"@/components/CTA" থেকে CTA আমদানি করুন

ডেটা সায়েন্স সাক্ষাত্কার প্রশ্ন: ডিএস ভূমিকার জন্য সম্পূর্ণ গাইড (2025)

সর্বশেষ আপডেট: ফেব্রুয়ারী 7, 2025

কী টেকওয়ে - ডেটা সায়েন্স ইন্টারভিউ পরিসংখ্যান, মেশিন লার্নিং, এসকিউএল এবং ব্যবসায়িক দক্ষতা কভার করে - ধারণাগুলি সহজভাবে ব্যাখ্যা করা এবং বাস্তব বিশ্বের সমস্যাগুলি সমাধান করার অনুশীলন করুন - মাস্টার এ / বি পরীক্ষা, পরীক্ষামূলক নকশা এবং কার্যকারণ অনুমান - প্রযুক্তিগত দক্ষতা এবং ব্যবসায়িক প্রভাব উভয়ই প্রদর্শন করুন - কেস স্টাডি এবং প্রোডাক্ট সেন্স প্রশ্নগুলির জন্য প্রস্তুত করুন

🎯 প্রো টিপ: ডেটা সায়েন্স সাক্ষাত্কারগুলি ডেটা থেকে অন্তর্দৃষ্টি বের করার এবং ব্যবসায়িক সিদ্ধান্তগুলি চালানোর আপনার ক্ষমতা মূল্যায়ন করে। জটিল ধারণাগুলি সহজভাবে ব্যাখ্যা করা, ব্যবসায়ের দক্ষতা প্রদর্শন এবং শেষ থেকে শেষ সমস্যা সমাধানের দক্ষতা প্রদর্শনের দিকে মনোনিবেশ করুন।

ডেটা সায়েন্স ইন্টারভিউ স্ট্রাকচার

ডেটা সায়েন্স সাক্ষাত্কারে সাধারণত বিভিন্ন দক্ষতা মূল্যায়নের একাধিক রাউন্ড অন্তর্ভুক্ত থাকে:

ইন্টারভিউ রাউন্ড: - ফোন স্ক্রিন: বেসিক এসকিউএল, পরিসংখ্যান এবং আচরণগত প্রশ্ন - টেকনিক্যাল ইন্টারভিউ: কোডিং, পরিসংখ্যান, এমএল অ্যালগরিদম - কেস স্টাডি: ব্যবসায়ের সমস্যা সমাধান এবং উপস্থাপনা - টিম / লিডারশিপ: সাংস্কৃতিক ফিট এবং সহযোগিতা মূল্যায়ন

মূল্যায়ন ক্ষেত্র: - প্রযুক্তিগত দক্ষতা: এসকিউএল, পাইথন / আর, পরিসংখ্যান, মেশিন লার্নিং - সমস্যা সমাধান: বিশ্লেষণাত্মক চিন্তাভাবনা এবং পদ্ধতি - ব্যবসায়ের দক্ষতা: ব্যবসায়ের প্রভাব এবং অগ্রাধিকারগুলি বোঝা - যোগাযোগ: অ-প্রযুক্তিগত স্টেকহোল্ডারদের প্রযুক্তিগত ধারণাগুলি ব্যাখ্যা করা

পরিসংখ্যান ও সম্ভাব্যতা সংক্রান্ত প্রশ্ন

মৌলিক পরিসংখ্যান

1. টাইপ I এবং টাইপ II ত্রুটিগুলির মধ্যে পার্থক্য ব্যাখ্যা করুন।

উত্তর: - টাইপ আই ত্রুটি (মিথ্যা ইতিবাচক): শূন্য অনুমানটি সত্য হলে প্রত্যাখ্যান করা (α ত্রুটি) - টাইপ II ত্রুটি (মিথ্যা নেতিবাচক): মিথ্যা হলে নাল হাইপোথিসিস প্রত্যাখ্যান করতে ব্যর্থ হওয়া (β ত্রুটি)

উদাহরণ: স্প্যাম সনাক্তকরণে: - টাইপ I: বৈধ ইমেলকে স্প্যাম হিসাবে চিহ্নিত করা - টাইপ II: অনুপস্থিত স্প্যাম ইমেল (এটি দিয়ে যেতে দেওয়া)

শক্তি = 1 - β (মিথ্যা নাল হাইপোথিসিসকে সঠিকভাবে প্রত্যাখ্যান করার সম্ভাবনা)

2. পি-মান কী এবং আপনি কীভাবে এটি ব্যাখ্যা করবেন?

উত্তর: পি-মান হ'ল পর্যবেক্ষণ করা তথ্যের মতো চরম (বা তার চেয়ে বেশি চরম) ডেটা পর্যবেক্ষণ করার সম্ভাবনা, নাল হাইপোথিসিস সত্য বলে ধরে নিলে।

ব্যাখ্যা: - p 10 মাল্টিকোলিনিয়ারিটি নির্দেশ করে - স্বাভাবিকতার জন্য কিউ-কিউ প্লট

