs revenus de près de 5 à 20 %.

Q-9 : Allez-vous optimiser les algorithmes ou le code pour les rendre plus rapides ?

Il s'agit d'une autre question d'entretien la plus récente sur la science des données qui vous aidera également dans votre entretien sur le Big Data. La réponse à cette question d’entretien sur la science des données devrait sans aucun doute être « Oui ». « En effet, quelle que soit l'efficacité du modèle ou des données que nous utilisons lors de la réalisation d'un projet, ce qui compte, ce sont les performances réelles.

L'intervieweur veut savoir si vous avez de l'expérience dans l'optimisation de code ou d'algorithmes. Vous ne devez pas avoir peur. Pour réussir et impressionner les enquêteurs lors de l'entretien de science des données, il vous suffit d'être honnête à propos de votre travail.

N'hésitez pas à leur dire si vous n'avez aucune expérience dans l'optimisation de code dans le passé ; partagez uniquement votre véritable expérience et vous serez prêt à partir. Si vous êtes débutant, les projets sur lesquels vous avez déjà travaillé seront importants ici, et si vous êtes un candidat expérimenté, vous pourrez toujours partager votre implication en conséquence.

Q-10 : Qu'est-ce que les tests A/B ?

Les tests A/B sont un test d'hypothèse statistique dans lequel ils déterminent si une nouvelle conception apporte une amélioration à une page Web. Ils sont également appelés « tests fractionnés ». Comme son nom l'indique, il s'agit essentiellement d'une enquête randomisée avec deux paramètres A et B. Ce test est également effectué pour estimer les paramètres de population sur la base de statistiques d'échantillon.

Une comparaison entre deux pages Web peut également être effectuée avec cette méthode. Cela se fait en prenant de nombreux visiteurs et en leur montrant deux variantes - A et B. la variante qui donne un meilleur taux de conversion gagne.

Q-11 : Quelle est la différence entre la variance et la covariance ?

Cette question joue un rôle principal dans les questions d'entretien de science des données ainsi que dans les questions d'entretien de statistiques, et il est donc très important que vous sachiez comment y répondre avec tact. Pour le dire simplement en quelques mots, la variance et la covariance ne sont que deux termes mathématiques, et ils sont très fréquemment utilisés en statistique.

Certaines questions d'entretien d'analyse de données ont également tendance à inclure cette différence. La principale différence est que la variance fonctionne avec la moyenne des nombres et fait référence à l'espacement des nombres par rapport à la moyenne, tandis que la covariance, en revanche, fonctionne avec le changement de deux variables aléatoires l'une par rapport à l'autre.

Q-12 : Quelle est la différence entre les boucles Do Index, Do While et Do jusqu'à ? Donnez des exemples.les.

La probabilité que cette question vous soit posée lors de votre entretien de science des données et d'analyste de données est extrêmement élevée. Maintenant, tout d’abord, vous devez être capable d’expliquer à l’intervieweur ce que vous entendez par boucle Do. Le travail d’une boucle Do consiste à exécuter un bloc de code de manière récurrente en fonction d’une certaine condition. L'image vous donnera une idée générale du flux de travail.

• Faire une boucle d'index : Cette boucle utilise une variable d'index comme valeur de début et d'arrêt. Jusqu'à ce que la valeur de l'index atteigne sa valeur finale, les instructions SAS sont exécutées à plusieurs reprises.
• Boucle Do While : Cette boucle fonctionne en utilisant une condition while. Lorsque la condition est vraie, cette boucle continue d'exécuter le bloc de code jusqu'à ce que la condition devienne fausse et ne soit plus applicable, et que la boucle se termine.
• Boucle Do Until : Cette boucle utilise une condition jusqu'à ce qu'elle exécute un bloc de code lorsque la condition est fausse et continue de l'exécuter jusqu'à ce que la condition devienne vraie. Une condition vraie entraîne la fin de la boucle. C'est tout le contraire d'une boucle do-while.

Q-13 : Quels sont les cinq V du Big Data ?

La réponse à cette question d’entretien Data Science serait un peu détaillée en mettant l’accent sur différents points. Les cinq V du Big Data sont les suivants :

• Volume : Le volume représente la quantité de données qui augmente à un rythme élevé.
• Vitesse : La vitesse détermine la vitesse à laquelle les données augmentent et les médias sociaux jouent un rôle important.
• Variété : La variété désigne les différents types ou formats de données des utilisateurs de données, tels que le texte, l'audio, la vidéo, etc.
• Véracité : De grands volumes d'informations sont difficiles à traiter et, par conséquent, entraînent des insuffisances et des irrégularités. La véracité fait allusion à cette évasion de l’information accessible, qui émerge du volume écrasant d’informations.
• Valeur : La valeur fait référence à la transformation des données en valeur. Les entreprises peuvent générer des revenus en transformant ces mégadonnées consultées en valeurs.

Q-14 : Qu'est-ce que la propriété ACID dans une base de données ?

Dans une base de données, le traitement fiable des transactions de données dans le système est assuré grâce à cette propriété. L'atomicité, la cohérence, l'isolement et la durabilité sont ce que l'ACID désigne et représente.

• Atomicité : cela fait allusion aux échanges qui sont soit totalement efficaces, soit qui ont totalement échoué. Dans cette situation, une activité solitaire est évoquée comme un échange. De cette manière, même si un échange solitaire échoue, à ce stade, l’ensemble de l’échange est influencé.
• Cohérence : Cette fonctionnalité garantit que toutes les règles de validation sont respectées par les données, ce qui garantit que sans terminer son état, la transaction ne quitte jamais le système de base de données.
• Isolement : Cette fonction permet aux transactions d'être indépendantes les unes des autres car elle maintient les transactions séparées les unes des autres jusqu'à ce qu'elles soient terminées.
• Durabilité : Cela garantit que les échanges soumis sont rarement perdus et, de cette manière, garantit que, indépendamment du fait qu'il y ait une fin inhabituelle comme un problème de courant ou une panne, le serveur peut s'en remettre.

Q-15 : Qu'est-ce que la normalisation ? Expliquer les différents types de normalisation avec leurs avantages

La normalisation est le moyen de trier les informations en maintenant une distance stratégique par rapport à la duplication et à la répétition. Il comprend de nombreux niveaux progressifs appelés formes normales, et chaque forme normale s'appuie sur la précédente. Ils sont:

• Première forme normale (1NF) : aucun groupe répétitif dans les lignes
• Deuxième forme normale (2NF) : Chaque valeur de colonne non clé (de support) dépend de la clé primaire entière.
• Troisième forme normale (3NF) : Dépend uniquement de la clé primaire et d'aucune autre colonne de support.
• Forme normale Boyce-Codd (BCNF) : Il s'agit de la version avancée de 3NF.

Certains avantages sont :

• Base de données plus compacte
• Permet une modification facile
• Informations trouvées plus rapidement
• Une plus grande flexibilité pour les requêtes
• La sécurité est plus facile à mettre en œuvre

Q-16 : Énumérez les différences entre l'apprentissage supervisé et non supervisé.

Vous recevrez également des questions d'entretien sur la science des données comme celle-ci lors de votre entretien. Vous pouvez répondre à ceci comme :

• Dans l'apprentissage supervisé, les données d'entrée sont étiquetées, et dans l'apprentissage non supervisé, elles ne sont pas étiquetées.
• L'apprentissage supervisé utilise un ensemble de données d'entraînement, tandis que l'apprentissage non supervisé utilise l'ensemble de données d'entrée.
• L’apprentissage supervisé est utilisé pour la prédiction, et ce dernier est utilisé pour l’analyse.
• Le premier type permet la classification et la régression et le second permet la classification, l'estimation de la densité et la réduction des dimensions.

Q-17 : Qu'entendez-vous par le pouvoir statistique de la sensibilité et comment le calculez-vous ?

Nous utilisons généralement la sensibilité pour approuver l'exactitude d'un classificateur, c'est-à-dire Logistique, SVM, RF, etc. L’équation permettant de déterminer l’affectabilité est « Événements réels prédits/Événements totaux ». Les véritables événements, dans ce cas, sont les événements qui étaient valables, et le modèle les avait également anticipés comme preuve.

Q-18 : Quelle est l’importance d’avoir un biais de sélection ?

Pour répondre à cette question d'entretien de science des données, vous pouvez d'abord affirmer que le biais de sélection est une sorte d'erreur qui se produit lorsqu'un chercheur décide qui va être étudié. C’est alors qu’aucune randomisation appropriée n’est réalisée lors de la sélection des groupes ou des données à analyser, voire des individus. Il faut considérer le biais de sélection car autre chose, certaines finitions de l'enquête peuvent ne pas être précises.

Q-19 : Donnez quelques situations dans lesquelles vous utiliserez un SVM sur un algorithme de Machine Learning Random Forest et vice versa.

SVM et Random Forest sont utilisés dans les problèmes d'arrangement.

