Câu hỏi phỏng vấn Data Science: Nghiên cứu và học tập

Mỗi ngày, có rất nhiều thông tin đi vào internet. Con số thực tế thậm chí có thể khó hiểu hơn! Những lượng dữ liệu khác nhau như vậy cần phải được cấu trúc và sắp xếp để chúng có ý nghĩa. Đây là lúc khoa học dữ liệu (data science) ra đời - nó cung cấp một cách hiểu về tất cả thông tin đó. Đương nhiên, trên thị trường có nhu cầu rất lớn về các nhà khoa học dữ liệu có trình độ. Cơ hội việc làm cho vị trí này không ngừng tăng lên. Vì vậy, nếu bạn đang suy nghĩ về việc ứng tuyển vào vị trí công việc nhà khoa học dữ liệu (data scientist), bạn sẽ cần phải biết các câu hỏi phỏng vấn data science cần thiết. Hướng dẫn câu hỏi phỏng vấn khoa học dữ liệu này sẽ cung cấp cho bạn chính xác các câu hỏi đó.

Hướng dẫn được chia thành hai phần lớn - phần cơ bản và phần nâng cao hơn. Nói về các câu hỏi phỏng vấn dữ liệu lớn (big data), phân biệt các nhà khoa học dữ liệu với các nhà phân tích dữ liệu, v.v... Cuối cùng, tôi sẽ cung cấp cho bạn một vài bí kíp và chúng tôi sẽ tóm tắt hướng dẫn.

Data Science là gì

Hãy bắt đầu từ định nghĩa Data Science là gì (hay khoa học dữ liệu là gì) và nói về các định nghĩa.

Ưu đãi mới nhất đang hoạt động ngay bây giờ:

Rất nhiều câu hỏi phỏng vấn data science ban đầu bao gồm việc phân biệt giữa các thuật ngữ có vẻ giống nhau nhưng có gì đó vẫn khác nhau. Đó là lý do tại sao bạn nên bắt đầu từ những định nghĩa này để hiểu rõ ràng về cái gì đang tiến triển trong tương lại.

Câu hỏi 1: 'Data science' là gì?

Data Science (Khoa học dữ liệu) là một dạng phương pháp luận được sử dụng để trích xuất và tổ chức các dữ liệu và thông tin khác nhau từ các nguồn dữ liệu khổng lồ (cả có cấu trúc và không có cấu trúc).

Cách thức hoạt động của dạng khoa học này là nó sử dụng các thuật toán khác nhau và toán học ứng dụng để trích xuất kiến ​​thức, thông tin hữu ích và sắp xếp nó theo cách có ý nghĩa và đưa ra một số cách sử dụng.

Câu hỏi 2: Khác nhau giữa 'data science' và 'big data' là gì?

Chắc chắn đây là một trong những câu hỏi phỏng vấn data science khó trả lời hơn, rất nhiều người không diễn đạt được sự khác biệt rõ ràng. Điều này chủ yếu là do thiếu thông tin xung quanh chủ đề.

Tuy nhiên, chính câu trả lời rất đơn giản - vì thuật ngữ "dữ liệu lớn" (big data) ngụ ý khối lượng dữ liệu và thông tin khổng lồ, nó cần một phương pháp cụ thể để phân tích. Do vậy, dữ liệu lớn là thứ mà khoa học dữ liệu (data science) phân tích.

Câu hỏi 3: 'Data scientist' và 'data analysist' khác nhau như thế nào?

Mặc dù đây cũng là một trong những câu hỏi phỏng vấn data science cơ bản, các thuật ngữ vẫn thường có xu hướng lẫn lộn.

Nhà khoa học dữ liệu (Data Scientist) khai thác, xử lý và phân tích dữ liệu. Họ quan tâm đến việc cung cấp các dự đoán cho doanh nghiệp về những vấn đề doanh nghiệp có thể gặp phải.

Nhà phân tích dữ liệu (Data Analysist) giải quyết các vấn đề kinh doanh không được hỗ trợ thay vì dự đoán chúng. Họ xác định các vấn đề, thực hiện phân tích thông tin thống kê và ghi lại mọi thứ.

Câu hỏi 4: Đâu là những tính năng căn bản đại diện cho dữ liệu lớn?

