6 вещей, которые нужно сделать за день до собеседования

Вступление

Вы, наконец, сделали это! Вы прошли собеседование на должность в области науки о данных. Теперь, за день до собеседования, вы не знаете, чему учиться. День почти наступил, но есть еще много чего!

Звучит знакомо?

Интервью могут быть непростыми - я полностью это понимаю. Добавьте сюда Data Science, и вы получите нервный коктейль. Специалисты в области науки о данных должны сочетать свои технические навыки с социальными навыками. Это сложный ландшафт для навигации.

Посадка на собеседование - это здорово, но взломать его? Здесь все становится действительно интересным. Что тебе следует изучать? Что вы должны пропустить? Есть ли какой-нибудь чит-код, который вы можете применить и просто подключить во время собеседования?

Если вы оказались в подобной ситуации - вы обратились по адресу!

В этой статье я сосредоточусь на 6 ключевых вещах, которые нужно сделать за день до собеседования по Big Data Science, помимо очевидного пересмотра концепций, чтобы убедиться, что вы полностью используете эту возможность. Я не буду описывать весь процесс подготовки, который в идеале должен начинаться за несколько месяцев до самого собеседования.

Лично я часто чувствовал себя недостаточно подготовленным к собеседованиям, потому что не знал, чего от них ожидать. Если вы когда-либо испытывали подобное, вам может помочь курс Интервью Ace Data Science. Курс разбивает весь Процесс собеседования на 7 этапов с учетом опыта прохождения сотен собеседований и руководств о том, как преуспеть на каждом из этих этапов.

Будьте внимательны с резюме по науке о данных

Абсолютная основа любого собеседования, особенно в области науки о данных. Вы должны быть в состоянии объяснить все, что указано в вашем резюме. Вы должны уметь говорить обо всем, на что вы могли бы сослаться.

Если вы, например, перечислили проект НЛП и не можете объяснить детали - это ГЛАВНЫЙ красный флаг для интервьюера.

За день до собеседования отредактируйте и исправьте свое резюме. Вырежьте ненужные детали и при необходимости добавьте новые. Подумайте о каждом опыте и каждом проекте, который вы перечисляете - добавляет ли он что-нибудь актуальное?

Это означает, что ваш опыт работы в маркетинговой фирме в качестве нетехнического специалиста может быть не очень актуален для роли в области науки о данных. Вам следует подумать о том, чтобы убрать подобные детали из своего резюме. Упоминание об этом даст интервьюеру ощущение, что вы не совсем понимаете, чего хотите от работы.

Также подумайте, как вы будете объяснять свой опыт работы. Ваша учетная запись должна отражать ваши навыки и то, как они привели к прогрессу. Рассмотрим следующие утверждения:

  • «Использовал LSTM для прогнозирования цен на акции компании».
  • «Использовал LSTM для прогнозирования цен на акции компании с точностью на 40% по сравнению со средним историческим значением».

Разве второе утверждение не кажется более впечатляющим, чем первое?

Убедитесь, что ваши достижения поддаются измерению и количественной оценке. Это оставит лучшее впечатление у ваших интервьюеров по науке о данных.

Я рекомендую прочитать наше руководство по созданию эффективного резюме в области науки о данных. В нем упоминаются 4 ключевых аспекта, которые сделают ваше приложение для обработки данных или сломают его.

Изучите свои проекты в области науки о данных

Как и другие детали в вашем резюме, очень важно решить, о каких проектах говорить на собеседовании. Если есть какие-то проекты, не относящиеся к должности, на которую вы претендуете, добавлять их каким-либо образом - не лучший вариант. Это просто показывает вашему интервьюеру, что вы не можете правильно расставить приоритеты.

Составьте список от 3 до 4 проектов, демонстрирующих ваши лучшие работы, и подготовьтесь к тому, чтобы рассказать о них. Это могут быть проекты из вашей текущей организации, стажировки, некоторых курсовых работ или даже независимых проектов с использованием наборов данных из Analytics Vidhya или Kaggle. Также имейте в виду, что эти проекты должны иметь отношение к вашему профилю работы.

Я продолжаю повторять это, потому что это ТАК важно.

Приведу собственный пример. В своем резюме я указал исследовательский проект, которым занимался два года назад. Оглядываясь назад, я должен был отказаться от этого, поскольку он не имел ничего общего с той стажировкой, которую я проводил на собеседовании - стажером по аналитике данных.

Продолжая объяснять, что я делал в этом проекте, я совершил ошибку, упомянув термин «кубические шлицы». Интервьюер сразу захотел, чтобы я подробно остановился на кубических шлицах, и я понял, что зарылся в яму. И нет, я не прошел стажировку.

Это урок для всех вас, энтузиастов науки о данных! Если вы ищете проекты, ознакомьтесь с нашим списком 24 лучших проекта в области науки о данных, которые помогут вам расширить свои знания и навыки.

Практикуйтесь в решении головоломок - ключевой навык в области науки о данных

Головоломки - довольно популярный способ оценки сообразительности и аналитической сообразительности кандидата. Чтобы разгадывать головоломки, нужно быть логичным, изобретательным и хорошо разбираться в числах.

Многие организации используют головоломки, чтобы проверить своих кандидатов на умение решать проблемы. Они хотят знать о вашем мыслительном процессе и о том, как вы подходите к проблеме.

