"@/components/CTA" ನಿಂದ CTA ಆಮದು ಮಾಡಿ

ಡೇಟಾ ಸೈನ್ಸ್ ಸಂದರ್ಶನ ಪ್ರಶ್ನೆಗಳು: ಡಿಎಸ್ ಪಾತ್ರಗಳಿಗಾಗಿ ಸಂಪೂರ್ಣ ಮಾರ್ಗದರ್ಶಿ (2025)

ಕೊನೆಯದಾಗಿ ನವೀಕರಿಸಲಾಗಿದೆ: ಫೆಬ್ರವರಿ 7, 2025

ಪ್ರಮುಖ ಟೇಕ್ ಅವೇಗಳು - ಡೇಟಾ ಸೈನ್ಸ್ ಸಂದರ್ಶನಗಳು ಅಂಕಿಅಂಶಗಳು, ಯಂತ್ರ ಕಲಿಕೆ, ಎಸ್ ಕ್ಯೂಎಲ್ ಮತ್ತು ವ್ಯವಹಾರ ಕುಶಲತೆಯನ್ನು ಒಳಗೊಂಡಿವೆ - ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಸರಳವಾಗಿ ವಿವರಿಸುವ ಮತ್ತು ನೈಜ-ಪ್ರಪಂಚದ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುವುದನ್ನು ಅಭ್ಯಾಸ ಮಾಡಿ - ಮಾಸ್ಟರ್ ಎ / ಬಿ ಪರೀಕ್ಷೆ, ಪ್ರಾಯೋಗಿಕ ವಿನ್ಯಾಸ ಮತ್ತು ಸಾಂದರ್ಭಿಕ ತೀರ್ಮಾನ - ತಾಂತ್ರಿಕ ಕೌಶಲ್ಯ ಮತ್ತು ವ್ಯವಹಾರದ ಪ್ರಭಾವ ಎರಡನ್ನೂ ಪ್ರದರ್ಶಿಸಿ - ಕೇಸ್ ಸ್ಟಡೀಸ್ ಮತ್ತು ಪ್ರಾಡಕ್ಟ್ ಸೆನ್ಸ್ ಪ್ರಶ್ನೆಗಳಿಗೆ ತಯಾರಿ ಮಾಡಿ

🎯 ಪ್ರೊ ಸಲಹೆ: ಡೇಟಾ ಸೈನ್ಸ್ ಸಂದರ್ಶನಗಳು ಡೇಟಾದಿಂದ ಒಳನೋಟಗಳನ್ನು ಹೊರತೆಗೆಯುವ ಮತ್ತು ವ್ಯವಹಾರ ನಿರ್ಧಾರಗಳನ್ನು ಚಾಲನೆ ಮಾಡುವ ನಿಮ್ಮ ಸಾಮರ್ಥ್ಯವನ್ನು ನಿರ್ಣಯಿಸುತ್ತವೆ. ಸಂಕೀರ್ಣ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಸರಳವಾಗಿ ವಿವರಿಸುವತ್ತ ಗಮನ ಹರಿಸಿ, ವ್ಯವಹಾರ ಕುಶಲತೆಯನ್ನು ತೋರಿಸಿ ಮತ್ತು ಎಂಡ್-ಟು-ಎಂಡ್ ಸಮಸ್ಯೆ-ಪರಿಹರಿಸುವ ಕೌಶಲ್ಯಗಳನ್ನು ಪ್ರದರ್ಶಿಸಿ.