• Maintenant, si vos données sont propres et sans valeurs aberrantes, alors vous devriez opter pour SVM, et si c'est le contraire, c'est-à-dire que vos données peuvent contenir des valeurs aberrantes, alors le meilleur choix serait d'utiliser Random Forest.
• L'importance de la variable est souvent fournie par Random Forest, et donc si vous souhaitez avoir une importance variable, choisissez l'algorithme d'apprentissage automatique Random Forest.
• Parfois, nous sommes limités par la mémoire, et dans ce cas, nous devrions opter pour l'algorithme d'apprentissage automatique de forêt aléatoire, car SVM consomme plus de puissance de calcul.

Q-20 : Comment les procédures de gestion des données, comme la gestion des données manquantes, aggravent-elles les biais de sélection ?

L'une des tâches essentielles d'un data scientist est de traiter les nombres manquants avant de commencer un examen des informations. Il existe différentes méthodes de traitement des valeurs manquantes, et si elles ne sont pas appliquées correctement, elles pourraient entraver le biais de sélection. Par exemple,

• Traitement complet du cas : cette méthode est utilisée lorsqu'une seule valeur est manquante, mais que vous supprimez une ligne entière dans les données pour cela. Cela pourrait provoquer une inclinaison de choix si vos caractéristiques ne manquent pas capricieusement, et qu'elles ont un modèle particulier.
• Analyse de cas disponible : Disons que vous supprimez les valeurs manquantes des variables nécessaires au calcul de la matrice de corrélation des données. Dans ce cas, si vos valeurs proviennent d’ensembles de population, elles ne seront pas entièrement correctes.
• Substitution de la moyenne : Dans cette méthode, la moyenne des autres valeurs disponibles est calculée et placée à la place des valeurs manquantes. Cette méthode n’est pas la meilleure à choisir car elle pourrait biaiser votre distribution. Ainsi, si elles ne sont pas sélectionnées efficacement, diverses informations utilisées par les méthodes du tableau peuvent incorporer un biais de sélection dans vos informations.

Q-21 : Quel est l'avantage d'effectuer une réduction de dimensionnalité avant d'installer un SVM ?

Vous pouvez trouver cette question couramment dans toutes les listes de questions d'entretien sur la science des données. Le candidat doit répondre à cette question comme suit : L'algorithme d'apprentissage automatique à vecteurs de support fonctionne plus efficacement dans l'espace concentré. Par conséquent, si le nombre de caractéristiques est important par rapport au nombre d’observations, il est toujours avantageux d’effectuer une réduction de dimensionnalité avant d’ajuster un SVM.

Q-22 : Quelles sont les différences entre le surapprentissage et le sous-apprentissage ?

En statistiques et en apprentissage automatique, les modèles peuvent effectuer des prédictions fiables sur des données générales non entraînées. Cela n'est possible que si un modèle est adapté à un ensemble de données d'entraînement, et cela est considéré comme l'une des tâches principales.

En apprentissage automatique, un modèle qui modélise trop bien les données d’entraînement est appelé surapprentissage. Cela se produit lorsqu'un modèle acquiert les détails et les bruits de l'ensemble d'apprentissage et les considère comme une information importante pour les nouvelles données. Cela a un impact contraire sur l’établissement du modèle, car ces changements ou sons irréguliers sont considérés comme des idées vitales pour le nouveau modèle, alors que cela n’a aucune incidence significative sur celui-ci.

Le sous-ajustement se produit lorsque la tendance fondamentale des données ne peut pas être capturée par un modèle statistique ou un algorithme d'apprentissage automatique. Par exemple, un sous-ajustement se produirait lors de l'ajustement d'un modèle direct à des données non droites. Ce type de modèle aurait en outre de mauvaises performances prédictives.

Q-23 : Qu'est-ce que la rétro-propagation et expliquez qu'elle fonctionne.

La rétropropagation est un calcul de préparation et elle est utilisée pour les systèmes neuronaux multicouches. Dans cette stratégie, nous faisons circuler l'erreur d'une extrémité du système à toutes les charges à l'intérieur du système, permettant ainsi un calcul efficace de l'inclinaison.

Cela fonctionne selon les étapes suivantes :

• Les données d'entraînement sont propagées vers l'avant
• En utilisant la sortie et la cible, les dérivées sont calculées
• Retour Propager pour calculer la dérivée de l'erreur concernant l'activation de la sortie
• Utilisation de dérivées précédemment calculées pour la sortie
• Les poids sont mis à jour

Q-24 : Différencier entre la science des données, l'apprentissage automatique et l'IA.

En termes simples, l’apprentissage automatique est le processus d’apprentissage à partir de données au fil du temps et constitue donc le lien qui relie la science des données et le ML/IA. La science des données peut obtenir des résultats et des solutions à des problèmes spécifiques avec l’aide de l’IA. Cependant, c’est l’apprentissage automatique qui contribue à atteindre cet objectif.

L’apprentissage automatique est un sous-ensemble de l’IA et se concentre sur un éventail restreint d’activités. L'association de l'apprentissage automatique avec d'autres disciplines comme le cloud computing et l'analyse du Big Data se fait également par là. Une application plus pratique de l’apprentissage automatique entièrement axée sur la résolution de problèmes du monde réel n’est rien d’autre que la science des données.

Q-25 : Quelles sont les caractéristiques de la distribution normale ?

Au moment où l’information est véhiculée autour d’une incitation focale sans aucune sorte de prédisposition d’un côté ou d’une droite, ce qui est le cas standard, nous considérons qu’il s’agit d’une distribution normale. Il encadre un coude moulé en forme de carillon. Les facteurs irréguliers sont dispersés sous la forme d'un carillon uniforme ou de mots différents ; ils sont équilibrés autour de l’intérieur.

Ainsi, les caractéristiques de la distribution normale sont qu’elle est symétrique unimodale et asymptotique, et que la moyenne, la médiane et le mode sont tous égaux.

Q-26 : Qu'entendez-vous par fusion floue ? Quel langage utiliserez-vous pour le gérer ?

La réponse la plus applicable à cette question d'entretien de science des données serait que les fusions floues sont celles qui fusionnent des valeurs ou des données qui sont à peu près les mêmes - par exemple, convergeant vers des noms dont l'orthographe est à peu près comparable ou même des occasions qui se situent à moins de quatre minutes d'une date à l'autre. un autre.

Le langage utilisé pour gérer la fusion floue est SAS (Statistical Analysis System), qui est un langage de programmation informatique utilisé pour l'analyse statistique.

Q-27 : Différenciez entre l'analyse univariée, bivariée et multivariée.

Ce sont des systèmes d'examen expressifs qui peuvent être séparés en fonction du nombre de facteurs qu'ils gèrent à un moment donné. Par exemple, une analyse basée sur une seule variable est appelée analyse univariée.

Dans un nuage de points, où la différence entre deux variables est traitée à la fois, on parle d'analyse bivariée. Un exemple peut être l’analyse simultanée du volume des ventes et des dépenses. L'examen multivarié gère l'enquête qui examine plusieurs facteurs pour comprendre l'impact de ces facteurs sur les réactions.

Q-28 : Quelle est la différence entre l'échantillonnage en grappes et l'échantillonnage systématique ?

Cette question est très fréquemment posée aussi bien dans un entretien de science des données que dans un entretien statistique. L'échantillonnage en grappes est une technique couramment utilisée lors de l'étude d'une population cible largement répartie sur une zone et, par conséquent, l'utilisation d'un échantillonnage aléatoire simple rend la procédure très compliquée.

Là encore, l’échantillonnage systématique est un système factuel dans lequel il existe un plan d’examen organisé à partir duquel les composants sont choisis. Dans cette méthode d'échantillonnage, une manière circulaire est maintenue pour faire progresser la liste d'échantillons et une fois arrivée à la fin de la liste, elle progresse depuis le début.

Q-29 : Que sont une valeur propre et un vecteur propre ?

Pour répondre à cette question d'entretien, vous pouvez dire que les vecteurs propres sont utilisés pour comprendre les transformations linéaires, et ils nous indiquent dans quelle direction spécifique une transformation linéaire particulière agit en retournant, en compressant ou en étirant. Dans l'analyse des données, les vecteurs propres d'une matrice de corrélation ou de covariance sont généralement calculés.

La valeur propre fait allusion à la manière dont un changement direct agit sur ce vecteur propre. Il peut également être appelé le facteur par lequel la pression se produit.

Q-30 : Qu'est-ce que l'analyse de puissance statistique ?

L'analyse de puissance statistique traite des erreurs de type II - l'erreur qui peut être commise par un chercheur lors de tests d'hypothèse. La motivation fondamentale derrière cette enquête est d'aider les analystes à trouver la plus petite taille d'exemple pour reconnaître l'impact d'un test donné.

La motivation fondamentale derrière cette enquête est d'aider les analystes à trouver la plus petite taille d'exemple pour reconnaître l'impact d'un test donné. La petite taille d’échantillon est de loin préférable, car les échantillons plus grands coûtent plus cher. Des échantillons plus petits aident également à optimiser les tests particuliers.

Q-31 : Comment évaluer un bon modèle logistique ?