Vừa rồi chúng ta đã đề cập đến các định nghĩa, chúng ta có thể chuyển sang các câu hỏi phỏng vấn data science cụ thể. Tuy nhiên, hãy nhớ rằng bạn sẽ nhận được các câu hỏi phỏng vấn nhà khoa học dữ liệu, nhà phân tích và dữ liệu lớn. Lý do tại sao là bởi vì tất cả các phân nhánh nhỏ hơn này đan xen với nhau.

Năm danh mục đại diện cho dữ liệu lớn và chúng được gọi là “5V”:

• Giá trị (Value);
• Đa dạng (Variety);
• Vận tốc (Velocity);
• Tính xác thực (Veracity);
• Âm lượng (Volume).

Tất cả các thuật ngữ này tương ứng với dữ liệu lớn theo cách này hay cách khác.

Bạn có biết?

Bạn muốn kiếm phần thưởng & có được kỹ năng Web3 thực sự?

Hoàn thành các nhiệm vụ thú vị, thu thập Bit và giành giải thưởng airdrop lớn!

Bắt đầu kiếm tiền 🚀

Câu hỏi 5: 'recommender system' là gì?

Đây là một loại hệ thống được sử dụng để dự đoán mức độ xếp hạng của người dùng đối với một số đối tượng cụ thể (phim, nhạc, hàng hóa, v.v...). Không cần phải nói, có rất nhiều công thức phức tạp liên quan đến một hệ thống như vậy.

Câu hỏi 6: Chỉ ra một lý do tại sao tốt hơn nên dùng Python trong khoa học dữ liệu thay vì hầu hết các ngôn ngữ lập trình khác

Để hoàn thành câu hỏi phỏng vấn data science của bạn, điều cần thiết là phải biết về Python. Đương nhiên, Python có rất nhiều thư viện khoa học dữ liệu, nó rất nhanh, dễ đọc và dễ học. Bộ công cụ học sâu chuyên biệt và các thư viện học máy khác của Python bao gồm các công cụ phổ biến như sci-kit-learn, Keras và TensorFlow, cho phép các nhà khoa học dữ liệu phát triển các mô hình dữ liệu phức tạp cắm trực tiếp vào hệ thống sản xuất.

Để khám phá thông tin chi tiết từ dữ liệu, bạn sẽ phải sử dụng Pandas, thư viện phân tích dữ liệu cho Python. Nó có thể chứa một lượng lớn dữ liệu mà không có bất kỳ độ trễ nào đến từ Excel. Bạn có thể thực hiện phân tích mô hình số với Numpy. Bạn có thể thực hiện máy tính khoa học và tính toán với SciPy. Bạn có thể truy cập nhiều thuật toán học máy mạnh mẽ với thư viện mã code sci-kit. Với API Python và IPython Notebook đi kèm với Anaconda, bạn sẽ có được các tùy chọn mạnh mẽ để trực quan hóa dữ liệu của mình.

Câu hỏi 7: Thử A/B là gì?

Mặc dù thử A/B có thể được áp dụng trong nhiều lĩnh vực khác nhau, nhưng nó cũng là một trong những câu hỏi phỏng vấn cho data scientist nổi bật hơn cả. Vậy đó là gì?

Thử A/B là một hình thức thử nghiệm được thực hiện để tìm ra phiên bản của cùng một thứ đáng sử dụng hơn cho mục đích đạt kết quả mong muốn.

Ví dụ, nói rằng bạn muốn bán táo. Bạn không chắc loại táo nào - đỏ hay xanh - khách hàng của bạn sẽ thích hơn. Vì vậy, bạn thử cả hai - đầu tiên bạn cố gắng bán những quả táo đỏ, sau đó là những quả xanh. Sau khi hoàn tất, bạn chỉ cần tính toán xem cái nào sinh lợi nhiều hơn và thế là xong - đó là thử A/B!

Câu hỏi 8: Hadoop là gì và tại sao tôi nên quan tâm đến nó?

Hãy chú ý! Hadoop là một khung framework xử lý phân tán mã nguồn mở quản lý quá trình xử lý và lưu trữ dữ liệu cho các ứng dụng dữ liệu lớn chạy trong các hệ thống phân cụm.