ಡೇಟಾ ಸೈನ್ಸ್ ಸಂದರ್ಶನ ರಚನೆ

ಡೇಟಾ ಸೈನ್ಸ್ ಸಂದರ್ಶನಗಳು ಸಾಮಾನ್ಯವಾಗಿ ವಿಭಿನ್ನ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ನಿರ್ಣಯಿಸುವ ಅನೇಕ ಸುತ್ತುಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ:

ಸಂದರ್ಶನ ಸುತ್ತುಗಳು: - ಫೋನ್ ಸ್ಕ್ರೀನ್: ಮೂಲ ಎಸ್ ಕ್ಯೂಎಲ್, ಅಂಕಿಅಂಶಗಳು ಮತ್ತು ನಡವಳಿಕೆಯ ಪ್ರಶ್ನೆಗಳು - ತಾಂತ್ರಿಕ ಸಂದರ್ಶನ: ಕೋಡಿಂಗ್, ಅಂಕಿಅಂಶಗಳು, ಎಂಎಲ್ ಕ್ರಮಾವಳಿಗಳು - ಕೇಸ್ ಸ್ಟಡಿ: ವ್ಯವಹಾರ ಸಮಸ್ಯೆ ಪರಿಹಾರ ಮತ್ತು ಪ್ರಸ್ತುತಿ - ತಂಡ / ನಾಯಕತ್ವ: ಸಾಂಸ್ಕೃತಿಕ ಫಿಟ್ ಮತ್ತು ಸಹಯೋಗ ಮೌಲ್ಯಮಾಪನ

ಮೌಲ್ಯಮಾಪನ ಪ್ರದೇಶಗಳು: - ತಾಂತ್ರಿಕ ಕೌಶಲ್ಯಗಳು: ಎಸ್ ಕ್ಯೂಎಲ್, ಪೈಥಾನ್ / ಆರ್, ಅಂಕಿಅಂಶಗಳು, ಯಂತ್ರ ಕಲಿಕೆ - ಸಮಸ್ಯೆ-ಪರಿಹಾರ: ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಚಿಂತನೆ ಮತ್ತು ವಿಧಾನ - ವ್ಯವಹಾರ ಕುಶಲತೆ: ವ್ಯವಹಾರದ ಪ್ರಭಾವ ಮತ್ತು ಆದ್ಯತೆಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು - ಸಂವಹನ: ತಾಂತ್ರಿಕೇತರ ಮಧ್ಯಸ್ಥಗಾರರಿಗೆ ತಾಂತ್ರಿಕ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ವಿವರಿಸುವುದು

ಅಂಕಿಅಂಶಗಳು ಮತ್ತು ಸಂಭವನೀಯತೆಯ ಪ್ರಶ್ನೆಗಳು

ಮೂಲ ಅಂಕಿಅಂಶಗಳು

1. ಟೈಪ್ I ಮತ್ತು ಟೈಪ್ II ದೋಷಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ವಿವರಿಸಿ.

ಉತ್ತರ: - ಟೈಪ್ I ದೋಷ (ಸುಳ್ಳು ಧನಾತ್ಮಕ): ಶೂನ್ಯ ಊಹೆಯನ್ನು ಅದು ನಿಜವಾದಾಗ ತಿರಸ್ಕರಿಸುವುದು (α ದೋಷ) - ಟೈಪ್ II ದೋಷ (ಸುಳ್ಳು ಋಣಾತ್ಮಕ): ಶೂನ್ಯ ಊಹೆಯು ಸುಳ್ಳಾಗಿದ್ದಾಗ ಅದನ್ನು ತಿರಸ್ಕರಿಸಲು ವಿಫಲವಾಗುವುದು (β ದೋಷ)

ಉದಾಹರಣೆ: ಸ್ಪ್ಯಾಮ್ ಪತ್ತೆಹಚ್ಚುವಿಕೆಯಲ್ಲಿ: - ಟೈಪ್ I: ಕಾನೂನುಬದ್ಧ ಇಮೇಲ್ ಅನ್ನು ಸ್ಪ್ಯಾಮ್ ಎಂದು ಗುರುತಿಸುವುದು - ಟೈಪ್ II: ಕಾಣೆಯಾದ ಸ್ಪ್ಯಾಮ್ ಇಮೇಲ್ (ಅದನ್ನು ಬಿಡುವುದು)

ಶಕ್ತಿ = 1 - β (ಸುಳ್ಳು ಶೂನ್ಯ ಊಹೆಯನ್ನು ಸರಿಯಾಗಿ ತಿರಸ್ಕರಿಸುವ ಸಂಭವನೀಯತೆ)

2. ಪಿ-ಮೌಲ್ಯ ಎಂದರೇನು ಮತ್ತು ನೀವು ಅದನ್ನು ಹೇಗೆ ವ್ಯಾಖ್ಯಾನಿಸುತ್ತೀರಿ?