মেশিন লার্নিং প্রশ্ন

এমএল ফান্ডামেন্টালস

1. পক্ষপাত-বৈচিত্র ট্রেডঅফ ব্যাখ্যা করুন।

উত্তর: - পক্ষপাত: অনুমানগুলি সরলীকরণ থেকে ত্রুটি (আন্ডারফিটিং) - বৈচিত্র: সংবেদনশীলতা থেকে প্রশিক্ষণের ডেটাতে ত্রুটি (ওভারফিটিং) - ট্রেডঅফ: কম পক্ষপাতের মডেলগুলিতে উচ্চ বৈচিত্র থাকে এবং তদ্বিপরীত

উদাহরণ: - উচ্চ পক্ষপাত: অ-রৈখিক ডেটাতে রৈখিক রিগ্রেশন - উচ্চ বৈচিত্র: ওভারফিটিং সিদ্ধান্ত গাছ

সমাধানের: - উভয়ের মূল্যায়নের জন্য ক্রস-বৈধতা - বৈচিত্র হ্রাস করার জন্য নিয়মিতকরণ (L1 / L2) - উভয় হ্রাস করার জন্য এনসেম্বল পদ্ধতি

2. ক্রস-বৈধতা কী এবং কেন এটি গুরুত্বপূর্ণ?

উত্তর: ক্রস-বৈধকরণ মডেলের পারফরম্যান্স মূল্যায়ন করতে এবং ওভারফিটিং রোধ করতে একাধিকবার প্রশিক্ষণ এবং বৈধতা সেটে ডেটা বিভক্ত করে।

প্রকার: - k-ভাঁজ সিভি: কে ভাঁজে ডেটা বিভক্ত করুন, কে -1 এ প্রশিক্ষণ দিন, অবশিষ্টাংশে যাচাই করুন - লিভ-ওয়ান-আউট: k=n (প্রতিটি নমুনা একবার বৈধতা সেট করা হয়) - স্ট্র্যাটিফাইড কে-ফোল্ড: প্রতিটি ভাঁজে শ্রেণি বিতরণ বজায় রাখে

গুরুত্ব: - একক ট্রেন / পরীক্ষামূলক বিভাজনের চেয়ে আরও নির্ভরযোগ্য পারফরম্যান্স অনুমান - ওভারফিটিং সনাক্ত করতে সহায়তা করে - সীমিত ডেটার ব্যবহার সর্বাধিক করে তোলে

নির্দিষ্ট অ্যালগরিদম

3. একটি সিদ্ধান্ত গাছ কীভাবে কাজ করে তা ব্যাখ্যা করুন।

উত্তর: সিদ্ধান্ত গাছগুলি সমজাতীয় গোষ্ঠী তৈরি করতে বৈশিষ্ট্যের মানগুলির উপর ভিত্তি করে পুনরাবৃত্তি ডেটা বিভক্ত করে।

মূল ধারণা: - রুট নোড: সমস্ত ডেটা সহ প্রারম্ভিক পয়েন্ট - অভ্যন্তরীণ নোড: বৈশিষ্ট্য থ্রেশহোল্ডের উপর ভিত্তি করে সিদ্ধান্ত পয়েন্ট - লিফ নোডস: চূড়ান্ত ভবিষ্যদ্বাণী (শ্রেণিবিন্যাস) বা মান (রিগ্রেশন) - বিভাজনের মানদণ্ড: গিনি অমেধ্য (শ্রেণিবিন্যাস), বৈচিত্র হ্রাস (রিগ্রেশন)

সুবিধা: ব্যাখ্যাযোগ্য, মিশ্র ডেটা প্রকারগুলি পরিচালনা করে, কোনও বৈশিষ্ট্য স্কেলিংয়ের প্রয়োজন নেই অসুবিধা: ছোট ডেটা পরিবর্তনের সাথে ওভারফিটিং, অস্থিতিশীল

4. ব্যাগিং এবং বুস্টিংয়ের মধ্যে পার্থক্য কি?

উত্তর: - ব্যাগিং (বুটস্ট্র্যাপ এগ্রিগেটিং): এলোমেলো ডেটা সাবসেটগুলিতে একাধিক মডেল তৈরি করে, গড় পূর্বাভাস। বৈচিত্র হ্রাস করে, ওভারফিটিংয়ের বিরুদ্ধে লড়াই করে। উদাহরণ: র্যান্ডম ফরেস্ট।

- বুস্টিং: ক্রমানুসারে মডেলগুলি ট্রেন করে, প্রতিটি পূর্ববর্তী ভুলের উপর দৃষ্টি নিবদ্ধ করে। পক্ষপাত হ্রাস করে, নির্ভুলতা উন্নত করে। উদাহরণ: অ্যাডাবুস্ট, এক্সজিবুস্ট।

মূল পার্থক্য: - ব্যাগিং: সমান্তরাল, বৈচিত্র হ্রাস করে - বুস্টিং: ক্রমিক, পক্ষপাত হ্রাস করে - ব্যাগিং: স্বতন্ত্র মডেল - বুস্টিং: নির্ভরশীল মডেলগুলি ত্রুটি থেকে শিখছে

এসকিউএল প্রশ্ন

বেসিক এসকিউএল

1. কর্মচারী টেবিল থেকে দ্বিতীয় সর্বোচ্চ বেতন সন্ধান করুন।

সমাধানের: '''এসকিউএল - পদ্ধতি 1: সাবকোয়ারি দ্বিতীয় সর্বোচ্চ বেতন হিসাবে সর্বোচ্চ (বেতন) নির্বাচন করুন কর্মচারী থেকে যেখানে বেতন