Pour exposer votre point de vue sur cette question d'entretien de science des données, vous pouvez énumérer quelques stratégies pour étudier les conséquences d'un examen de rechute calculé. Certaines méthodes incluent :

• Examiner les vrais négatifs et les faux positifs de l’analyse à l’aide d’une matrice de classification.
• Lift compare l'analyse avec une sélection aléatoire, ce qui aide encore une fois à évaluer le modèle logistique.
• Les événements qui se produisent et ceux qui ne se produisent pas devraient pouvoir être différenciés par un modèle logistique, et cette capacité du modèle est identifiée par concordance.

Q-32 : Expliquez la transformation box-cox dans les modèles de régression.

Des questions d'entretien de science des données basées sur des scénarios telles que celles ci-dessus peuvent également apparaître dans votre entretien de science des données ou de statistiques. La réponse serait que la transformation box-cox est une technique de transformation de données qui transforme une distribution non normale en une forme ou une distribution normale.

Cela vient du fait que les hypothèses d’une régression des moindres carrés ordinaires (MCO) pourraient ne pas être satisfaites par la variable de réponse d’une analyse de régression. Cela entraîne une courbure des résidus à mesure que la prévision augmente ou suit une distribution asymétrique. Dans de tels cas, il est nécessaire d'introduire la transformation box-cox pour transformer la variable de réponse afin que les hypothèses requises soient satisfaites par les données. Le changement de cox de boîte nous permet d'effectuer un nombre plus étendu de tests.

Q-33 : Quelles sont les différentes étapes impliquées dans un projet d'analyse ?

C’est l’une des questions les plus fréquemment posées lors d’un entretien d’analyse de données. Les étapes impliquées dans un projet d'analyse sont les suivantes, en série :

• Comprendre le problème de l’entreprise est la première et la plus importante étape.
• Explorez les données fournies et familiarisez-vous avec elles.
• Distinguez les exceptions, traitez les qualités manquantes et modifiez les facteurs. Cette progression mettra en place les informations nécessaires à la démonstration.
• Il s’agit d’une étape un peu longue car itérative, ce qui signifie qu’après la préparation des données, les modèles sont exécutés, les résultats correspondants sont analysés et les approches sont peaufinées. Celles-ci sont effectuées en continu jusqu'à ce que le meilleur résultat possible soit atteint.
• Ensuite, le modèle est approuvé en utilisant une autre collection d'informations.
• Le modèle est ensuite actualisé et les résultats sont suivis pour décortiquer la présentation du modèle après un certain temps.

Q-34 : Pendant l'analyse, comment traitez-vous les valeurs manquantes ?

Dans un premier temps, les variables contenant des valeurs manquantes sont identifiées ainsi que l'étendue de la valeur manquante. L'analyste doit ensuite essayer de rechercher des modèles, et si un modèle est identifié, il doit se concentrer dessus car cela pourrait conduire à des informations commerciales significatives. Au cas où de tels exemples ne seraient pas distingués, les qualités manquantes seraient simplement remplacées par des qualités moyennes ou moyennes, et dans le cas contraire, elles seraient tout simplement négligées.

Dans le cas où la variable est entièrement épuisée, la valeur manquante est désignée comme valeur par défaut. Dans le cas où nous avons une dispersion d'informations à venir, vous devriez inciter le moyen à un transport typique. Dans certains cas, près de 80 % des valeurs d'une variable peuvent manquer. Dans cette situation, supprimez simplement la variable au lieu d'essayer de corriger les valeurs manquantes.

Q-35 : Quelle est la différence entre l'estimation bayésienne et l'estimation du maximum de vraisemblance (MLE) ?

Cette entrée de questions d'entretien sur la science des données est très importante pour vos prochains entretiens. Dans l'estimation bayésienne, nous avons une connaissance préalable des données ou du problème avec lequel nous allons travailler, mais l'estimation du maximum de vraisemblance (MLE) ne prend pas en compte l'estimation préalable.

Le paramètre maximisant la fonction de vraisemblance est estimé par MLE. Par rapport à l'estimation bayésienne, son objectif premier est de limiter l'estimation rétrospective d'un malheur.

Q-36 : Comment les valeurs aberrantes peuvent-elles être traitées ?

Les estimations d'anomalies peuvent être liées à l'aide d'une stratégie d'investigation graphique ou à l'utilisation d'une variable univariée. Pour moins d'estimations d'exception, elles sont évaluées exclusivement et fixées, et concernant d'innombrables anomalies, les qualités sont généralement remplacées par les estimations du 99ème ou du premier centile. Mais nous devons garder à l’esprit que toutes les valeurs extrêmes ne sont pas des valeurs aberrantes. Les deux manières les plus courantes de traiter les valeurs aberrantes :

• Changer la valeur et la ramener dans une plage
• Supprimer complètement la valeur

L'ajout de la dernière information élève votre réponse à cette question d'entretien sur la science des données à un nouveau niveau.

Q-37 : Qu'est-ce que les statistiques ? Combien de types de statistiques existe-t-il ?

Les statistiques font partie de la science qui fait allusion à l’assortiment, à l’examen, à la traduction et à l’introduction d’un grand nombre d’informations numériques. Il rassemble des informations sur nous et sur les choses que nous observons et les analyse pour y donner un sens. Un exemple peut être un conseiller familial utilisant des statistiques pour décrire certains comportements d’un patient.

Les statistiques sont de deux types :

• Statistiques descriptives - utilisées pour résumer les observations.
• Statistiques inférentielles - utilisées pour interpréter la signification des statistiques descriptives.

Q-38 : Quelle est la différence entre une distribution asymétrique et uniforme ?

La réponse la plus applicable à cette question serait lorsque les perceptions dans un ensemble de données sont réparties de la même manière sur le champ de dispersion ; à ce stade, on parle de distribution uniforme. Dans une distribution uniforme, aucun avantage clair n’est présent.

Les diffusions qui ont plus de discernements d’un côté du graphique que de l’autre sont implicitement considérées comme une appropriation asymétrique. Dans certains cas, il y a plus de valeurs à droite qu'à gauche ; on dit que c'est biaisé à gauche. Dans d’autres cas, où il y a plus d’observations à gauche, on dit qu’elle est asymétrique à droite.

Q-39 : Quel est le but de l'analyse statistique des données de l'étude ?

Avant de répondre à cette question d’entretien sur l’analyse de données, nous devons expliquer ce qu’est réellement l’analyse statistique. Non seulement cette question vous préparera à votre entretien de science des données, mais c'est également une question principale pour votre entretien statistique. Désormais, l’analyse statistique est la science qui aide à découvrir les modèles et tendances sous-jacents des données en collectant, explorant et présentant de grandes quantités de données.

Le seul objectif de l’analyse statistique des données de l’étude est d’obtenir des résultats améliorés et plus fiables, entièrement basés sur nos réflexions. Par exemple:

• Les ressources du réseau sont optimisées par les entreprises de communication grâce à l'utilisation de statistiques.
• Les agences gouvernementales du monde entier dépendent grandement des statistiques pour comprendre leurs entreprises, leurs pays et leurs habitants.

Q-40 : Combien de types de distributions existe-t-il ?

Cette question s’applique à la fois à l’entretien de science des données et aux statistiques. Les différents types de distributions sont la distribution de Bernoulli, la distribution uniforme, la distribution binomiale, la distribution normale, la distribution de Poisson et la distribution exponentielle.

Q-41 : Combien de types de variables existe-t-il dans les statistiques ?

Il existe de nombreuses variables dans les statistiques : variable catégorielle, variable confondante, variable continue, variable de contrôle, variable dépendante, variable discrète, variable indépendante, variable nominale, variable ordinale, variable qualitative, variable quantitative, variables aléatoires, variables de ratio, variables classées. .

Q-42 : Qu'est-ce que les statistiques descriptives et inférentielles ?

C'est l'une des questions préférées des enquêteurs et soyez donc assuré de se voir poser cette question particulière d'entretien en science des données. Les statistiques descriptives sont des coefficients graphiques qui permettent de condenser de nombreuses informations.

Les statistiques descriptives sont de deux sortes : les proportions de propension focale et les proportions de propagation. Les mesures de tendance centrale incluent la signification, la médiane et le mode. Les mesures de propagation comprennent l'écart type, la variance, les variables minimales et maximales, l'aplatissement et l'asymétrie.

Les statistiques inférentielles collectent des échantillons aléatoires à partir d’un ensemble de données complet. Des déductions sont faites sur la population. Les statistiques inférentielles sont utiles car la collecte de mesures sur chaque membre d’une grande population est fastidieuse.

Par exemple, il existe un matériau X dont les diamètres des objets doivent être mesurés. 20 diamètres de ces objets sont mesurés. Le diamètre moyen des 20 éléments est considéré comme une mesure approximative pour tous les éléments du matériau X.

Q-43 : Définissez les termes suivants : Moyenne, Mode, Médiane, Variance, Écart type.