Để trả lời các câu hỏi phỏng vấn data science của bạn một cách xuất sắc, Apache Hadoop là một tập hợp các tiện ích phần mềm mã nguồn mở cho phép sử dụng một mạng nhiều máy tính để giải quyết các vấn đề liên quan đến lượng lớn dữ liệu và tính toán. Nó cung cấp một khung phần mềm để lưu trữ phân tán và xử lý dữ liệu lớn bằng cách sử dụng mô hình lập trình MapReduce.

Hadoop chia các tệp thành các khối lớn và phân phối chúng trên các nút trong một cụm. Sau đó, nó chuyển mã đóng gói thành các nút để xử lý dữ liệu song song. Điều này cho phép tập dữ liệu được xử lý nhanh hơn và hiệu quả hơn so với trong kiến ​​trúc siêu máy tính thông thường.

Câu hỏi 9: 'selection bias' là gì?

Sai lệch lựa chọn là sai lệch được đưa ra bởi việc lựa chọn các cá thể, nhóm hoặc dữ liệu để phân tích theo cách không đạt được ngẫu nhiên thích hợp, do đó đảm bảo rằng mẫu thu được không đại diện cho quần thể dự định phân tích.

Nếu không tính đến sai lệch lựa chọn, thì một số kết luận của nghiên cứu có thể không chính xác.

Câu hỏi 10: 'power analysis' là gì?

Một định nghĩa khác trong số nhiều định nghĩa trong các câu hỏi phỏng vấn data science là 'phân tích hiệu năng' (power analysis). Đây là một loại phân tích được sử dụng để xác định loại ảnh hưởng mà một đơn vị có chỉ đơn giản dựa trên kích thước của nó.

Phân tích hiệu năng liên quan trực tiếp đến các thử nghiệm của các giả thuyết. Mục đích chính của phân tích hiệu năng cơ bản là giúp nhà nghiên cứu xác định cỡ mẫu nhỏ nhất phù hợp để phát hiện ảnh hưởng của một thử nghiệm đã cho ở mức ý nghĩa mong muốn.

Câu hỏi 11: Bạn biết gì về 'Normal Distribution'?

Dữ liệu được phân phối theo nhiều cách khác nhau với độ lệch sang trái hoặc sang phải hoặc tất cả có thể bị lộn xộn. Tuy nhiên, có khả năng dữ liệu sẽ đạt đến dạng đường cong hình chuông mà không có bất kỳ độ lệch nào sang trái hoặc sang bên phải.

Các đặc điểm của phân phối chuẩn:

• Unimodal - một chế độ
• Đối xứng (Symmetrical) - nửa trái và phải là hình ảnh phản chiếu
• Hình chuông (Bell-shaped) - chiều cao tối đa ở mức trung bình
• Mean, Mode, Median đều nằm ở trung tâm
• Tiệm cận (Asymptotic)

Câu hỏi 12: Hiệu năng thống kê của độ nhạy là gì?

Đây có thể là một trong những câu hỏi phỏng vấn data science phức tạp hơn. Độ nhạy thường được sử dụng để xác nhận độ chính xác của một bộ phân loại (classifier), ví dụ: Logistic,Random Forest, SVC.

Độ nhạy là "Sự kiện đúng được dự đoán/Tổng số sự kiện".

Sự kiện Đúng (True Events) là những sự kiện đúng và mô hình cũng dự đoán chúng là đúng.

Việc tính toán thời vụ rất đơn giản. Công thức là Seasonalit = (Khẳng định thật-True positives)/(Khẳng định trong biến phụ thuộc thực tế).

Câu hỏi 13: Bạn có thể chỉ ra sự khác nhau giữa overfitting và underfitting không?

Bạn có thể bắt đầu bằng cách định nghĩa nó thực sự là gì. Trong overfitting, một mô hình thống kê mô tả lỗi hoặc nhiễu ngẫu nhiên thay vì mối quan hệ cơ bản. Nó xảy ra khi một mô hình quá phức tạp, chẳng hạn như có quá nhiều tham số so với số lượng quan sát. Một mô hình được trang bị quá mức có hiệu suất dự đoán kém vì nó phản ứng quá mức với những biến động nhỏ trong dữ liệu đào tạo.