Я не могу дать вам полное руководство по решению каждой головоломки, но у меня есть несколько советов, которые помогут вам приступить к решению головоломок:

  • Подойдите к проблеме медленно и разберитесь во всех деталях. Спросите о каких-либо предположениях, если они не упоминаются явно
  • Они предназначены для демонстрации вашего мыслительного процесса. Поэтому не забудьте рассказать интервьюеру о своем решении, пока вы думаете
  • Не придерживайтесь подхода слишком долго. Воспользуйтесь подсказками интервьюера и соответствующим образом измените свой подход.
  • Осознайте, что это нормально, если вы не смогли полностью решить головоломку. Разные головоломки имеют разный уровень сложности, и не все из них можно решить за один присест.

Попробуйте решить головоломки из нашего списка 20 головоломок для собеседований с твердыми данными, которые каждый аналитик должен решить хотя бы один раз.

Подготовьтесь к изучению конкретных случаев

Организации используют тематические исследования как средство оценки кандидатов на предмет того, как они подходят к реальным проблемам. Тематические исследования - это наиболее близкие к проблемам, с которыми вы столкнетесь в своей роли позже. Я видел, как новички больше всего борются с этой частью процесса собеседования по науке о данных.

Сложный аспект тематического исследования заключается в том, что он может не иметь прямого отношения к науке о данных. Например, у меня есть практический пример того, как прямо сейчас предсказать количество черных автомобилей в Дели. Это непросто, но если у вас структурированный образ мышления, вы выберете его из парка!

Приблизиться к тематическому исследованию может быть сложно, поскольку нет фиксированной формулы для их решения. Но вы можете использовать следующие моменты, чтобы пройти через них:

  • Задавайте много вопросов. Какие бы вопросы ни возникали у вас в голове, задавайте их! Это поможет вам раскрыть множество деталей, которые потребуются вам для решения.
  • Структурируйте проблему. Это может быть организация всех доступных данных в таблице. Структурирование может выявить некоторые скрытые закономерности в данных
  • Практика! Попробуйте тематические исследования из разных областей, таких как розничная торговля, здравоохранение, бизнес и т. Д. Чем больше вы практикуетесь, тем легче будет решить новую проблему.
  • Помните, что важно хороший мозговой штурм и отличное обсуждение. Цель не в том, чтобы прийти к фиксированному или заранее определенному решению, а скорее в том, чтобы найти путь к нему и показать свой мыслительный процесс.

Взгляните на некоторые тематические исследования по Analytics Vidhya (потренируйтесь в каждом из них, и вы сразу же будете готовы к собеседованию):

Изучите профиль работы и организацию

Изучение профиля работы имеет очевидные преимущества. Вы сможете оптимизировать свою подготовку в зависимости от того, что требуется от должности.

Иногда работодатели могут даже задать кандидатам вопрос или использовать ключевое слово, чтобы убедиться, что они внимательно прочитали описание должности:

  • «С какими технологиями мы работаем?»
  • «Чего вы ждете от этой роли?»
  • «Не могли бы вы рассказать нам о последнем проекте, исходный код которого был открыт нашей командой по анализу данных?»

Эти вопросы будут ужасными, если вы не знакомы с компанией и ее ролью.

Я настоятельно рекомендую уделить время чтению миссии, видения и основных ценностей компании. Узнайте об их основных достижениях. Постарайтесь выяснить, какие у них есть научные данные и над какими проектами они работают. Если возможно, узнайте об иерархии организации и о том, как группа специалистов по анализу данных вписывается в нее.

Изучение организации и ее структуры поможет вам лучше сформулировать вопросы для интервьюеров. Это демонстрирует ваш энтузиазм и любопытство по отношению к организации и производит впечатление на ваших интервьюеров.

Ознакомьтесь с запутанными терминами

Существуют ли какие-либо термины в области науки о данных, которые раньше вас обманывали? Я уверен, что их несколько - это верно даже для опытных специалистов по данным.

Несколько сбивающих с толку терминов или концепций, которые я рекомендую вам прочитать за день до собеседования:

  • Ошибки типа I и типа II
  • Точность и отзыв
  • Ложноположительная ставка и истинно отрицательная ставка
  • Бизнес-метрики v Статистические метрики
  • Развертывание модели

Мне часто приходится искать разницу между этими терминами, и я уверен, что большинство из вас тоже. Они могут поставить вас в тупик, если вас спросят на собеседовании. Вы знаете ответ, но небольшие различия просто не до вас доходят.

Обязательно пересмотрите такие условия за день до собеседования. Обратитесь к нашему глоссарию общих терминов по машинному обучению и науке о данных, чтобы получить быстрое представление об этих концепциях.

Конечные заметки

Это всего лишь несколько советов в последнюю минуту. Подготовка к собеседованию по науке о данных - это долгий процесс. Вам нужно начать за несколько месяцев и создать свой профиль. Процесс приема на работу в области науки о данных также включает несколько этапов, в том числе:

  1. Телефонный досмотр
  2. Задания
  3. Собеседование на месте, которое состоит из нескольких этапов, таких как технический, тематические исследования, головоломки, предположения и многое другое.

Курс Интервью Ace Data Science подробно описывает все эти этапы. В курсе также есть богатая коллекция вопросов для собеседований, а также множество полезных советов и рекомендаций. Это может значительно увеличить ваши шансы на участие в следующем собеседовании по науке о данных. Так что не забудьте проверить это!

Первоначально опубликовано на https://www.analyticsvidhya.com 10 июля 2019 г.