ಉತ್ತರ: ಪಿ-ಮೌಲ್ಯವು ಶೂನ್ಯ ಊಹೆ ನಿಜವೆಂದು ಭಾವಿಸಿ, ಗಮನಿಸಿದ ಡೇಟಾದಷ್ಟು (ಅಥವಾ ಹೆಚ್ಚು ತೀವ್ರವಾದ) ಡೇಟಾವನ್ನು ಗಮನಿಸುವ ಸಂಭವನೀಯತೆಯಾಗಿದೆ.

ವ್ಯಾಖ್ಯಾನ: - ಪು 10 ಮಲ್ಟಿಕೊಲಿನಿಯರಿಟಿಯನ್ನು ಸೂಚಿಸುತ್ತದೆ - ಸಾಮಾನ್ಯತೆಗಾಗಿ ಕ್ಯೂ-ಕ್ಯೂ ಪ್ಲಾಟ್ ಗಳು

ಯಂತ್ರ ಕಲಿಕೆ ಪ್ರಶ್ನೆಗಳು

ಎಂಎಲ್ ಫಂಡಮೆಂಟಲ್ಸ್

1. ಪಕ್ಷಪಾತ-ವ್ಯತ್ಯಾಸದ ವ್ಯಾಪಾರವನ್ನು ವಿವರಿಸಿ.

ಉತ್ತರ: - ಪಕ್ಷಪಾತ: ಊಹೆಗಳನ್ನು ಸರಳೀಕರಿಸುವುದರಿಂದ ದೋಷ (ಅಂಡರ್ ಫಿಟಿಂಗ್) - ವ್ಯತ್ಯಾಸ: ತರಬೇತಿ ಡೇಟಾಕ್ಕೆ ಸೂಕ್ಷ್ಮತೆಯಿಂದ ದೋಷ (ಓವರ್ ಫಿಟ್ಟಿಂಗ್ ) - ಟ್ರೇಡ್ ಆಫ್: ಕಡಿಮೆ ಪಕ್ಷಪಾತವನ್ನು ಹೊಂದಿರುವ ಮಾದರಿಗಳು ಹೆಚ್ಚಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಹೊಂದಿರುತ್ತವೆ, ಮತ್ತು ಇದಕ್ಕೆ ವಿರುದ್ಧವಾಗಿ

ಉದಾಹರಣೆಗಳು: - ಹೆಚ್ಚಿನ ಪಕ್ಷಪಾತ: ರೇಖಾತ್ಮಕವಲ್ಲದ ಡೇಟಾದಲ್ಲಿ ರೇಖೀಯ ಹಿಮ್ಮುಖತೆ - ಹೆಚ್ಚಿನ ವ್ಯತ್ಯಾಸ: ಓವರ್ ಫಿಟ್ಟಿಂಗ್ ನಿರ್ಧಾರ ಮರ

ಪರಿಹಾರಗಳು: - ಎರಡನ್ನೂ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಅಡ್ಡ-ಮೌಲ್ಯೀಕರಣ - ವ್ಯತ್ಯಾಸವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಕ್ರಮಬದ್ಧಗೊಳಿಸುವಿಕೆ (L1 / L2) - ಎರಡನ್ನೂ ಕಡಿಮೆ ಮಾಡಲು ಸಮೂಹ ವಿಧಾನಗಳು

2. ಅಡ್ಡ-ಮೌಲ್ಯೀಕರಣ ಎಂದರೇನು ಮತ್ತು ಅದು ಏಕೆ ಮುಖ್ಯ?