Pour répondre à cette question d’entretien statistique, vous pouvez dire que :

• La « moyenne » est la valeur de tendance centrale calculée en additionnant tous les points de données, qui est ensuite divisée par le nombre total de points.
• Le mode est la valeur de données qui se répète le plus souvent dans un ensemble de données.
• Les observations sont organisées en demande croissante. S'il y a un nombre impair de perceptions, la médiane est la valeur centrale. Pour un grand nombre de perceptions, la médiane est la normale des deux qualités centrales.
• L'écart type est une mesure de la dispersion des valeurs au sein d'un ensemble de données. Plus l’écart type est faible, plus les valeurs sont proches de la moyenne et vice versa.
• La variance est la valeur au carré de l'écart type.

Q-44 : Qu'est-ce que le Deep Learning ?

La couverture des meilleures questions d'entretien avec les analystes de données intégrerait également cette question d'entretien sur le Big Data. Apprentissage profond L'apprentissage profond est un sous-domaine de l'IA, qui est un sous-domaine du raisonnement informatisé ou de l'intelligence artificielle. L’apprentissage profond dépend de la structure et de la capacité du cerveau humain, appelés réseaux de neurones artificiels.

Les algorithmes peuvent être construits par la machine seule, ils sont meilleurs et plus faciles à utiliser que les algorithmes traditionnels. L'apprentissage profond nécessite des ordinateurs rapides et une énorme quantité de données pour une formation efficace des grands réseaux neuronaux. Plus l’ordinateur reçoit de données, plus l’algorithme est précis et meilleures sont les performances.

Q-45 : Qu'est-ce que la visualisation de données avec différents graphiques en Python ?

Dans cette question d'entretien Data Analytics, la visualisation des données est une technique par laquelle les données en Python sont représentées sous forme graphique. Un vaste ensemble de données peut être résumé dans un format simple et facile à comprendre. Un exemple de graphique Python serait un histogramme du groupe d’âge et de la fréquence.

Un autre exemple est un diagramme circulaire représentant le pourcentage de personnes réagissant à leurs sports préférés.

Q-46 : À votre avis, quelles compétences et qualités un analyste de données performant devrait-il posséder ?

Il s’agit de l’une des questions d’entretien les plus fondamentales mais très importantes en matière de science des données et d’analyste de données. Les enquêteurs ne semblent jamais manquer cette question particulière de l'entretien sur la science des données. Pour répondre à cette question d’entretien sur la science des données, vous devez être très clair et précis.

Premièrement, un analyste de données performant doit être très créatif. Cela signifie qu'il doit toujours avoir envie d'expérimenter de nouvelles choses, rester flexible et résoudre simultanément différents types de problèmes.

Deuxièmement, rester curieux en permanence est une caractéristique très importante qu'un analyste de données devrait avoir, car presque tous les analystes de données de premier ordre se posent la question du « pourquoi » derrière les chiffres.

Troisièmement, ils doivent avoir une perspective stratégique, ce qui signifie qu’ils doivent être capables de penser au-delà du niveau tactique. Ils doivent également avoir des capacités relationnelles efficaces, qui leur permettent de transformer des informations importantes en éléments de connaissances comestibles pour chacun de leurs groupes.

Q-47 : Comment transformeriez-vous des données non structurées en données structurées ?

Dans la question d'entretien Data Science, les algorithmes d'apprentissage automatique sont un mécanisme utile pour transformer des données non structurées en données structurées. Premièrement, les données non structurées sont étiquetées et catégorisées grâce à l’apprentissage automatique. Deuxièmement, les données sont nettoyées : les erreurs, telles que les fautes de frappe et les problèmes de formatage, sont identifiées et corrigées.

En outre, l’observation de la tendance des erreurs peut aider à créer un modèle d’apprentissage automatique capable de corriger automatiquement les erreurs. Troisièmement, les données sont modélisées - diverses relations statistiques sont identifiées au sein des valeurs des données de l’ensemble des données. Quatrièmement, les données sont visualisées sous forme de graphiques et de diagrammes.

Dans le diagramme suivant, on observe que l'image de l'éléphant est différenciée de la tasse par l'apprentissage automatique, peut-être par le calcul des pixels, les propriétés des couleurs, etc. Les données qui décrivent les caractéristiques de chaque image unique sont stockées et utilisées en tant que données structurées.

Q-48 : Qu’est-ce que l’ACP ? (Analyse en composantes principales).

Il s'agit d'une question d'entretien statistique fréquemment posée. La PCA est un système permettant de diminuer la dimensionnalité de l'espace variable en l'abordant avec quelques composants non corrélés qui captent un énorme segment de l'hésitation. La PCA est utile en raison de sa facilité de lecture, d’analyse et d’interprétation d’un ensemble de données réduit.

Dans la figure ci-dessous, un axe est une dimension créée en combinant deux variables en une seule. Le moyeu est suggéré comme segments de tête.

Q-49 : Qu'est-ce que la courbe ROC ?

ROC représente la caractéristique de fonctionnement du récepteur. C'est une sorte de virage. La courbe ROC est utilisée pour découvrir la précision des classificateurs appariés. Le virage ROC est un virage 2D. Son hub x traite le taux de faux positifs (FPR) et son hub y traite le taux de vrais positifs (TPR).

Q-50 : Qu'entendez-vous par modèle de forêt aléatoire ?

C’est la plupart du temps une question posée lors d’un entretien avec un analyste de données. Les arbres de décision forment les carrés de structure d'une forêt aléatoire. Un grand nombre d’arbres de décision individuels fonctionnent comme un ensemble. Chaque arbre individuel fait une prédiction de classe. Les arbres doivent avoir différents ensembles de données ainsi que différentes caractéristiques pour prendre des décisions, introduisant ainsi du caractère aléatoire. La classe qui obtient le plus grand nombre de votes est la prédiction de notre modèle.

Q-51 : Mentionnez les responsabilités d'un analyste de données.

Cette question d'entretien Data Analytics demande une brève description du rôle d'un analyste de données. Tout d’abord, un analyste de données doit connaître les objectifs de l’organisation en communiquant efficacement avec l’équipe informatique, la direction et les data scientists. Deuxièmement, les données brutes sont collectées à partir de la base de données de l'entreprise ou de sources externes, qui sont ensuite manipulées par le biais de mathématiques et d'algorithmes informatiques.

Troisièmement, diverses corrélations entre variables doivent être déduites dans des ensembles de données complexes pour comprendre les tendances à court et à long terme. Enfin, des visualisations telles que des graphiques et des diagrammes à barres aident à prendre des décisions.

Q-52 : Mentionnez quelle est la différence entre l'exploration de données et le profilage de données ?

Il s'agit d'une question d'entretien Data Science qui demande de décrire les deux sous-domaines.

Exploration de données :

• L'exploration de données extrait un modèle spécifique à partir de grands ensembles de données.
• L'étude de l'exploration de données implique l'intersection de l'apprentissage automatique, des statistiques et des bases de données.
• Le rendement est la conception de l’information.

Profilage des données :

• Le profilage des données est le moyen d'organiser d'énormes informations afin de décider des éléments de connaissances et des choix utiles.
• L'étude du profilage des données nécessite des connaissances en informatique, en statistiques, en mathématiques et en apprentissage automatique.
• Le résultat est une hypothèse vérifiée sur les données.

Q-53 : Expliquez ce qui doit être fait avec les données suspectées ou manquantes ?

Il s'agit d'une question d'entretien statistique qui demande de résoudre le problème des données manquantes en mettant en œuvre quelques méthodes de solution. Premièrement, s’il existe un petit nombre de valeurs nulles dans un grand ensemble de données, les valeurs nulles peuvent être supprimées. Deuxièmement, une interpolation linéaire peut être appliquée si la tendance des données suit une série chronologique. Troisièmement, pour les données saisonnières, un graphique peut comporter à la fois une désaisonnalisation et une interpolation linéaire.

Quatrièmement, la régression linéaire peut être utilisée, qui est une méthode longue dans laquelle plusieurs prédicteurs des variables avec des nombres manquants sont identifiés. Les meilleurs prédicteurs sont choisis comme variables indépendantes dans le modèle de régression, tandis que la variable pour laquelle il manque des données est la variable dépendante. Une valeur d'entrée est remplacée pour calculer la valeur manquante.

Cinquièmement, selon la symétrie de l'ensemble de données, la moyenne, la médiane ou le mode peuvent être considérés comme la valeur la plus probable des données manquantes. Par exemple, dans les données suivantes, mode=4 peut être appliqué comme valeur manquante.

Q-54 : Expliquez ce qu'est le filtrage collaboratif ?

Il s’agit d’une question d’entretien Big Data fréquemment posée qui concerne le choix du consommateur. Le filtrage collaboratif est le processus de création de recommandations personnalisées dans un moteur de recherche. Certaines grandes entreprises qui utilisent le filtrage collaboratif incluent Amazon, Netflix, iTunes, etc.

Les algorithmes sont utilisés pour prédire l’intérêt des utilisateurs en compilant les préférences d’autres utilisateurs. Par exemple, un acheteur peut trouver la recommandation d'acheter un sac blanc dans une boutique en ligne en fonction de son historique d'achats antérieur. Un autre exemple est celui où des personnes ayant des intérêts similaires, comme le sport, se voient recommander une alimentation saine, comme illustré ci-dessous.

