"@/components/CTA" से CTA आयात करें

डेटा साइंस साक्षात्कार प्रश्न: डीएस भूमिकाओं के लिए पूरी गाइड (2025)

आखरी अपडेट: 7 फरवरी, 2025

चाबी छीन लेना - डेटा साइंस साक्षात्कार में सांख्यिकी, मशीन लर्निंग, एसक्यूएल और व्यावसायिक कौशल शामिल हैं - अवधारणाओं को सरल रूप से समझाने और वास्तविक दुनिया की समस्याओं को हल करने का अभ्यास करें - मास्टर ए/बी परीक्षण, प्रयोगात्मक डिजाइन और कारण अनुमान - तकनीकी कौशल और व्यावसायिक प्रभाव दोनों का प्रदर्शन करें - केस स्टडी और उत्पाद समझ के प्रश्नों के लिए तैयारी करें

🎯 प्रो टिप: डेटा विज्ञान साक्षात्कार डेटा से अंतर्दृष्टि निकालने और व्यावसायिक निर्णय लेने की आपकी क्षमता का आकलन करते हैं। जटिल अवधारणाओं को सरलता से समझाने, व्यावसायिक कौशल दिखाने और एंड-टू-एंड समस्या-समाधान कौशल का प्रदर्शन करने पर ध्यान केंद्रित करें।

डेटा साइंस इंटरव्यू स्ट्रक्चर

डेटा विज्ञान साक्षात्कार में आमतौर पर विभिन्न दक्षताओं का आकलन करने वाले कई राउंड शामिल होते हैं:

साक्षात्कार दौर: - फ़ोन स्क्रीन: बुनियादी एसक्यूएल, आँकड़े और व्यवहार संबंधी प्रश्न - तकनीकी साक्षात्कार: कोडिंग, सांख्यिकी, एमएल एल्गोरिदम - केस स्टडी: व्यावसायिक समस्या-समाधान और प्रस्तुति - टीम/नेतृत्व: सांस्कृतिक फिट और सहयोग मूल्यांकन

मूल्यांकन क्षेत्र: - तकनीकी कौशल: एसक्यूएल, पायथन/आर, सांख्यिकी, मशीन लर्निंग - समस्या-समाधान: विश्लेषणात्मक सोच और कार्यप्रणाली - व्यावसायिक कौशल: व्यावसायिक प्रभाव और प्राथमिकताओं को समझना - संचार: गैर-तकनीकी हितधारकों को तकनीकी अवधारणाओं को समझाना

सांख्यिकी और संभाव्यता प्रश्न

बुनियादी सांख्यिकी

1. टाइप I और टाइप II त्रुटियों के बीच अंतर स्पष्ट करें।

हल: - टाइप I त्रुटि (गलत सकारात्मक): अशक्त परिकल्पना को अस्वीकार करना जब यह सच हो (त्रुटि α) - टाइप II त्रुटि (गलत नकारात्मक): अशक्त परिकल्पना को अस्वीकार करने में विफल रहना जब यह गलत हो (β त्रुटि)

उदाहरण: स्पैम का पता लगाने में: - टाइप I: वैध ईमेल को स्पैम के रूप में चिह्नित करना - टाइप II: अनुपलब्ध स्पैम ईमेल (इसे माध्यम से जाने देना)

शक्ति = 1 - β (झूठी शून्य परिकल्पना को सही ढंग से अस्वीकार करने की संभावना)

2. पी-वैल्यू क्या है और आप इसकी व्याख्या कैसे करते हैं?

हल: पी-वैल्यू डेटा को देखे गए डेटा के रूप में चरम (या अधिक चरम) के रूप में देखने की संभावना है, यह मानते हुए कि अशक्त परिकल्पना सत्य है।

व्‍याख्‍या: - पी 10 बहुकोलिनियरिटी को इंगित करता है - सामान्यता के लिए Q-Q प्लॉट

मशीन लर्निंग प्रश्न

एमएल फंडामेंटल

1. पूर्वाग्रह-विचरण ट्रेडऑफ़ की व्याख्या करें।

हल: - पूर्वाग्रह: धारणाओं को सरल बनाने में त्रुटि (अंडरफिटिंग) - विचरण: संवेदनशीलता से प्रशिक्षण डेटा तक त्रुटि (ओवरफिटिंग) - ट्रेडऑफ़: कम पूर्वाग्रह वाले मॉडल में उच्च विचरण होता है, और इसके विपरीत

