如何進行資料科學家模擬面試
作者 Aaron Cao · 更新於
比照真實面試流程的四大環節來準備：統計學與機器學習問題、實驗設計案例、SQL 與 Python 程式設計，以及針對你某個專案的深入追問。每一輪都限時、開口作答，並趁記憶猶新時寫下回饋。開口說、掐錶練習，才是真正能轉移到考場上的能力。
資料科學家模擬面試該比照哪些環節？
資料科學家的面試環節比分析師職位更因公司而異；如果想把所有可能情況都準備齊全，求職者往往在真正的現場面試前就已經精疲力竭。本節把範圍收斂到涵蓋大多數流程的四大環節，讓你的模擬練習時間對應真實的分布。
這四個環節分別是：統計與機器學習問答、實驗或指標案例分析、以 SQL 為主、常搭配 Python 的程式設計環節，以及針對你自己負責的某個專案的深入問答。偏產品分析的職位會更看重案例環節；偏機器學習的職位則更看重建模問題，有時還會加入機器學習系統設計的討論。閱讀職缺說明，並按同樣的比重安排你的模擬面試。
準備初期分環節個別練習，到面試前一週再合成一套完整流程走一遍；模擬面試頁面介紹了如何用會追問的 AI 面試官進行限時練習。
如何練習統計與機器學習問題？
這裡常見的失敗模式不是知識不夠，而是在被觀察的壓力下，把明明會的東西講得很差。請把這套標準問題大聲練習出來，每道題都準備兩種深度：一句產品經理也能聽懂的白話文，再加上一版點名前提假設的技術版本。
- P 值到底是什麼、不是什麼，以及統計檢定力（power）能為你帶來什麼。
- 偏差與變異數的取捨，以及正則化如何在兩者之間權衡。
- 什麼情況下精確率比召回率更重要，並給出一個具體案例。
- 為什麼一個離線指標很好看的模型，上線後仍可能失敗。
- 過擬合：你如何偵測它，發現後又會做出哪些調整。
兩種深度的練習很重要，因為真實面試官經常用這兩種方式問同一個問題，能否流暢地在「白話」和「技術」之間切換視角，正是資深與否的展現。
如何練習實驗設計案例？
案例環節會給你一個產品改動，讓你設計對應的實驗。練習一套固定的思路框架：選定成功指標及其分母、確定隨機化單位、列出護欄指標、結合檢定力大致估算樣本數，並在數據出來之前先講清楚決策規則。然後再點出幾個經典陷阱：太早偷看數據、隨機化單位不匹配、新奇效應，以及不同實驗組之間的相互干擾。
舉一個具體的練習例子：一位準備平台型（marketplace）職位面試的資料科學家，給自己 15 分鐘時間判斷一個新的排序演算法是否該上線，她大聲走一遍整套思路，最後重點檢查一件事——她選的隨機化單位能否經得起買家與賣家互相影響的考驗。這一個檢查點，往往就是平台型案例成敗的關鍵，而反覆練習正是讓它變成本能反應的方法。
更多案例題目與各職位專屬題庫，可以在題庫中心查看。
如何用回饋為練習收尾？
沒有書面回饋的模擬面試，隔天就會被忘得差不多。每次練習結束時都寫下三句話：哪裡表現好、哪裡卡住了、下次要重新挑戰的那一題。下一次練習就從這一題開始。練過五六輪之後，這些回饋會逐漸收斂到你真正的弱點——這正是「模擬練習」而非「看書學習」的意義所在。
針對專案深入問答環節，把一個專案按三種深度練習：2 分鐘的概述、10 分鐘的完整說明，以及 30 分鐘、對每個決定都被連番追問的「刁難版」。面試官會一直追問，直到摸到你真正負責的邊界；提前知道這個邊界在哪裡，會讓整個環節更從容。完整練習流程和自動產生回饋的效果，可以查看模擬面試中心。