ಉತ್ತರ: ಕ್ರಾಸ್-ವ್ಯಾಲಿಡೇಶನ್ ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನಿರ್ಣಯಿಸಲು ಮತ್ತು ಓವರ್ ಫಿಟ್ಟಿಂಗ್ ಅನ್ನು ತಡೆಗಟ್ಟಲು ತರಬೇತಿ ಮತ್ತು ಮೌಲ್ಯೀಕರಣ ಸೆಟ್ ಗಳನ್ನು ಅನೇಕ ಬಾರಿ ವಿಭಜಿಸುತ್ತದೆ.

ವಿಧಗಳು: - k-ಮಡಚುವ ಸಿವಿ: ಡೇಟಾವನ್ನು k ಮಡಿಕೆಗಳಾಗಿ ವಿಭಜಿಸಿ, ಕೆ -1 ನಲ್ಲಿ ತರಬೇತಿ, ಉಳಿದ ಮೇಲೆ ಮೌಲ್ಯೀಕರಿಸಿ - ಲೀವ್-ಒನ್-ಔಟ್: k=n (ಪ್ರತಿ ಮಾದರಿಯನ್ನು ಒಮ್ಮೆ ಮೌಲ್ಯೀಕರಣಗೊಳಿಸಲಾಗುತ್ತದೆ) - ಶ್ರೇಣೀಕೃತ ಕೆ-ಫೋಲ್ಡ್: ಪ್ರತಿ ಮಡಿಕೆಯಲ್ಲಿ ವರ್ಗ ವಿತರಣೆಯನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ

ಪ್ರಾಮುಖ್ಯತೆ: - ಏಕ ರೈಲು / ಪರೀಕ್ಷಾ ವಿಭಜನೆಗಿಂತ ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹ ಕಾರ್ಯಕ್ಷಮತೆಯ ಅಂದಾಜು - ಓವರ್ ಫಿಟ್ಟಿಂಗ್ ಅನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ - ಸೀಮಿತ ಡೇಟಾದ ಬಳಕೆಯನ್ನು ಗರಿಷ್ಠಗೊಳಿಸುತ್ತದೆ

ನಿರ್ದಿಷ್ಟ ಕ್ರಮಾವಳಿಗಳು

3. ನಿರ್ಧಾರ ವೃಕ್ಷವು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸಿ.

ಉತ್ತರ: ಏಕರೂಪದ ಗುಂಪುಗಳನ್ನು ರಚಿಸಲು ನಿರ್ಧಾರ ಮರಗಳು ವೈಶಿಷ್ಟ್ಯ ಮೌಲ್ಯಗಳ ಆಧಾರದ ಮೇಲೆ ಡೇಟಾವನ್ನು ಪುನರಾವರ್ತಿತವಾಗಿ ವಿಭಜಿಸುತ್ತವೆ.

ಪ್ರಮುಖ ಪರಿಕಲ್ಪನೆಗಳು: - ರೂಟ್ ನೋಡ್: ಎಲ್ಲಾ ಡೇಟಾದೊಂದಿಗೆ ಆರಂಭಿಕ ಹಂತ - ಆಂತರಿಕ ನೋಡ್ ಗಳು: ವೈಶಿಷ್ಟ್ಯದ ಮಿತಿಗಳನ್ನು ಆಧರಿಸಿದ ನಿರ್ಧಾರ ಬಿಂದುಗಳು - ಎಲೆ ನೋಡ್ ಗಳು: ಅಂತಿಮ ಮುನ್ಸೂಚನೆಗಳು (ವರ್ಗೀಕರಣ) ಅಥವಾ ಮೌಲ್ಯಗಳು (ಹಿಮ್ಮೆಟ್ಟುವಿಕೆ) - ವಿಭಜನೆಯ ಮಾನದಂಡ: ಗಿನಿ ಕಲ್ಮಶ (ವರ್ಗೀಕರಣ), ವ್ಯತ್ಯಾಸ ಕಡಿತ (ಹಿಮ್ಮೆಟ್ಟುವಿಕೆ)