Q-55 : Qu'est-ce qu'une table de hachage ?

Cette question d'entretien avec Data Analyst demande une brève description de la table de hachage et de ses utilisations. Les tables de hachage actualisent les cartes et les structures d'informations dans la plupart des dialectes de programmation normaux. La table de hachage est un assortiment non ordonné d'ensembles d'estime de clé, où chaque clé est remarquable.

La clé est envoyée à une fonction de hachage qui effectue des opérations arithmétiques dessus. Les fonctions de recherche, d'insertion et de suppression peuvent être mises en œuvre efficacement. Le résultat calculé est appelé hachage, qui est l'index de la paire clé-valeur dans la table de hachage.

Q-56 : Expliquez ce qu'est l'imputation ? Énumérez différents types de techniques d'imputation ?

L'imputation est le moyen de remédier aux erreurs, en évaluant et en comblant les qualités manquantes dans un ensemble de données.

Dans le traitement interactif, un éditeur humain ajuste les données en contactant le fournisseur de données, ou en remplaçant les données provenant d'une autre source, ou en créant de la valeur basée sur l'expertise du sujet. Dans l'attribution déductive, la méthode de raisonnement sur l'association entre les facteurs est utilisée pour combler les caractéristiques manquantes. Exemple : une valeur est dérivée en fonction d'autres valeurs.

Dans l'imputation basée sur un modèle, la valeur manquante est estimée à l'aide d'hypothèses sur la distribution des données, qui incluent l'imputation moyenne et médiane. Dans l'imputation basée sur le donneur, la valeur est adoptée à partir d'une unité observée. Par exemple : si un touriste qui remplit un formulaire avec des données manquantes a un bagage culturel similaire à celui des autres touristes, on peut supposer que les données manquantes du touriste sont similaires à celles des autres touristes.

Q-57 : Quelles sont les étapes importantes du processus de validation des données ?

Il s'agit d'une question d'entretien sur la science des données ainsi que sur le Big Data qui demande une brève explication pour chaque étape de la validation des données. Tout d’abord, l’échantillon de données doit être déterminé. En raison de la grande taille de l’ensemble de données, nous devons sélectionner un échantillon suffisamment grand. Deuxièmement, lors du processus de validation des données, il faut s'assurer que toutes les données requises sont déjà disponibles dans la base de données existante.

Plusieurs enregistrements et identifiants uniques sont déterminés et les champs de données source et cible sont comparés. Troisièmement, le format des données est validé en déterminant les changements dans les données source pour correspondre à la cible. Les contrôles incongrus, les informations copiées, les organisations inexactes et les estimations de champs invalides sont rectifiés.

Q-58 : Que sont les collisions de tables de hachage ? Comment l'éviter ?

Il s'agit d'une question d'entretien Data Science qui demande de gérer les collisions de tables de hachage. Une collision de table de hachage se produit lorsqu'une clé récemment intégrée correspond à une ouverture précédemment impliquée dans la table de hachage. Les tables de hachage ont un petit nombre pour une clé qui a un grand entier ou une chaîne, donc deux clés peuvent donner la même valeur.

Les collisions sont évitées par deux méthodes. La première méthode est le hachage en chaîne. Les éléments d'une table de hachage sont stockés dans un ensemble de listes chaînées. Tous les éléments en collision sont conservés dans une liste chaînée. Les pointeurs de tête de liste sont généralement stockés dans un tableau. La deuxième méthode consiste à ouvrir le hachage d'adresse. Les clés hachées sont rangées dans la table de hachage elle-même. Les clés en collision se voient attribuer des cellules distinctes dans le tableau.

Q-59 : Qu'est-ce qu'un tableau croisé dynamique et quelles sont les différentes sections d'un tableau croisé dynamique ?

Un tableau croisé dynamique est une méthode de traitement des informations. Il s'agit d'un tableau statistique qui résume les informations d'un tableau de plus en plus large : base de données, feuilles de calcul et programme d'analyse commerciale. Un tableau croisé dynamique intègre des totaux, des points médians et d'autres qualités mesurables qui sont assemblés de manière significative. Un tableau croisé dynamique permet à une personne d'organiser et de réorganiser, c'est-à-dire de pivoter, des informations statistiques afin de montrer des informations utiles sur les données collectées.

Il y a quatre sections. La zone des valeurs calcule et compte les données. Ce sont des données de mesure. Un exemple est la somme des revenus. La zone de ligne affiche une perspective orientée ligne. Les données peuvent être regroupées et classées sous des en-têtes de lignes.

Exemple : Produits. La zone de colonnes affiche une perspective orientée colonnes de valeurs uniques. Exemple : dépenses mensuelles. La zone de filtre se trouve au point le plus élevé du tableau croisé dynamique. Le filtre est appliqué pour faciliter la recherche d'un type particulier de données. Exemple : Région.

Q-60 : Que signifie la valeur P à propos des données statistiques ?

Si vous envisagez de devenir analyste de données, cette question est très importante pour votre entretien. C'est également un sujet crucial pour votre entretien statistique. Cette question demande comment implémenter la valeur p.

Lorsqu'un test de spéculation est effectué dans les mesures, une valeur p détermine la valeur des résultats. Les tests d’hypothèses sont utilisés pour tester la validité d’une affirmation concernant une population. Cette affirmation qui fait l’objet d’un procès est appelée l’hypothèse nulle.

Si l’hypothèse nulle s’avère fausse, l’hypothèse alternative est suivie. La preuve préliminaire est l’information obtenue et les idées qui l’accompagnent. Tous les tests de spéculation utilisent en fin de compte une valeur p pour évaluer la qualité de la preuve. La valeur p est un nombre compris entre 0 et 1 et interprétée de la manière suivante :

• Une petite valeur p (généralement ≤ 0,05) indique des preuves solides contre l'hypothèse nulle, donc l'hypothèse nulle est rejetée.
• Une valeur p énorme (> 0,05) démontre une preuve impuissante contre la théorie invalide, de sorte que la spéculation invalide n'est pas rejetée.
• Les valeurs P proches du seuil (0,05) sont considérées comme périphériques. Les lecteurs de l’information tirent alors leur propre conclusion.

Q-61 : Qu'est-ce que la valeur Z ou le score Z (score standard), en quoi est-il utile ?

Cette entrée est également l’une des principales questions d’entretien sur le Big Data. La réponse à cette question d’entretien sur la science des données serait un peu détaillée, en mettant l’accent sur différents points. Un score z est le nombre d’écarts types par rapport à la moyenne d’un point de données. Il s'agit également d'une proportion du nombre d'écarts types en dessous ou au-dessus de la population, ce qui signifie qu'un score brut est atteint.

Un score z peut être défini sur un virage de diffusion typique. Les scores Z vont de - 3 écarts types (qui chuteraient à l’extrême gauche du virage de transport typique) jusqu’à +3 écarts types (qui tomberaient à l’extrême droite du virage de dispersion ordinaire). La moyenne et l’écart type doivent être connus pour pouvoir calculer le score z.

Les scores Z sont une approche permettant de comparer les résultats d’un test avec une population « ordinaire ». Les résultats de tests ou d’études comportent un grand nombre de résultats et d’unités potentiels. Mais ces résultats peuvent souvent sembler inutiles.

Par exemple, se rendre compte que le poids d’une personne est de 150 livres peut être une excellente donnée, mais pour le comparer au poids d’une personne « normale », jeter un coup d’œil à un énorme tableau d’informations peut être accablant. Un score z peut indiquer où le poids de cet individu contraste avec le poids moyen de la population normale.

Q-62 : Qu'est-ce que le T-Score. A quoi ça sert ?

Il s'agit d'une question d'entretien statistique posée lorsqu'il est nécessaire de travailler avec un échantillon de petite taille. Le score t prend un score individuel et le transforme en une forme standardisée, c'est-à-dire qui permet de comparer les scores. Le score T est utilisé lorsque l’écart type de la population est obscur et que le test est faible (moins de 30). Ainsi, l’écart type de l’échantillon est utilisé pour calculer le score t.

Q-63 : Qu'est-ce que l'IQR (intervalle interquartile) et son utilisation ?

Il s’agit d’une question d’entretien Big Data régulièrement posée. L'étendue interquartile (IQR) est une proportion d'inconstance, en vue d'isoler une collection d'informations en quartiles. Les quartiles divisent un index informatif de position demandée en quatre parties équivalentes. Les caractéristiques qui segmentent chaque partie sont appelées quartiles principal, deuxième et troisième, et elles sont représentées indépendamment par Q1, Q2 et Q3.

Q1 est l'estime « centrale » dans la moitié principale de la collecte d'informations demandée par le classement. Q2 est le milieu d’un incentive dans l’ensemble. Q3 est l'estime « centrale » dans la seconde moitié de l'indice d'information demandé par le classement. L’analyse interquartile équivaut à Q3 moins Q1.

