"@/components/CTA" वरून CTA आयात करा

डेटा सायन्स मुलाखत प्रश्न: डीएस भूमिकांसाठी संपूर्ण मार्गदर्शक (2025)

शेवटचे अद्यतन: फेब्रुवारी 7, 2025

मुख्य टेकवे - डेटा सायन्स मुलाखतींमध्ये सांख्यिकी, मशीन लर्निंग, एसक्यूएल आणि व्यवसाय कौशल्य समाविष्ट आहे - संकल्पना सोप्या पद्धतीने समजावून सांगण्याचा आणि वास्तविक जगातील समस्या सोडवण्याचा सराव करा - मास्टर ए / बी चाचणी, प्रायोगिक डिझाइन आणि कार्यकारण अनुमान - तांत्रिक कौशल्ये आणि व्यवसाय प्रभाव दोन्ही दर्शवा - केस स्टडीज आणि प्रॉडक्ट सेन्स प्रश्नांची तयारी करा

🎯 प्रो टीप: डेटा सायन्स मुलाखती डेटामधून अंतर्दृष्टी काढण्याच्या आणि व्यवसाय निर्णय घेण्याच्या आपल्या क्षमतेचे मूल्यांकन करतात. जटिल संकल्पना सहजपणे समजावून सांगण्यावर लक्ष केंद्रित करा, व्यवसाय कौशल्य दर्शविणे आणि एंड-टू-एंड समस्या सोडवण्याची कौशल्ये दर्शविणे.

डेटा सायन्स मुलाखत रचना

डेटा सायन्स मुलाखतींमध्ये सामान्यत: वेगवेगळ्या क्षमतांचे मूल्यांकन करणार् या अनेक फेऱ्यांचा समावेश असतो:

मुलाखतीच्या फेऱ्या: - फोन स्क्रीन: मूलभूत एसक्यूएल, आकडेवारी आणि वर्तणुकीशी संबंधित प्रश्न - तांत्रिक मुलाखत: कोडिंग, आकडेवारी, एमएल अल्गोरिदम - केस स्टडी: व्यवसाय समस्या सोडवणे आणि सादरीकरण - कार्यसंघ / नेतृत्व: सांस्कृतिक तंदुरुस्त आणि सहयोग मूल्यांकन

मूल्यांकन क्षेत्रे: - तांत्रिक कौशल्ये: एसक्यूएल, पायथन/आर, सांख्यिकी, मशीन लर्निंग - समस्या सोडवणे: विश्लेषणात्मक विचार आणि कार्यपद्धती - व्यवसाय कौशल्य: व्यवसायाचा प्रभाव आणि प्राधान्यक्रम समजून घेणे - संप्रेषण: गैर-तांत्रिक भागधारकांना तांत्रिक संकल्पना समजावून सांगणे

आकडेवारी आणि संभाव्यता प्रश्न

मूलभूत आकडेवारी

1. टाइप I आणि टाइप II त्रुटींमधील फरक स्पष्ट करा.

उत्तर: - प्रकार I त्रुटी (खोटी सकारात्मक): जेव्हा ते सत्य असेल तेव्हा शून्य गृहीतक नाकारणे (α त्रुटी) - प्रकार II त्रुटी (खोटी नकारात्मक): जेव्हा ते खोटे असते तेव्हा शून्य गृहीतक नाकारण्यात अयशस्वी होणे (β त्रुटी)

उदाहरण: स्पॅम शोधण्यात: - प्रकार I: वैध ईमेल स्पॅम म्हणून चिन्हांकित करणे - प्रकार II: गहाळ स्पॅम ईमेल (त्यास जाऊ देणे)

शक्ती = 1 - β (खोटे शून्य गृहीतक योग्यरित्या नाकारण्याची संभाव्यता)

2. पी-व्हॅल्यू म्हणजे काय आणि आपण त्याचा अर्थ कसा लावता?

उत्तर: पी-व्हॅल्यू म्हणजे शून्य गृहीतक सत्य आहे असे गृहीत धरून, निरीक्षण केलेल्या डेटापेक्षा (किंवा अधिक तीव्र) डेटा पाहण्याची संभाव्यता.

व्याख्या: - पी 10 मल्टीकोलिनियरिटी दर्शवते - सामान्यतेसाठी क्यू-क्यू प्लॉट

मशीन लर्निंग प्रश्न

एमएल फंडामेंटल्स

1. पूर्वाग्रह-भिन्नता ट्रेडऑफ स्पष्ट करा.

