Вопросы для собеседования в Google Data Science: все, что вам нужно знать, чтобы взломать его



В этой статье вы найдете набор вопросов для собеседований в Google Data Science, процесс собеседования и предварительные условия для подачи заявки на работу в Google.

Работа в такой всемирно известной компании, как Google, - это работа мечты для многих. У них есть одни из самых талантливых ученых-исследователей ИИ, и в мире. Источников для Google не так много Вопросы для собеседования онлайн, и найти там работу непросто. Итак, в этой статье я затрону следующие темы:

Описание работы и требования

При средней зарплате 169 067 долл. США , включая бонус. Заработная плата специалиста по данным Google варьируется от 120 000–280 000 долларов США . При такой высокой зарплате вам необходимо знать правильные требования к вакансии, на которую вы претендуете. Хотя требования различаются от должности к должности, ниже приведены некоторые из наиболее распространенных:

Минимальные требования:





массив объектов java

google

  • Степень магистра в области количественной дисциплины (статистика, исследования операций, информатика)
  • 2 года опыта работы в сфере анализа данных
  • Опыт работы со статистическим программным обеспечением (например, р , , MATLAB, Pandas) и
  • Опыт работы с языками баз данных (например, SQL )

Обязанности:



php.mysql_fetch_array
  • Работайте с большими и сложными наборами данных. Решайте сложные, нестандартные задачи анализа, применяя передовые аналитические методы по мере необходимости
  • Провести анализ, который включает сбор данных и определение требований, обработку, анализ, текущие результаты и презентации.
  • Итеративно создавайте и прототипируйте конвейеры анализа, чтобы обеспечить масштабную аналитическую информацию
  • Развивайте всесторонние знания о структурах данных и показателях Google, выступая за изменения, которые необходимы для разработки продукта
  • Межфункциональное взаимодействие, предоставление бизнес-рекомендаций (например, рентабельность, прогнозирование, анализ экспериментов)
  • Исследуйте и разрабатывайте методы анализа, прогнозирования и оптимизации, чтобы повысить качество продуктов Google, предназначенных для пользователей.

Процесс собеседования в Google Data Science

Очистка шорт-листа сама по себе является сложной задачей, которая полностью зависит от вашего Резюме, сопроводительное письмо и Опыт . Google Data Science Вопросы для собеседования представляют собой смесь головоломок и технических запросов. Обычно первый процесс - это телефонное интервью.

Телефонное интервью:

Он состоит из вопросов, в основном основанных на (конкретные и теоретические) и в значительной степени основанные на . Вопросы также различаются в зависимости от проектов, над которыми вы работали.
  • Случай 1: В ходе интервью задавали вопросы о методах извлечения признаков, PCA (используется в проектах), корреляционном анализе, некоторых используемых методах классификации (SVM, GBM, нейронная сеть). Почему не логистическая регрессия, почему GBM? - В основном вопросы касаются разделимости классов.
  • Случай 2: Зачем использовать выбор функций? Если два предиктора сильно коррелированы, каково влияние на коэффициенты логистической регрессии? Каковы доверительные интервалы коэффициентов?
  • Случай 3: Диск вращается на шпинделе, и вы не знаете, в каком направлении он вращается. Вам предоставляется набор булавок. Как вы будете использовать булавки, чтобы описать, как вращается диск?
После телефонных собеседований наступают раунды личного общения и кодирования. Итак, давайте обсудим некоторые из наиболее распространенных вопросов на собеседовании в Google Data Science. Хотя эти вопросы могут быть заданы не так, как указано ниже, я попытался ответить на многие из них.