ಪ್ರಯೋಜನಗಳು: ವ್ಯಾಖ್ಯಾನಿಸಬಹುದಾದ, ಮಿಶ್ರ ಡೇಟಾ ಪ್ರಕಾರಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ, ಯಾವುದೇ ವೈಶಿಷ್ಟ್ಯ ಸ್ಕೇಲಿಂಗ್ ಅಗತ್ಯವಿಲ್ಲ ಅನಾನುಕೂಲಗಳು: ಸಣ್ಣ ಡೇಟಾ ಬದಲಾವಣೆಗಳೊಂದಿಗೆ ಓವರ್ ಫಿಟ್ಟಿಂಗ್ ಗೆ ಗುರಿಯಾಗುತ್ತದೆ, ಅಸ್ಥಿರವಾಗಿದೆ

4. ಬ್ಯಾಗಿಂಗ್ ಮತ್ತು ಬೂಸ್ಟಿಂಗ್ ನಡುವಿನ ವ್ಯತ್ಯಾಸವೇನು?

ಉತ್ತರ: - ಬ್ಯಾಗಿಂಗ್ (ಬೂಟ್ ಸ್ಟ್ರಾಪ್ ಅಗ್ರಿಗೇಟಿಂಗ್): ಯಾದೃಚ್ಛಿಕ ಡೇಟಾ ಉಪವಿಭಾಗಗಳಲ್ಲಿ ಅನೇಕ ಮಾದರಿಗಳನ್ನು ರಚಿಸುತ್ತದೆ, ಸರಾಸರಿ ಊಹೆಗಳನ್ನು ಮಾಡುತ್ತದೆ. ವ್ಯತ್ಯಾಸವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ, ಅತಿಯಾದ ಫಿಟ್ಟಿಂಗ್ ವಿರುದ್ಧ ಹೋರಾಡುತ್ತದೆ. ಉದಾಹರಣೆ: ಯಾದೃಚ್ಛಿಕ ಅರಣ್ಯ.

- ಬೂಸ್ಟಿಂಗ್: ಮಾದರಿಗಳನ್ನು ಅನುಕ್ರಮವಾಗಿ ರೈಲು ಮಾಡುತ್ತದೆ, ಪ್ರತಿಯೊಂದೂ ಹಿಂದಿನ ತಪ್ಪುಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ. ಪಕ್ಷಪಾತವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ, ನಿಖರತೆಯನ್ನು ಸುಧಾರಿಸುತ್ತದೆ. ಉದಾಹರಣೆ: ಅಡಾಬೂಸ್ಟ್, ಎಕ್ಸ್ ಜಿಬೂಸ್ಟ್.

ಪ್ರಮುಖ ವ್ಯತ್ಯಾಸಗಳು: - ಬ್ಯಾಗಿಂಗ್: ಸಮಾನಾಂತರ, ವ್ಯತ್ಯಾಸವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ - ವರ್ಧಕ: ಅನುಕ್ರಮ, ಪಕ್ಷಪಾತವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ - ಬ್ಯಾಗಿಂಗ್: ಸ್ವತಂತ್ರ ಮಾದರಿಗಳು - ಬೂಸ್ಟಿಂಗ್: ಅವಲಂಬಿತ ಮಾದರಿಗಳು ದೋಷಗಳಿಂದ ಕಲಿಯುತ್ತವೆ

SQL ಪ್ರಶ್ನೆಗಳು

ಮೂಲ SQL

1. ಉದ್ಯೋಗಿ ಟೇಬಲ್ ನಿಂದ ಎರಡನೇ ಅತಿ ಹೆಚ್ಚು ಸಂಬಳವನ್ನು ಕಂಡುಹಿಡಿಯಿರಿ.

ಪರಿಹಾರಗಳು: '''SQL - ವಿಧಾನ 1: ಸಬ್ಕ್ವೆರಿ ಗರಿಷ್ಟ (ಸಂಬಳ) ಅನ್ನು ಎರಡನೆಯದುಅತ್ಯಧಿಕ ಸಂಬಳವಾಗಿ ಆಯ್ಕೆ ಮಾಡಿ ಉದ್ಯೋಗಿಯಿಂದ ಎಲ್ಲಿ ಸಂಬಳ