Mặt khác, underfitting xảy ra khi thuật toán máy học hoặc mô hình thống kê không thể nắm bắt xu hướng cơ bản của dữ liệu. Underfitting sẽ xảy ra nếu bạn cố gắng điều chỉnh mô hình tuyến tính với dữ liệu phi tuyến tính. Nó cũng sẽ có hiệu suất dự đoán kém. Hãy chắc chắn không lẫn hai khái niệm này trong các câu hỏi phỏng vấn data science vì nó có thể rất quan trọng.

Câu hỏi 14: Bạn có biết Eigenvector và Eigenvalue là gì không?

Vâng, tất nhiên rồi. Eigenvectors được sử dụng để hiểu phép biến đổi tuyến tính. Trong phân tích dữ liệu, các giá trị riêng thường được tính toán cho một ma trận tương quan hoặc hiệp phương sai.

Eigenvalue có thể được gọi là cường độ của sự biến đổi theo hướng của eigenvector hoặc yếu tố mà quá trình nén xảy ra.

Câu hỏi 15: Bạn có thể cho biết bộ xác thực (validation set) với bộ kiểm tra (test set) khác nhau như thế nào không?

Bộ xác thực (validation set) là một phần của bộ đào tạo (training set) được sử dụng để lựa chọn tham số cũng như để tránh overfitting quá nhiều mô hình ML đang là developer. Ngoài ra, một bộ thử nghiệm (test set) được dùng để đánh giá hoặc kiểm tra hiệu suất của mô hình ML người đào tạo.

Các câu hỏi Data Sciece nâng cao

Chúng ta đã nói về các câu hỏi phỏng vấn cho data scientist ở cấp độ cơ bản, giới thiệu, hãy chuyển sang những thứ nâng cao hơn.

Tài liệu được cung cấp tiếp theo là hỗn hợp các câu hỏi phỏng vấn data science, dữ liệu lớn và nhà phân tích dữ liệu. Đây là những loại câu hỏi yêu cầu bạn giải thích cụ thể.

Câu hỏi 1: Định nghĩa 'collaborative filtering'.

Collaborative filtering, như tên của nó, là một quá trình lọc sử dụng rất nhiều hệ thống giới thiệu. Loại lọc này được sử dụng để tìm và phân loại các mẫu nhất định.

Lọc cộng tác là một phương pháp đưa ra dự đoán tự động (lọc) về sở thích của người dùng bằng cách thu thập thông tin sở thích hoặc sở thích từ nhiều người dùng (cộng tác). Loại lọc này được sử dụng để tìm và phân loại các mẫu nhất định.

Câu hỏi 2: 'fsck' là gì?

Quan trọng trong các câu hỏi phỏng vấn data science là phải biết ‘fsck’ viết tắt của File System Check (Kiểm tra hệ thống tệp). Đây là một loại lệnh tìm kiếm các lỗi có thể xảy ra trong tệp và nếu có lỗi hoặc sự cố được tìm thấy, fsck sẽ báo cáo chúng cho Hệ thống tệp phân tán Hadoop.

Câu hỏi 3: 'cross-validation' là gì?

Tuy nhiên, một bổ sung khác cho các câu hỏi phỏng vấn data science, có thể khó giải thích cross-validation (xác nhận chéo), đặc biệt là theo cách đơn giản và dễ hiểu.

Cross-validation được sử dụng để phân tích xem một đối tượng sẽ thực hiện theo cách mà nó dự kiến ngay khi được đưa vào các máy chủ trực tiếp. Nói cách khác, nó kiểm tra xem các kết quả nhất định của các phân tích thống kê cụ thể sẽ đo lường như thế nào khi được đặt vào một bộ dữ liệu độc lập.

Câu hỏi 4: Cái nào tốt hơn - dữ liệu tốt hay mô hình tốt?

Đây có thể là một trong những câu hỏi phỏng vấn dữ liệu lớn phổ biến hơn, mặc dù nó cũng thuộc loại câu hỏi phỏng vấn cho data scientist.