Вопросы на собеседовании в Google Data Science

Эти вопросы не озадачивают, поскольку Google перестал задавать эти вопросы, у них есть похожие вопросы, которые они называют Вопросы по решению проблем . Задаётся множество вопросов по машинному обучению, от общих до практических. Google в основном охватывает широкий круг тем, а не глубину. Q1. Вы находитесь в казино, и у вас есть два кубика для игры. Вы выигрываете 10 долларов каждый раз, когда выпадаете 5. Если вы играете до выигрыша, а затем останавливаетесь, какова ожидаемая выплата? Q2. Вы собираетесь сесть в самолет в Лондон, вы хотите знать, нужно ли вам брать с собой зонтик или нет. Вы звоните трем своим случайным друзьям и каждому из них, если идет дождь. Вероятность того, что ваш друг говорит правду, составляет 2/3, а вероятность того, что они разыграют вас, солгав, равна 1/3. Если все трое говорят, что идет дождь, то какова вероятность того, что дождь действительно идет в Лондоне. Q3. Как бы добавить новые Facebook участников в базу данных участников и закодировать их отношения с другими в базе данных? Q4. Как вы проверите, есть ли повышенная вероятность того, что пользователь останется активным через 6 месяцев, учитывая, что у пользователя сейчас больше друзей? Q5. Вам дается 40 карточек четырех разных цветов - 10 зеленых карточек, 10 красных карточек, 10 синих карточек и 10 желтых карточек. Карты каждого цвета пронумерованы от одного до десяти. Случайно выбираются две карты. Определите вероятность того, что выбранные карты не одного номера и цвета. Q6. Создайте программу на выбранном вами языке для чтения текстового файла с различными твитами. Результатом должно быть 2 текстовых файла - один, содержащий список всех уникальных слов среди всех твитов, а также количество повторяющихся слов, а второй файл должен содержать среднее количество уникальных слов для всех твитов. Q7. Что вы будете делать, если удаление недостающих значений из набора данных приведет к смещению? Q8. Диск вращается на шпинделе, и вы не знаете, в каком направлении он вращается. Вам предоставляется набор булавок. Как вы будете использовать булавки, чтобы описать, как вращается диск? Q9. Как вы создадите механизм рекомендаций для вакансий? Q10. Какой продукт вы хотите создать в Google? Q11. В машины имплантируют датчик скорости, чтобы страховые компании могли отслеживать состояние нашего вождения. На какие бизнес-вопросы можно ответить по этой новой схеме? Q12. Как вы можете решить, лучше ли один алгоритм, чем другой? Q13. На коробке 12 красных карточек и 12 черных карточек. В другом боксе 24 красные карты и 24 черные карты. Вы хотите вытащить две случайные карты из одного из двух ящиков, у какого ящика выше вероятность получить карты одного цвета и почему? В14. В чем разница между моделью с мешком и усиленной моделью? Q15. Вы создаете отчет по загрузкам пользовательского контента каждый месяц и наблюдаете резкое увеличение количества загрузок за январь. Увеличение загрузок, особенно загрузок изображений. Как вы думаете, что станет причиной этого и как вы протестируете этот внезапный всплеск? Q16. Вы владеете швейным предприятием и хотите улучшить свое место на рынке. Как вы это сделаете с уровня земли? В17. Как вы решите, какие версии двух алгоритмов ценообразования работают лучше для любой авиационной компании? В18. Какая степень свободы у лассо? В19. В чем разница между итератором, генератором и пониманием списка в Python? Q20. Учитывая набор веб-страниц и изменения на веб-сайте, как вы протестируете новую функцию веб-сайта, чтобы определить, работает ли изменение положительно? В21. Имея размерную матрицу MxN, каждая ячейка которой содержит алфавит, найдите, содержится ли в ней строка или нет. В22. Как вы построите систему кэширования, используя расширенную структуру данных, такую ​​как hashmap? В23. Если бы вы могли получить набор данных по любой интересующей теме, независимо от методов сбора или ресурсов, то как бы он выглядел и что вы с ним будете делать? В24. Что такое методы обнаружения аномалий? В25. Как работает кеширование и как вы его используете в Data Science? Итак, ребята, на этом мы подошли к концу этой статьи. Вопросы на собеседовании Google Data Science в основном на основе сценария и требовать, чтобы у вас действительно было Способности к решению проблем и, кроме того, вам нужно знать, как применять Data Science в этих ситуациях. Я надеюсь, что это даст вам возможность подготовиться к любому собеседованию по науке о данных в будущем. Будь то Google, Microsoft, Apple или Uber. Все технические гиганты задают похожие вопросы, когда дело доходит до науки о данных, поскольку это обширная и в то же время новая область. поможет вам овладеть инструментами и системами, используемыми профессионалами в области науки о данных. Он включает обучение по статистике, науке о данных, Python, Apache Spark и Scala, Tensorflow и Tableau. Учебная программа была определена на основе обширного исследования более 5000 описаний должностей по всему миру. Если у вас есть какие-либо вопросы, не стесняйтесь упоминать в разделе комментариев ниже.