-
-
宋宋 数据领袖Lv6
发表于2019-10-14 11:29
楼主
本帖最后由 宋宋 于 2019-10-14 11:31 编辑
4条通往拒绝的道路
“数据科学家”很可能是本世纪最性感的工作。但雇佣一个人绝不是这样。事实上，这对公司来说是非常痛苦的。对于有志于在核心数据科学领域获得那份完美工作的人来说，这同样是一件大事。
虽然机器学习很困难，但训练一个能让机器学习的人可能更困难。一个人通过各种专业知识的增量阶段发展成为一个高效的数据科学家。
对于试图找出其中一个的公司来说，这就像是大海捞针。在Gramener雇用数据科学家多年之后，我发现市场上出现了一些明显的重复出现的技能缺口模式。虽然失败的面试方式有上百种，但都可以分为4种。
考虑到在成千上万的申请者中只有一小部分人能胜任这个繁重的机器学习职位，了解大多数人的失败之处是很有帮助的。对于任何有抱负的数据科学家或希望升职的人来说，这些显然是要避免的陷阱。
认识到自己的缺点是改正缺点的可靠而稳定的第一步。
成为一名真正成功的数据科学实践者需要掌握一套专业技能。为了以一种轻松的方式来说明角色的细微差别，我们将探索这四点的相似之处，并将其与一个训练成狙击手的人进行类比：另一个很酷的，微妙的工作需要高技能水平。
让我们开始. .那么，数据科学家面试失败的4种方法是什么呢?
1. 用机器学习的流行词粉饰简历
和任何一份工作一样，在简历中加入一些行业术语可能很有诱惑力。数据科学并不缺少流行词。尽管这种装模作样的行为确实提高了简历被人力资源部门自动评分机器人选中的几率，但这可能很快就会适得其反。
经常可以发现，所谓的“高级”分析技能实际上只不过是对excel透视表、SQL查询或谷歌分析的基本熟悉。即使不考虑浪费的时间，这种糟糕的策略也会导致巨大的失败和更大的挫伤积极性。
对于我们有抱负的狙击手来说，这相当于穿上士兵的服装，拿起一把枪，而不需要投入任何训练时间。尽管听起来很荒谬，但对披着狼皮去打猎的羊来说，这可不是什么好玩的事。
2. 只调用库来构建模型
许多声称了解所有建模知识的候选人，在解释模型函数调用和参数之外的内容时非常困难。甚至在问随机森林这样的技术是干什么的之前，更重要的问题是首先为什么需要它。
公平地说，模型是通过一行代码的库调用建立并运行的。但是，机器学习绝非如此。比如，我们需要了解逻辑回归在哪些方面比支持向量机更合适。或者，简单的外推比ARIMA或Holt-Winters等预测技术更强大。
一个好的狙击手需要做的不仅仅是瞄准和射击。事实上，在狙击学校射击只是课程的20%。一个人需要细致入微的技能，比如耐心、自律和敏锐的观察力，才能从很远的地方估计出目标的范围。
3. 缺乏数据分析所必需的基本知识
虽然对机器学习技术的直观理解对应聘者来说是一个强大的优势，但他们往往会止步于此。将他们的精力用于实践，以掌握统计和探索性数据分析等更基本的技能，往往被忽视。
建模只占分析生命周期的一小部分。在任何成功的ML项目中，超过50%的时间是在数据准备、包装和处理之前花费的。大约25%的时间之后，在模型解释和推荐中。
即使候选人在项目中吹嘘90%的准确率，当他们努力解释什么是p值，并且看到他们在解释为什么我们需要模型的置信区间时信心下降，这是一个悲剧。
在所有学科中，牢牢掌握基本原理都是至关重要的，狙击手首先需要成为一名伟大的步兵。如果一个人不能修理在战斗中卡住的枪，优秀的枪法有什么用？
4. 无法应用分析来解决业务问题
很明显，要掌握我们到目前为止讨论的所有方面是一项艰巨的任务。但我们仍然错过了关键的环节，这就是大多数面试嘎然而止的地方。
数据科学家的终极任务是解决商业问题，而不仅仅是分析数据或建立一个伟大的模型。这是数据分析的圣杯。我们需要构建正确的业务问题，并演进一系列步骤来解决它们。甚至是在将任何数据加载到工具之前。
当被问及一家企业如何解决客户流失问题时，当候选人急匆匆地提出数据分析的想法，或者更糟的是，抛出模型名称来预测客户流失时，这将是一个谈话杀手。一个更好的开始是调查客户为什么注册，他们期望的价值以及什么影响了业务。
想象一下，一个专业的狙击手，他“知道”一切，但不能在地面上隐藏和伪装，也不能选择正确的目标来消灭。这样的人确实是一个危险的人，比敌人更大的危险是内在的。
总结:追求数据科学
综上所述，一个人必须通过以下方式对数据科学进行严格的追求：
- 透过重新架构问题及进行一系列步骤的演进以应付挑战，解决业务问题
- 运用统计学和探索性数据分析基本技能，对数据有一定的感觉，并不断重复分析方法
- 选择分析技术或机器学习模型，然后为业务用户设计和解释结果
- 并将这些技能与自己的专业知识正确的定位相结合，以达到理想的角色匹配
所以，祝你好运，弥补差距，并在分析就业市场上留下自己的印记！
堵漏数据科学面试中常见的4个失败点
来源互联网
