隨著大數(shù)據(jù)概念的火熱，數(shù)據(jù)科學(xué)家這一職位應(yīng)時(shí)而出，那么成為數(shù)據(jù)科學(xué)家要滿足什么條件?或許我們可以從國外的數(shù)據(jù)科學(xué)家面試問題中得到一些參考，下面是77個(gè)關(guān)于數(shù)據(jù)分析或者數(shù)據(jù)科學(xué)家招聘的時(shí)候會(huì)常會(huì)的幾個(gè)問題，供各位同行參考。

　　1、你處理過的最大的數(shù)據(jù)量?你是如何處理他們的?處理的結(jié)果。

　　2、告訴我二個(gè)分析或者計(jì)算機(jī)科學(xué)相關(guān)項(xiàng)目?你是如何對(duì)其結(jié)果進(jìn)行衡量的?

　　3、什么是：提升值、關(guān)鍵績效指標(biāo)、強(qiáng)壯性、模型按合度、實(shí)驗(yàn)設(shè)計(jì)、2/8原則?

　　4、什么是：協(xié)同過濾、n-grams, map reduce、余弦距離?

　　5、如何讓一個(gè)網(wǎng)絡(luò)爬蟲速度更快、抽取更好的信息以及更好總結(jié)數(shù)據(jù)從而得到一干凈的數(shù)據(jù)庫?

　　6、如何設(shè)計(jì)一個(gè)解決抄襲的方案?

　　7、如何檢驗(yàn)一個(gè)個(gè)人支付賬戶都多個(gè)人使用?

　　8、點(diǎn)擊流數(shù)據(jù)應(yīng)該是實(shí)時(shí)處理?為什么?哪部分應(yīng)該實(shí)時(shí)處理?

　　9、你認(rèn)為哪個(gè)更好：是好的數(shù)據(jù)還是好模型?同時(shí)你是如何定義“好”?存在所有情況下通用的模型嗎?有你沒有知道一些模型的定義并不是那么好?

　　10、什么是概率合并(AKA模糊融合)?使用SQL處理還是其它語言方便?對(duì)于處理半結(jié)構(gòu)化的數(shù)據(jù)你會(huì)選擇使用哪種語言?

　　11、你是如何處理缺少數(shù)據(jù)的?你推薦使用什么樣的處理技術(shù)?

　　12、你最喜歡的編程語言是什么?為什么?

　　13、對(duì)于你喜歡的統(tǒng)計(jì)軟件告訴你喜歡的與不喜歡的3個(gè)理由。

　　14、SAS, R, Python, Perl語言的區(qū)別是?

　　15、什么是大數(shù)據(jù)的詛咒?

　　16、你參與過數(shù)據(jù)庫與數(shù)據(jù)模型的設(shè)計(jì)嗎?

　　17、你是否參與過儀表盤的設(shè)計(jì)及指標(biāo)選擇?你對(duì)于商業(yè)智能和報(bào)表工具有什么想法?

　　18、你喜歡TD數(shù)據(jù)庫的什么特征?

　　19、如何你打算發(fā)100萬的營銷活動(dòng)郵件。你怎么去優(yōu)化發(fā)送?你怎么優(yōu)化反應(yīng)率?能把這二個(gè)優(yōu)化份開嗎?

　　20、如果有幾個(gè)客戶查詢ORACLE數(shù)據(jù)庫的效率很低。為什么?你做什么可以提高速度10倍以上，同時(shí)可以更好處理大數(shù)量輸出?

　　21、如何把非結(jié)構(gòu)化的數(shù)據(jù)轉(zhuǎn)換成結(jié)構(gòu)化的數(shù)據(jù)?這是否真的有必要做這樣的轉(zhuǎn)換?把數(shù)據(jù)存成平面文本文件是否比存成關(guān)系數(shù)據(jù)庫更好?

　　22、什么是哈希表碰撞攻擊?怎么避免?發(fā)生的頻率是多少?

　　23、如何判別mapreduce過程有好的負(fù)載均衡?什么是負(fù)載均衡?

　　24、請(qǐng)舉例說明mapreduce是如何工作的?在什么應(yīng)用場景下工作的很好?云的安全問題有哪些?

　　25、(在內(nèi)存滿足的情況下)你認(rèn)為是100個(gè)小的哈希表好還是一個(gè)大的哈希表，對(duì)于內(nèi)在或者運(yùn)行速度來說?對(duì)于數(shù)據(jù)庫分析的評(píng)價(jià)?

　　26、為什么樸素貝葉斯差?你如何使用樸素貝葉斯來改進(jìn)爬蟲檢驗(yàn)算法?

　　27、你處理過白名單嗎?主要的規(guī)則?(在欺詐或者爬行檢驗(yàn)的情況下)

　　28、什么是星型模型?什么是查詢表?

　　29、你可以使用excel建立邏輯回歸模型嗎?如何可以，說明一下建立過程?

　　30、在SQL, Perl, C++, Python等編程過程上，待為了提升速度優(yōu)化過相關(guān)代碼或者算法嗎?如何及提升多少?

　　31、使用5天完成90%的精度的解決方案還是花10天完成100%的精度的解決方案?取決于什么內(nèi)容?

　　32、定義：QA(質(zhì)量保障)、六西格瑪、實(shí)驗(yàn)設(shè)計(jì)。好的與壞的實(shí)驗(yàn)設(shè)計(jì)能否舉個(gè)案例?

　　33、普通線性回歸模型的缺陷是什么?你知道的其它回歸模型嗎?

　　34、你認(rèn)為葉數(shù)小于50的決策樹是否比大的好?為什么?

　　35、保險(xiǎn)精算是否是統(tǒng)計(jì)學(xué)的一個(gè)分支?如果不是，為何如何?

　　36、給出一個(gè)不符合高斯分布與不符合對(duì)數(shù)正態(tài)分布的數(shù)據(jù)案例。給出一個(gè)分布非常混亂的數(shù)案例。

　　37、為什么說均方誤差不是一個(gè)衡量模型的好指標(biāo)?你建議用哪個(gè)指標(biāo)替代?

　　38、你如何證明你帶來的算法改進(jìn)是真的有效的與不做任何改變相比?你對(duì)A/B測試熟嗎?

　　39、什么是敏感性分析?擁有更低的敏感性(也就是說更好的強(qiáng)壯性)和低的預(yù)測能力還是正好相反好?你如何使用交叉驗(yàn)證?你對(duì)于在數(shù)據(jù)集中插入噪聲數(shù)據(jù)從而來檢驗(yàn)?zāi)Ｐ偷拿舾行缘南敕ㄈ绾慰?