Câu trả lời cho câu hỏi này thực sự rất chủ quan và phụ thuộc vào từng trường hợp cụ thể. Các công ty lớn hơn có thể thích dữ liệu tốt, vì nó là cốt lõi của bất kỳ doanh nghiệp thành công nào. Mặt khác, không thể tạo ra các mô hình tốt nếu không có dữ liệu tốt.

Bạn có thể chọn theo sở thích cá nhân của mình - không có câu trả lời đúng hay sai (trừ khi công ty đang tìm kiếm cụ thể một trong hai câu trả lời).

Câu hỏi 5: Sự khác nhau giữa "supervised" và "unsupervised" là gì?

Mặc dù đây không phải là một trong những câu hỏi phỏng vấn data science phổ biến nhất và liên quan nhiều đến công nghệ học máy hơn là với bất kỳ thứ gì khác, nhưng nó vẫn thuộc phạm vi của khoa học dữ liệu, vì vậy chúng ta cần biết.

Trong quá trình học có giám sát (supervised learning), bạn sẽ suy ra một hàm từ một phần dữ liệu gắn nhãn được thiết kế để đào tạo. Máy sẽ học hỏi từ các ví dụ khách quan và cụ thể mà bạn cung cấp.

Học không giám sát (unsupervisied learning) đề cập đến một phương pháp đào tạo máy sử dụng các phản hồi không có nhãn - máy học bằng cách mô tả dữ liệu đầu vào.

Câu hỏi 6: Sự khác nhau giữa "expected value" và "mean value" là như thế nào?

Khi bạn tiếp cận phần câu hỏi phỏng vấn data science nâng cao này liên quan đến chức năng, không có sự khác biệt giữa hai cái này. Tuy nhiên, cả hai đều được sử dụng trong các trường hợp khác nhau.

Giá trị kỳ vọng (expected value) thường phản ánh các biến ngẫu nhiên, trong khi giá trị trung bình (mean value) phản ánh tổng thể mẫu.

Câu hỏi 7: Phân biệt "bivariate", "multivariate" và "univariate"?

Phân tích hai biến (Bivariate) liên quan đến hai biến cùng một lúc, trong khi phân tích đa biến (multivariate) xử lý nhiều biến. Phân tích đơn biến (Univariate) là hình thức phân tích dữ liệu đơn giản nhất. "Uni" có nghĩa là "một", vì vậy nói cách khác, dữ liệu của bạn chỉ có một biến. Nó không giải quyết các nguyên nhân hoặc mối quan hệ (không giống như hồi quy) và mục đích chính của nó là để mô tả; nó lấy dữ liệu, tóm tắt dữ liệu đó và tìm các mẫu trong dữ liệu.

Câu hỏi 8: Điều gì sẽ xảy ra nếu hai người dùng truy cập cùng một tệp HDFS cùng lúc?

Đây cũng là một trong những câu hỏi phỏng vấn data science phổ biến hơn - và nó hơi khó. Bản thân câu trả lời không khó, nhưng rất dễ kết hợp nó với cách các chương trình tương tự phản ứng.

Nếu hai người dùng đang cố gắng truy cập vào một tệp trong HDFS, người đầu tiên có quyền truy cập, trong khi người dùng thứ hai (hơi muộn hơn) bị từ chối.

Câu hỏi 9: Có bao nhiêu định dạng đầu vào Hadoop phổ biến? Chúng là gì?

Một trong những câu hỏi phỏng vấn cho một nhà phân tích dữ liệu cũng có thể xuất hiện trong danh sách các câu hỏi phỏng vấn data science. Thật khó vì bạn không chỉ cần biết số lượng mà còn cả các định dạng.

Tổng cộng, có ba định dạng đầu vào Hadoop phổ biến như sau: định dạng key-value, định dạng sequence file và định dạng text.

Ưu điểm

• Dễ sử dụng
• Cung cấp nội dung chất lượng
• Minh bạch giá cả

Những tính năng chính

• Chứng chỉ miễn phí sau hoàn thành
• Tập trung vào các kỹ năng khoa học dữ liệu
• Thời gian học tập linh hoạt

SAVE 50%

Ưu điểm

• Thiết kế đơn giản (không có thông tin không cần thiết)
• Khóa học chất lượng cao (ngay cả khóa miễn phí)
• Đa dạng tính năng

Những tính năng chính

• Chương trình nanodegree
• Phù hợp với doanh nghiệp
• Chứng chỉ hoàn thành trả phí

40% OFF

Ưu điểm

• Được tạo dựng tốt trong ngành
• Đa dạng các tính năng để lựa chọn
• Các khóa học trình độ đại học

Những tính năng chính

• Các khóa học trình độ đại học
• Phù hợp với doanh nghiệp
• Trả phí cho chứng chỉ hoàn thành

30% OFF COURSES

Câu hỏi 10: 'cluster sampling' là gì?

