如何进行数据科学家模拟面试
作者 Aaron Cao · 更新于
对照真实面试流程的四大环节来准备：统计学与机器学习问题、实验设计案例、SQL 与 Python 编程，以及针对你某个项目的深度追问。每一轮都限时、开口作答，并趁记忆犹新时写下反馈。开口说、掐着时间练，才是真正能迁移到考场的能力。
数据科学家模拟面试应对照哪些环节？
数据科学家的面试环节因公司而异，比分析师岗位的差异更大；如果试图把所有可能情况都准备到，候选人往往在真正的现场终面之前就已经精疲力竭。本节把范围收窄到覆盖大多数流程的四大环节，让你的模拟练习时间与真实分布相匹配。
这四个环节分别是：统计与机器学习问答、实验或指标案例分析、以 SQL 为主、常配合 Python 的编程环节，以及针对你自己负责的某个项目的深度问答。偏产品分析的岗位会更看重案例环节；偏机器学习的岗位则更看重建模问题，有时还会加入机器学习系统设计的讨论。阅读职位描述，并按同样的比重安排你的模拟面试。
准备初期分环节单独练习，到面试前一周再合成一套完整流程走一遍；模拟面试页面介绍了如何用会追问的 AI 面试官进行限时练习。
如何练习统计与机器学习问题？
这里常见的失败模式不是知识不够，而是在被观察的压力下，把明明会的东西讲得很差。请把这套标准问题大声练习出来，每道题都准备两种深度：一句产品经理也能听懂的大白话，再加上一版点名前提假设的技术版本。
- P 值到底是什么、不是什么，以及统计功效（power）能为你带来什么。
- 偏差与方差的权衡，以及正则化如何在两者之间取舍。
- 什么情况下精确率比召回率更重要，并给出一个具体案例。
- 为什么一个离线指标很好看的模型，上线后仍可能失败。
- 过拟合：你如何发现它，发现后又会做出哪些调整。
两种深度的练习很重要，因为真实面试官经常用这两种方式问同一个问题，能否流畅地在「通俗」和「技术」之间切换视角，正是资深与否的体现。
如何练习实验设计案例？
案例环节会给你一个产品改动，让你设计对应的实验。练习一套固定的思路框架：选定成功指标及其分母、确定随机化单位、列出护栏指标、结合统计功效大致估算样本量，并在数据出来之前先说清楚决策规则。然后再点出几个经典陷阱：过早偷看数据、随机化单位不匹配、新奇效应，以及不同实验组之间的相互干扰。
举一个具体的练习例子：一位准备平台型（marketplace）岗位面试的数据科学家，给自己 15 分钟时间判断一个新的排序算法是否该上线，她大声走一遍整套思路，最后重点检查一件事——她选的随机化单位能否经受住买家与卖家相互影响的考验。这一个检查点，往往就是平台型案例成败的关键，而反复练习正是让它变成本能反应的方法。
更多案例题目与各岗位专属题库，可以在题库中心查看。
如何用反馈为练习收尾？
没有书面反馈的模拟面试，第二天就会被忘得差不多。每次练习结束时都写下三句话：哪里发挥好、哪里卡住了、下次要重新挑战的那一道题。下一次练习就从这道题开始。练上五六轮之后，这些反馈会逐渐收敛到你真正的薄弱点——这正是「模拟练习」而非「看书学习」的意义所在。
针对项目深度问答环节，把一个项目按三种深度练习：2 分钟的概述、10 分钟的完整讲述，以及 30 分钟、对每个决定都被追问质疑的「刁难版」。面试官会一直追问，直到摸到你真正负责的边界；提前知道这个边界在哪里，会让整个环节更从容。完整练习流程和自动生成反馈的效果，可以查看模拟面试中心。