उदाहरण: - उच्च पूर्वाग्रह: गैर-रैखिक डेटा पर रैखिक प्रतिगमन - उच्च विचरण: निर्णय वृक्ष को ओवरफिटिंग करना

समाधान: - दोनों का आकलन करने के लिए क्रॉस-वैलिडेशन - विचरण को कम करने के लिए नियमितीकरण (L1/L2) - दोनों को कम करने के लिए पहनावा के तरीके

2. क्रॉस-वैलिडेशन क्या है और यह महत्वपूर्ण क्यों है?

हल: क्रॉस-वैलिडेशन मॉडल के प्रदर्शन का आकलन करने और ओवरफिटिंग को रोकने के लिए डेटा को कई बार प्रशिक्षण और सत्यापन सेट में विभाजित करता है।

प्रकार: - के-फोल्ड सीवी: डेटा को k फोल्ड में विभाजित करें, k-1 पर ट्रेन करें, शेष पर मान्य करें - लीव-वन-आउट: k=n (प्रत्येक नमूना सत्यापन एक बार सेट किया जाता है) - स्तरीकृत के-फोल्ड: प्रत्येक तह में वर्ग वितरण बनाए रखता है

महत्व: - एकल ट्रेन/परीक्षण विभाजन की तुलना में अधिक विश्वसनीय प्रदर्शन अनुमान - ओवरफिटिंग का पता लगाने में मदद करता है - सीमित डेटा का अधिकतम उपयोग करता है

विशिष्ट एल्गोरिदम

3. बताएं कि निर्णय वृक्ष कैसे काम करता है।

हल: निर्णय वृक्ष सजातीय समूह बनाने के लिए सुविधा मानों के आधार पर डेटा को पुनरावर्ती रूप से विभाजित करते हैं।

मुख्य अवधारणाएँ: - रूट नोड: सभी डेटा के साथ शुरुआती बिंदु - आंतरिक नोड्स: फीचर थ्रेसहोल्ड के आधार पर निर्णय बिंदु - लीफ नोड्स: अंतिम भविष्यवाणियां (वर्गीकरण) या मान (प्रतिगमन) - विभाजन मानदंड: गिनी अशुद्धता (वर्गीकरण), विचरण में कमी (प्रतिगमन)

लाभ: व्याख्या योग्य, मिश्रित डेटा प्रकारों को संभालता है, किसी सुविधा स्केलिंग की आवश्यकता नहीं है नुकसान: ओवरफिटिंग की संभावना, छोटे डेटा परिवर्तनों के साथ अस्थिर

4. बैगिंग और बूस्टिंग में क्या अंतर है?

हल: - बैगिंग (बूटस्ट्रैप एकत्रीकरण): यादृच्छिक डेटा सबसेट, औसत भविष्यवाणियों पर कई मॉडल बनाता है। विचरण को कम करता है, ओवरफिटिंग का मुकाबला करता है। उदाहरण: रैंडम फॉरेस्ट।

- बूस्टिंग: मॉडल को क्रमिक रूप से प्रशिक्षित करता है, प्रत्येक पिछली गलतियों पर ध्यान केंद्रित करता है। पूर्वाग्रह को कम करता है, सटीकता में सुधार करता है। उदाहरण: AdaBoost, XGBoost.

मुख्य अंतर: - बैगिंग: समानांतर, विचरण को कम करता है - बूस्टिंग: अनुक्रमिक, पूर्वाग्रह को कम करता है - बैगिंग: स्वतंत्र मॉडल - बूस्टिंग: त्रुटियों से सीखने वाले आश्रित मॉडल

एसक्यूएल प्रश्न

बेसिक एसक्यूएल

1. कर्मचारी तालिका से दूसरा सबसे बड़ा वेतन खोजें।

समाधान: '''एसक्यूएल - विधि 1: सबक्वेरी SECOND के रूप में अधिकतम (वेतन) का चयन करें उच्चतम वेतन कर्मचारी से जहां वेतन