Cluster sampling (Lấy mẫu theo cụm) có nghĩa là một loại phương pháp lấy mẫu. Với lấy mẫu theo cụm, nhà nghiên cứu chia tổng thể thành các nhóm riêng biệt, được gọi là cụm. Sau đó, một mẫu cụm ngẫu nhiên đơn giản được chọn từ tổng thể. Nhà nghiên cứu tiến hành phân tích dữ liệu từ các cụm được lấy mẫu.

Bạn có biết?

Bạn đã bao giờ băn khoăn nền tảng học online nào tốt nhất cho sự nghiệp của bạn chưa?

Xem & so sánh TOP nền tảng học online cạnh nhau

Những tìm kiếm thịnh hành nhất

Duyệt qua bộ sưu tập của chúng tôi về các bài báo, chỉ dẫn và hướng dẫn kỹ lưỡng nhất liên quan đến sàn giao dịch tiền mã hóa. Luôn nắm rõ và đưa ra quyết định sáng suốt!

How-To

Cách làm affiliate marketing: hướng dẫn toàn diện

University Courses

Khóa học trực tuyến của UC Berkeley: Bạn nên chú ý điều gì

How-To

10 bí kíp hay khi học jQuery

Bí kíp chung

Đến lúc này chúng ta đã thảo luận về cả câu hỏi phỏng vấn data science cơ bản và nâng cao hơn, hãy xem lại nhanh những gì chúng ta đã học được.

Điều quan trọng nhất mà bạn nên nhớ khi bắt đầu cuộc phỏng vấn xin việc là các định nghĩa. Không chỉ có định nghĩa data science là gì (hay khoa học dữ liệu là gì) mà còn cả các định nghĩa khác liên quan. Nếu bạn có các định nghĩa và có thể giải thích chúng một cách dễ hiểu, đảm bảo bạn sẽ để lại ấn tượng tốt và lâu dài cho người phỏng vấn.

Sau đó, nhớ ôn tập lại tất cả các chuyên đề nâng cao. Bạn không nhất thiết phải đi sâu vào từng câu hỏi trong số hàng nghìn câu hỏi phỏng vấn data science ngoài kia. Sửa đổi các chủ đề chính và chỉ đơn giản là làm quen với các khái niệm mà bạn vẫn chưa quen thuộc nên là mục tiêu của bạn trước khi phỏng vấn xin việc.

Mục tiêu chính của bạn tại cuộc phỏng vấn phải là thể hiện kiến ​​thức mà bạn có. Cho dù đó là câu hỏi phỏng vấn data science hay bất kỳ điều gì khác - nếu nhà tuyển dụng thấy rằng bạn hiểu biết về chủ đề này, thì nhiều khả năng họ sẽ coi bạn là một nhân viên tiềm năng.

Tuy nhiên, hãy nhớ rằng - kiến ​​thức chỉ là một phần của phương trình. Nắm rõ khoa học dữ liệu là gì là chưa đủ. Những điều khác mà nhà tuyển dụng đang tích cực tìm kiếm là sự khiêm tốn, tôn trọng, uy tín, đáng tin cậy, v.v... Bạn cũng nên cố gắng thể hiện những điều này và những đặc điểm tốt còn lại của bạn trong cuộc phỏng vấn xin việc. Đừng ngại nói về bản thân, nhưng hãy khiêm tốn - có một ranh giới tốt giữa việc biết giá trị của mình hay đơn giản chỉ là khoe khoang. Nếu bạn cần thêm bất kỳ hướng dẫn nào để trở thành một chuyên gia khoa học dữ liệu, hãy đến với các lộ trình học tập của BitDegree và bắt đầu hành trình của bạn ngay hôm nay!

Tham khảo khoa học