IQR aide à trouver les valeurs aberrantes. IQR donne une idée de la façon dont ils signifient, par exemple, parle de l'information. Si l’IQR est grand, la moyenne n’est pas représentative des données. En effet, un IQR énorme montre qu’il existe probablement d’énormes contrastes entre les scores singuliers. Si chaque échantillon d’ensemble de données au sein d’un ensemble de données plus grand a un IQR similaire, les données sont considérées comme cohérentes.

Le diagramme ci-dessous montre une analyse simple de l'IQR et de la répartition des données avec l'écart type.

Q-64 : Expliquez ce qu'est Map Reduction ?

Il s'agit d'une question d'entretien d'analyse de données qui répond aux objectifs de Map Reduction. Map Reduction est un système utilisant lequel des applications sont composées pour traiter de manière fiable des quantités colossales d'informations, en parallèle, sur d'énormes lots d'équipements informatiques. Map Réduire est basé sur Java. Map Reduction contient deux tâches importantes, Map et Reduction.

La carte prend une grande quantité de données et les transforme en un autre plan de jeu de données, où des segments solitaires sont isolés en ensembles de vues clés. De plus, diminuez la tâche, qui prend le rendement d'un guide comme un élément d'information et consolide ces ensembles d'estimes clés dans un arrangement plus petit d'ensembles d'estimes clés.

Q-65 : Que signifie « nettoyage des données » ? Quelles sont les meilleures façons de mettre en pratique cela ?

Il s'agit d'une question d'entretien importante sur l'analyse des données. Le nettoyage des données est le moyen de modifier les informations d'un actif de stockage donné pour garantir qu'elles sont précises et exactes.

Ici, une pratique appropriée est décrite. La première étape consiste à surveiller les erreurs. Des tendances d’erreur peuvent être observées pour simplifier le travail. La deuxième étape consiste à valider l’exactitude. L'exactitude des données doit être validée une fois la base de données existante nettoyée. Des outils de données permettant de nettoyer les données en temps réel peuvent être utilisés, ce qui met en œuvre l'apprentissage automatique.

La troisième étape consiste à analyser. Des sources tierces fiables peuvent capturer des informations directement à partir de sites propriétaires. À ce stade, les informations sont nettoyées et assemblées pour fournir des données de plus en plus complètes aux connaissances et aux enquêtes commerciales. La quatrième étape consiste à communiquer le résultat final à l’équipe et à affiner davantage le processus.

Q-66 : Définir « l'analyse des séries chronologiques »

Il s’agit d’une question fréquemment posée en science des données. L'enquête sur les séries chronologiques est une stratégie mesurable qui gère l'examen des modèles. De nombreuses perceptions sont faites sur les qualités que revêt une variable à diverses occasions. Ce qui suit montre les conditions météorologiques.

Q-67 : Pouvez-vous citer quelques exemples où les faux positifs et les faux négatifs sont tout aussi importants ?

Pour un test d'allergie aux chats, le test est positif pour 80 % du nombre total de personnes allergiques et 10 % du nombre total de personnes non allergiques.

Un autre exemple est la capacité à distinguer les couleurs, ce qui est important pour une application de montage vidéo.

Q-68 : Pouvez-vous expliquer la différence entre un ensemble de test et un ensemble de validation ?

Il s'agit d'une question d'entretien Data Science qui demande d'expliquer entre les deux. Un ensemble de validation est utilisé pour régler les hyperparamètres (par exemple, les modèles de système neuronal, la pièce fonctionne dans les SVM, la profondeur d'un arbre forestier irrégulier). Il existe un risque de surajustement de l'ensemble d'approbation lorsque vous tentez de mettre à niveau trop complètement les hyperparamètres. Un ensemble de tests est utilisé pour examiner la présentation (c'est-à-dire la spéculation et le pouvoir prémonitoire). L'ensemble de données de test ne peut pas être utilisé dans le processus de création de modèle.

Q-69 : Comment évaluerez-vous la signification statistique d'un aperçu, qu'il s'agisse d'un aperçu réel ou simplement par hasard ?

Un autre avis dans les questions d'entretien sur la science des données est : « À quel titre évaluerez-vous l'importance mesurable de comprendre s'il s'agit d'une véritable connaissance ou simplement d'une coïncidence » ? Cette question est également apparue dans une question d’entretien statistique.

Une théorie invalide est d’abord exprimée. Un test statistique approprié est choisi, tel que le test z, le test t, etc. Une région critique est choisie pour que les statistiques se situent et qui est suffisamment extrême pour que l'hypothèse nulle soit rejetée, appelée valeur p. Les données statistiques de test observées sont calculées et vérifiées si elles se situent dans la région critique.

Q-70 : Quelles sont les compétences importantes à posséder en Python concernant l'analyse des données ?

Vous recevrez également une question d'entretien sur l'analyse des données comme celle-ci lors de votre entretien ! La réponse pourrait être la suivante : la suppression des données est une compétence requise. Les données en ligne sont collectées à l'aide de packages Python comme urllib2. SQL est une autre compétence : les données non structurées sont transformées en données structurées et les relations entre les variables sont établies.

Trames de données - l'apprentissage automatique doit être activé dans le serveur SQL, ou MapReduce est implémenté avant que les données puissent être traitées à l'aide de Pandas. La visualisation des données, le processus de dessin de graphiques, peut être effectuée à l'aide de matplotlib.

Q-71 : Qu'est-ce que l'échantillonnage ? Types de techniques d'échantillonnage ?

Il s’agit d’une question essentielle d’entretien d’analyse de données. L'échantillonnage, également connu sous le nom de test, est une procédure utilisée dans l'enquête factuelle dans laquelle un nombre prédéterminé de perceptions sont recueillies auprès d'une plus grande population.

Lors d’inspections irrégulières, chaque composante de la population a une possibilité équivalente de se produire. Dans les tests méthodiques, la répétition des segments est « notée », par exemple, chaque kème partie est prise. L'échantillonnage des inconvénients, les premiers éléments d'un ensemble de données complet, est pris en compte.

Les tests de cluster sont pratiqués en divisant la population en groupes - normalement topographiquement. Les groupes sont choisis au hasard et chaque composant des groupes choisis est utilisé. L'examen stratifié sépare également la population en groupes appelés strates. Néanmoins, cette fois, c'est par une marque déposée, et non par une topographie. Un exemple est pris dans chacune de ces strates utilisant des inspections irrégulières, ordonnées ou des logements.

Dans le diagramme ci-dessous, il y a un grand nombre d'étoiles dans un sac, à partir desquelles un échantillonnage aléatoire est effectué pour collecter 10 étoiles (marquées en rouge), qui peuvent être utilisées pour calculer la probabilité qu'une étoile de lavande sorte du sac, ce qui la valeur est applicable à l’ensemble de la population d’étoiles.

Q-72 : Python ou R - Lequel préféreriez-vous pour l'analyse de texte ?

C'est une question d'entretien posée de temps en temps par le Data Scientist. Python serait supérieur à R car il dispose d'une bibliothèque Pandas qui permet une utilisation simple des structures d'information et des dispositifs d'examen d'informations d'élite. R est plus approprié pour l’IA que pour un simple examen de contenu. Python fonctionne plus rapidement que R.

Q-73 : Comment pouvez-vous générer un nombre aléatoire entre 1 et 7 avec seulement un dé ?

Il s'agit d'une question courante d'entretien avec les Data Scientists, où la solution peut être trouvée selon de nombreuses méthodes. Une façon consiste à lancer le même dé deux fois, puis à attribuer les valeurs suivantes aux nombres.

Après que le dé ait été lancé deux fois, si au deuxième lancer 1 apparaît, le numéro attribué est 7. Sinon, le numéro attribué est le même que celui du premier dé.

Q-74 : Comment trouvez-vous le 1er et le 3ème quartile ?

Cette question revient très fréquemment dans les questions d’entretiens statistiques. Les quartiles sont l'un des aspects les plus importants des statistiques. Le premier quartile, représenté par Q1, correspond à la valeur centrale ou au milieu de la moitié inférieure d'une collection d'informations. En termes moins complexes, cela implique qu'environ 25 % des chiffres d'un index informationnel se situent en dessous du premier trimestre et qu'environ 75 % se situent au-dessus du premier trimestre.

Le troisième quartile, représenté par Q3, correspond au milieu de la partie supérieure d'une collection d'informations. Cela implique qu'environ 75 % des chiffres de la collecte d'informations se situent en dessous du T3 et environ 25 % de mensonges au-dessus du T3.

Q-75 : Quel est le processus d'analyse des données ?

La réponse à une autre des questions fréquemment posées lors des entretiens avec les scientifiques des données sera la suivante : l'analyse des données est utilisée pour générer des bénéfices commerciaux en collectant des informations et en générant des rapports de données. Cela peut être fait en collectant, nettoyant, interprétant, transformant et modélisant ces données.