उत्तर: - पूर्वग्रह: गृहितके सुलभ करण्यातील त्रुटी (अंडरफिटिंग) - भिन्नता: संवेदनशीलता ते प्रशिक्षण डेटा (ओव्हरफिटिंग) पर्यंत त्रुटी - ट्रेडऑफ: कमी पूर्वाग्रह असलेल्या मॉडेल्समध्ये उच्च भिन्नता असते आणि त्याउलट

उदाहरणे: - उच्च पूर्वाग्रह: अरेषीय डेटावर रेखीय प्रतिगमन - उच्च भिन्नता: ओव्हरफिटिंग डिसिजन ट्री

उपाय: - दोन्हींचे मूल्यांकन करण्यासाठी क्रॉस-व्हॅलिडेशन - भिन्नता कमी करण्यासाठी नियमितीकरण (एल 1 / एल 2) - दोन्ही कमी करण्यासाठी एकत्रित पद्धती

2. क्रॉस-व्हॅलिडेशन म्हणजे काय आणि ते महत्वाचे का आहे?

उत्तर: क्रॉस-व्हॅलिडेशन मॉडेलच्या कामगिरीचे मूल्यांकन करण्यासाठी आणि ओव्हरफिटिंग रोखण्यासाठी अनेक वेळा प्रशिक्षण आणि प्रमाणीकरण सेटमध्ये डेटा विभाजित करते.

प्रकार: - के-फोल्ड सीव्ही: डेटा के फोल्ड्समध्ये विभाजित करा, के -1 वर ट्रेन करा, उर्वरित वर सत्यापित करा - लीव्ह-वन-आउट: k=n (प्रत्येक नमुना एकदा प्रमाणीकरण सेट केला जातो) - स्तरीकृत के-फोल्ड: प्रत्येक फोल्डमध्ये वर्ग वितरण राखते

महत्त्व: - एकल रेल्वेगाडी/चाचणी विभाजनापेक्षा अधिक विश्वासार्ह कामगिरीचा अंदाज - ओव्हरफिटिंग शोधण्यात मदत करते - मर्यादित माहितीचा जास्तीत जास्त वापर

विशिष्ट अल्गोरिदम

3. डिसिजन ट्री कसे कार्य करते ते स्पष्ट करा.

उत्तर: निर्णय वृक्ष एकसंध गट तयार करण्यासाठी वैशिष्ट्य मूल्यांवर आधारित डेटा वारंवार विभाजित करतात.

मुख्य संकल्पना: - रूट नोड: सर्व डेटासह प्रारंभिक बिंदू - अंतर्गत नोड्स: वैशिष्ट्य थ्रेशोल्डवर आधारित निर्णय बिंदू - लीफ नोड्स: अंतिम अंदाज (वर्गीकरण) किंवा मूल्ये (प्रतिगमन) - विभाजन निकष: गिनी अशुद्धता (वर्गीकरण), भिन्नता कमी करणे (प्रतिगमन)

फायदे: व्याख्या करण्यायोग्य, मिश्रित डेटा प्रकार हाताळते, वैशिष्ट्य स्केलिंगची आवश्यकता नाही तोटे: ओव्हरफिटिंगची प्रवणता, लहान डेटा बदलांसह अस्थिर

4. बॅगिंग आणि बूस्टिंगमध्ये काय फरक आहे?

उत्तर: - बॅगिंग (बूटस्ट्रॅप एकत्रीकरण): यादृच्छिक डेटा सबसेट, सरासरी अंदाजांवर एकाधिक मॉडेल्स तयार करते. भिन्नता कमी करते, ओव्हरफिटिंगचा सामना करते. उदाहरण: यादृच्छिक जंगल.

- बूस्टिंग: मॉडेल्सना अनुक्रमाने प्रशिक्षित करते, प्रत्येक मागील चुकांवर लक्ष केंद्रित करते. पूर्वाग्रह कमी करते, अचूकता सुधारते. उदाहरण: AdaBoost, XGBoost.

मुख्य फरक: - बॅगिंग: समांतर, भिन्नता कमी करते - बूस्टिंग: अनुक्रमिक, पूर्वाग्रह कमी करते - बॅगिंग: स्वतंत्र मॉडेल्स - बूस्टिंग: त्रुटींमधून शिकणारे आश्रित मॉडेल

एसक्यूएल प्रश्न

मूलभूत एसक्यूएल

1. कर्मचारी टेबलवरून दुसर् या क्रमांकाचा पगार शोधा.

उपाय: '''एसक्यूएल -- पद्धत 1: सबक्वेरी जास्तीत जास्त पगाराची निवड करा द्वितीय सर्वाधिक पगार कर्मचार् यांकडून जेथे पगार