20个问题揭穿冒牌数据科学家

jack

冒牌数据科学家通常是某一个特定学科的专家，且坚信他们的学科才是唯一真正的数据科学。这种想法忽略了一个事实：数据科学是一整套科学工具与技术(数学，计算，视觉，分析，统计，试验，问题界定，模型建立与检验等)的集合，用于从数据收集中获得新发现、洞察与价值。

如今数据科学家正式成为21世纪最性感的工作，人人都想来分一杯羹。

这也意味着会有一些冒牌货。这些人自称数据科学家，却不具有相应的技能。

这不见得是有意欺骗。数据科学是崭新的领域，目前对此岗位也缺乏被广泛认可的描述。这意味着许多人会认为自己是数据科学家，仅仅因为他们常跟数据打交道。

“冒牌数据科学家通常是某一个特定学科的专家，且坚信他们的学科才是唯一真正的数据科学。这种想法忽略了一个事实：数据科学是一整套科学工具与技术(数学，计算，视觉，分析，统计，试验，问题界定，模型建立与检验等)的集合，用于从数据收集中获得新发现、洞察与价值。”--Kirk Borne，BoozAllen Hamilton 首席数据科学家

RocketDataScience.org创始人

为了帮助你区分真正的数据科学家与冒牌的(误入歧途的)数据科学家，我们总结了一个问题清单，内含20个问题。在面试数据科学家时你可以提出这些问题。

1.解释什么是正则化，以及它的用处。

2.你最崇拜哪些数据科学家?哪些创业公司?

3.你会如何验证一个多元回归预测模型的量化变量的结果?

4.解释什么是准确率(precision)和召回率(recall)。它们与ROC曲线有什 么关系?

5.你如何证明你对某个算法进行的改进，与原算法相比是有了真正的改进?

6.什么是根本原因分析(rootcause analysis)?

7.你是否熟悉以下概念：价格优化、价格弹性、库存管理、竞争(商业)智能。举例说明。

8.统计功效(statisticalpower)是什么?

9.解释什么是重新取样法(resamplingmethods)以及它们为何重要。解释它们的局限性。

10.哪种情况更好：有许多假阳性值，或者是有许多假阴性值?请解释。

11.什么是选择偏差(selectionbias)，它为何重要?如何避免?

12.举出一例说明，你如何用实验设计来回答一个有关用户行为的问题。

13.数据的“长”/“宽”格式有何区别?

14.你使用什么方法来判断一篇文章(比如报纸中的)统计数字是错的或用来支持作者观点的，而非正确的、包含对某个特殊主题的丰富实时信息的?

15.解释EdwardTufte的“垃圾图表(chart junk)”概念。

16.你如何筛选离群点(outliers)，以及如果你发现了一个这样的点应该怎么处理?

17.你会如何使用极限值定理、蒙特卡罗模拟或数理统计(或其他任何东西)正确预测一个稀有事件的几率?

18.推荐引擎是什么?它如何工作?

19.解释什么是假阳性、假阴性。为何区分它们很重要?

20.你是用什么工具进行可视化?你对Tableau怎么看?R?SAS?(就绘图而言)。如何有效地在一个图表(或视频中)表现五个维度?

“一个‘真正的’数据科学家知道如何应用数学、统计，如何用适当的试验设计来建立与验证模型。有IT技术却没有统计技能的数据科学家，就像一个只知道如何建立手术刀的外科医生。”

--Lisa Winter,TowersWatson

高级分析师