Pour décrire les processus en détail, vous pouvez dire :

• Collecter des données : C'est l'une des étapes cruciales car dans cette étape, les données sont collectées à partir de diverses sources et sont stockées. Après cela, les données sont nettoyées et préparées ; c'est-à-dire que toutes les valeurs manquantes et valeurs aberrantes sont supprimées.
• Analyser les données : l'analyse des données est la prochaine étape une fois que les données sont prêtes. Pour des améliorations supplémentaires, un modèle est exécuté à plusieurs reprises et un certain mode est validé, qui vérifie si les exigences métier sont satisfaites.
• Créer des rapports : Enfin, le modèle est implémenté et les parties prenantes reçoivent les rapports générés après la mise en œuvre.

Q-76 : Expliquez la descente de gradient.

Il s'agit d'une question d'entretien très efficace en matière de science des données, ainsi que d'une question d'entretien d'analyse de données très familière. Nous devons réfléchir au fonctionnement de la descente de gradient. Eh bien, le coût de tous les coefficients est évalué lorsque nous les insérons dans une fonction et calculons le coût de la dérivée. La dérivée est encore une fois du calcul et indique la pente d'une fonction en un point donné.

Le gradient est un terme mathématique qui fait partie des mathématiques, mais il joue un rôle très important dans la science des données et l'apprentissage automatique. Il s'agit d'une sorte d'algorithme utilisé pour minimiser une fonction. Cela fonctionne en déplaçant la direction d'une pente particulière d'une figure définie par le négatif de ce gradient.

Q-77 : Quelles sont les variantes de la rétro-propagation ?

C’est l’une des questions d’entretien les plus courantes en science des données de nos jours. La rétropropagation est fondamentalement une méthode ou un algorithme très courant et efficace qui garantit l'exactitude de la prédiction dans l'exploration de données qui fonctionne dans le vaste domaine des réseaux neuronaux. Il s'agit d'un moyen de propagation qui détermine et minimise la perte dont chaque nœud est responsable en calculant les gradients au niveau de la couche de sortie.

Il existe trois principaux types de rétro-propagation : stochastique (également appelée sur le Web), par lots et par mini-lots.

Q-78 : Expliquez ce qu'est le n-gram ?

Vous recevrez également des questions d’entretien sur l’analyse des données et les statistiques comme celle-ci lors de vos entretiens ! La réponse peut être la suivante : pour une séquence donnée de texte ou de discours, une séquence continue de n éléments est connue sous le nom de n-gramme. Sous la forme de (n-1), le n-gramme prédit l'élément suivant dans une telle séquence et peut donc être appelé un modèle de langage probabiliste.

Q-79 : Qu'est-ce que l'explosion des dégradés ?

Le gradient explosif est une question d'entretien très importante en matière de science des données, ainsi qu'une question d'entretien sur le Big Data. Or, le gradient explosif est un gradient d'erreur ou une difficulté du réseau neuronal qui se produit généralement pendant l'entraînement lorsque nous utilisons la descente de gradient par rétropropagation.

Ce problème peut survenir dans un réseau instable. Un réseau instable manque parfois d’apprentissage à partir des données de formation, et parfois il ne peut pas non plus retracer des entrées volumineuses. Cela signifie qu’il ne peut pas terminer l’apprentissage. Cela rend la valeur si grande qu'elle déborde, et ce résultat est appelé valeurs NaN.

Q-80 : Expliquez ce qu'est l'analyse de corrélogramme ?

Des questions d'entretien de science des données basées sur l'analyse telles que celle-ci peuvent également apparaître dans votre entretien de science des données. La réponse serait que l’analyse géospatiale en géographie est connue sous le nom d’analyse de corrélogramme, et qu’elle en est la forme la plus courante. Les informations basées sur la séparation l'utilisent également lorsque les informations brutes sont communiquées sous forme de séparation plutôt que d'estimations ponctuelles singulières.

Q-81 : Quelles sont les différentes fonctions du noyau dans SVM ?

C’est l’une des questions les plus fréquemment posées lors d’un entretien en science des données. Vous pouvez trouver cette question couramment dans toutes les listes de questions d'entretien sur la science des données ainsi que dans les questions d'entretien sur les statistiques. Le candidat doit répondre à cette question de manière très précise. Il existe quatre types de noyaux dans SVM :

• Noyau linéaire
• Noyau polynomial
• Noyau à base radiale
• Noyau sigmoïde

Q-82 : Qu'est-ce qu'un compromis entre biais et variance ?

Il s’agit d’une question fondamentale d’entretien de statistiques. Le compromis biais-variance est un estimateur d’erreur. Le compromis biais-variance a une valeur élevée si le biais est élevé et la variance faible, ou si une variance est élevée et le biais faible.

Q-83 : Qu'est-ce que l'apprentissage d'ensemble ?

C’est la question la plus souvent posée lors des entretiens Big Data. L'apprentissage d'ensemble est une stratégie d'IA qui rejoint quelques modèles de base pour fournir un modèle prémonitoire idéal.

Q-84 : Quel est le rôle de la fonction d'activation ?

Une autre question répandue lors des entretiens avec la science des données et les analystes de données est la fonction d'activation et son rôle. En bref, la fonction d'activation est une fonction qui garantit la non-linéarité de la sortie. Il décide si le neurone doit être initié ou non.

La fonction d'activation joue un rôle très important dans les réseaux neuronaux artificiels. Il fonctionne en calculant la somme pondérée et, si nécessaire, y ajoute encore un biais. Le travail fondamental du travail de mise en acte est de garantir la non-linéarité du rendement d'un neurone. Cette fonction est responsable de la transformation du poids.

Q-85 : Qu'est-ce que « Naïf » dans un Bayes naïf ?

Une nécessité absolue pose la question d'entretien de science des données, tout comme la question d'entretien d'analyste de données est Naïve Bayes. discussion sur les sciences de l'information avec enquête
Avant le mot « Naïve », nous devons comprendre le concept de Naïve Bayes.

Naïve Bayes n'est rien d'autre que l'hypothèse de caractéristiques pour n'importe quelle classe afin de déterminer si ces caractéristiques particulières représentent cette classe ou non. C'est quelque chose comme comparer certains critères pour n'importe quelle classe pour s'assurer si cela fait référence à cette classe ou non.

Le Naïve Bayes est « Naïf » car il s’agit de l’indépendance des fonctionnalités les unes par rapport aux autres. Et cela signifie « presque », mais ce n’est pas vrai. Cela nous indique que toutes les caractéristiques sont différentes ou indépendantes les unes des autres, nous n'avons donc pas besoin de nous confier aux doublons lors de la classification.

Q-86 : Qu'est-ce que la vectorisation TF/IDF ?

Cette question d'entretien Data Science concerne la conversion de données non structurées en données structurées, à l'aide de la vectorisation TF/IDF. TF-IDF est un condensé de Term Frequency-Inverse Document Frequency et est un calcul typique pour transformer le contenu en une représentation importante de nombres. Le système est largement utilisé pour supprimer les inclusions de manière croisée sur différentes applications PNL.

Ce qui suit est un exemple.

Q-87 : Expliquez ce qu'est la régularisation et pourquoi elle est utile.

Vous pouvez également rencontrer une question différente lors de votre entretien de Data science, telle que « Qu'est-ce que la régularisation et son utilité ? « On peut dire que la régularisation n'est rien d'autre qu'une technique ou un concept qui évite le problème de surajustement dans l'apprentissage automatique. Il s'agit d'une technique d'apprentissage automatique très utile pour résoudre le problème.

Comme il existe deux modèles de généralisation des données. L’un est un modèle simple, l’autre est un modèle complexe. Or, un modèle simple est un très mauvais modèle de généralisation, et d'un autre côté, un modèle complexe ne peut pas fonctionner correctement en raison d'un surajustement.

Nous devons trouver le modèle parfait pour gérer l’apprentissage automatique, et c’est exactement ce que fait la régularisation. Il ne s'agit rien d'autre que d'ajouter de nombreux termes à la fonction objectif pour contrôler la complexité du modèle à l'aide de ces nombreux termes.

Q-88 : Que sont les systèmes de recommandation ?

Comme un système recommandé est l’une des applications les plus populaires de nos jours, il s’agit donc d’une question d’entretien très importante en science des données. Nous, les gens, attendons régulièrement les avantages des systèmes de recommandation. Ceux-ci sont essentiellement utilisés pour prédire la « note » ou les « préférences » d’un article.

Il aide les gens à obtenir des avis, des recommandations et des suggestions des utilisateurs précédents. Il existe 3 types uniques de système de recommandation. Il s'agit de moteurs de recommandation simples, de recommandations basées sur le contenu et de moteurs de filtrage collaboratifs.

Les entreprises technologiques les plus populaires au monde les utilisent déjà à diverses fins. YouTube, Amazon, Facebook, Netflix et les applications les plus célèbres les appliquent également sous diverses formes.

Q-89 : Expliquez ce qu'est un KPI, un plan d'expériences et une règle des 80/20 ?

Cela pourrait être la prochaine question importante de votre entretien de science des données. On le voit aussi parfois apparaître dans les entretiens Big Data, alors préparez-vous en conséquence.

Le KPI représente l’indicateur clé de performance. Il s'agit d'une mesure du processus métier et elle comprend toutes les combinaisons de feuilles de calcul, de rapports et de graphiques.

Conception d'expériences : il s'agit de la procédure sous-jacente qui est utilisée pour séparer vos informations, tester et configurer les informations en vue d'un examen mesurable.

Normes 80/20 : Cela implique que 80 % de votre salaire provient de 20 % de vos clients.

Q-90 : Qu'est-ce qu'un auto-encodeur ?

Un autre sujet de questions d’entretien très familier en science des données est Auto-Encoder. Auto-Encoder est un tel algorithme d’apprentissage automatique qui est de nature non supervisée. Auto-Encoder utilise également la rétropropagation et son contexte principal est de définir une valeur cible qui serait égale à l'entrée.

Auto-Encoder réduit les données en ignorant le bruit dans les données et apprend également à reconstruire les données à partir de la forme réduite. Il compresse et encode les données de manière très efficace. Son mécanisme est entraîné pour tenter de copier les données de sa sortie.

N'importe qui peut tirer le meilleur parti d'Auto-Encoder s'il dispose de données d'entrée corrélées, et la raison en est que le fonctionnement d'Auto-Encoder repose sur la nature corrélée pour compresser les données.

Q-91 : Quelle est la responsabilité fondamentale d'un Data Scientist ?

L'une des questions les plus importantes de toute question d'entretien en science des données concerne le rôle ou la responsabilité de base d'un data scientist. Mais avant cela, un data scientist doit avoir des bases très claires en informatique, en analytique, en analyse statistique, en sens commercial de base, etc.

Un data scientist est une personne qui travaille dans une institution ou une entreprise pour créer des objets basés sur l'apprentissage automatique et qui résout également des problèmes complexes, virtuels et réels. Son rôle est de mettre à jour le système d'apprentissage automatique au fil du temps et de trouver le moyen le plus efficace de gérer et de traiter tout type de programmation ainsi que les problèmes liés à la machine.

Q-92 : Expliquez quels sont les outils utilisés dans le Big Data ?

Entretien Big Data ou data science à venir ? Ne vous inquiétez pas, car cette question d'entretien de base en science des données couvrira ces deux entretiens. Les appareils utilisés dans le Big Data incluent Hadoop, Hive, Pig, Flume, Mahout, Sqoop.

Q-93 : Qu'est-ce qu'une machine Boltzmann ?

La machine Boltzmann est une question d’entretien très basique en science des données, mais également une question importante en matière de Big Data. En bref, nous pouvons dire qu'une machine de Boltzmann est stochastique du réseau neuronal. En d’autres termes, on peut aussi l’appeler le pendant génératif du réseau Hopfield.

La machine de Boltzmann est connue comme l’un des premiers réseaux de neurones suffisamment capables d’apprendre la représentation interne et de résoudre des problèmes combinatoires critiques. La machine Boltzmann a sa propre caractéristique importante de fonctionner comme un algorithme. On dit que si la connectivité de la machine Boltzmann est correctement limitée, elle peut alors être suffisamment efficace pour être utile pour résoudre des problèmes pratiques.

Q-94 : Quelle est la méthode d’imputation KNN ? KNN peut-il être utilisé pour les variables catégorielles ?

Cette entrée de questions d'entretien sur la science des données et l'analyse des données est probablement l'une des questions de base, mais ne manque jamais aux intervieweurs. KNN est un calcul utile et est généralement utilisé pour coordonner les focus avec ses k voisins les plus proches dans un espace multidimensionnel. KNN peut être utilisé pour gérer un large éventail d'informations manquantes, car il peut fonctionner avec des informations persistantes, discrètes, ordinales et directes.

La réponse à la deuxième partie de cette question d'entretien sur la science des données est oui, que KNN peut être utilisé pour des valeurs catégorielles. Cela peut être fait en convertissant les valeurs catégorielles en nombres.

Q-95 : Quels sont les types de licences Splunk ?

Cette prochaine entrée de questions d'entretien sur la science des données est une lecture incontournable car ses chances d'arriver sont très élevées. Ce qui suit mentionne les différents types de licences Splunk : licence bêta, licences pour les membres du cluster utilisés pour la duplication d'index, licence gratuite, licence Enterprise, licence Forwarder, licences pour les têtes de recherche utilisées pour la recherche dispersée.

Q-96 : Que se passe-t-il si le License Master est inaccessible ?

Il s'agit d'une question d'entretien Big Data à lire absolument, car non seulement elle vous aidera à préparer votre entretien Big Data, mais elle vous aidera également avec votre entretien de science des données !

Une façon très intéressante de répondre à cette question est que si la licence maître n'est pas disponible, le travail est partiellement confié à la licence esclave, qui démarre un temporisateur de 24 heures. Ce temporisateur entraînera le blocage de la recherche sur l'esclave de licence une fois le temporisateur terminé. L'inconvénient est que les utilisateurs ne pourront pas rechercher de données dans cet esclave tant que le maître de licence n'aura pas été à nouveau atteint.

Q-97 : Expliquez les commandes Stats et Transaction.

Une autre dernière question d'entretien avec Data Scientist concerne les deux commandes très importantes : Stats et Transaction. Pour répondre à cette question d’entretien de data science, nous devons d’abord donner les utilisations de chaque commande. Dans deux cas spécifiques, la commande transaction est la plus nécessaire :

Premièrement, lors de deux transactions, lorsqu'il est très important de les distinguer les unes des autres, mais parfois l'identifiant unique n'est pas suffisant. Ce cas est généralement observé lors de sessions Web identifiées par une adresse IP cookie/client en raison de la réutilisation de l'identifiant. Deuxièmement, lorsqu'un identifiant est réutilisé dans un champ, il y a un message spécifique qui marque le début ou la fin d'une transaction.

Dans différents cas, il est généralement préférable de travailler dans le sens des détails. Par exemple, dans un environnement de recherche distribué, il est fortement recommandé d'utiliser stats car les performances de la commande stats sont bien supérieures. De plus, s'il existe un identifiant unique, la commande stats peut être utilisée.

Q-98 : Quelle est la définition de Hive ? Quelle est la version actuelle de Hive ? Expliquer les transactions ACID dans Hive.

Pour définir cette question d'entretien de science des données de la manière la plus courte possible, nous pouvons dire que Hive n'est qu'un système d'entrepôt de données open source utilisé pour l'interrogation et l'analyse de grands ensembles de données. C'est fondamentalement la même chose que SQL. La version actuelle de la ruche est 0.13.1.

La meilleure chose à propos de la ruche est probablement qu'elle sous-tend les échanges ACID (atomicité, cohérence, isolement et durabilité). Les échanges ACID sont donnés à des niveaux push. Voici les options utilisées par Hive pour prendre en charge les transactions ACID :

• Insérer
• Supprimer
• Mise à jour

Q-99 : Expliquez ce qu'est l'algorithme de clustering hiérarchique ?

Maintenant, nous donnons tous des interviews, mais seuls certains d’entre nous réussissent ! Cette question d'entretien sur la science des données et l'analyse des données est tout ce que vous avez pour réussir cet entretien de science des données. Alors répondez-y judicieusement.

Il existe des groupes dans chaque situation, et l'algorithme de clustering hiérarchique combine ces groupes et parfois également les divise entre eux. Cela crée une structure progressive qui met en avant la demande dans laquelle les rassemblements sont cloisonnés ou regroupés.

Q-100 : Expliquez ce qu'est l'algorithme K-mean ?

Les questions sur les algorithmes sont très importantes pour vos entretiens de science des données ainsi que pour les entretiens sur le big data et l'analyse de données. K-means est un algorithme d'apprentissage non supervisé, et son travail consiste à partitionner ou à regrouper. Cela ne nécessite aucun focus nommé. Un ensemble de points non étiquetés et un seuil sont la seule exigence pour le clustering K-means. En raison de ce manque de points non étiquetés, k - signifie que le clustering est un algorithme non supervisé.

Pensées finales

La science des données est un vaste sujet et elle est également intégrée à de nombreux autres domaines tels que l'apprentissage automatique, l'intelligence artificielle, le big data, l'analyste de données, etc. Par conséquent, toutes les questions d'entretien délicates et compliquées en science des données peuvent être posées pour examiner vos connaissances en science des données.

Montrer à l'intervieweur que vous êtes très passionné par ce que vous faites est un aspect important de votre entretien, et cela peut être démontré en présentant une réponse enthousiaste. Cela indiquera également que vous avez une vision stratégique de votre expertise technique pour aider les modèles commerciaux. Par conséquent, vous devez toujours maintenir vos compétences à jour et les meubler. Il faut apprendre et pratiquer scrupuleusement de plus en plus de techniques de Data science.

Veuillez laisser un commentaire dans notre section commentaires pour d'autres questions ou problèmes. J'espère que vous avez aimé cet article et qu'il vous a été bénéfique. Si tel est le cas, partagez cet article avec vos amis et votre famille via Facebook, Twitter, Pinterest et LinkedIn.