發(fā)現(xiàn)假數(shù)據(jù)科學家的20個問題

現(xiàn)在，數(shù)據(jù)科學家是21世紀最性感的職業(yè)，每個人都希望分一塊蛋糕。

這表示會有一些裝腔作勢的數(shù)據(jù)人士。這些人稱自己為數(shù)據(jù)科學家，但他們并不掌握對應的技能。

這個問題的出現(xiàn)不一定是因為欺騙的目的。數(shù)據(jù)科學是全新的，且缺乏具有廣泛共識的職位描述，意味著很多人只因為處理數(shù)據(jù)就認為自己是數(shù)據(jù)科學家。

“假的數(shù)據(jù)科學家往往是某個特定學科的專家，并且堅持他們的學科是唯一真正的數(shù)據(jù)科學。這種信念沒有抓住數(shù)據(jù)科學的要點，數(shù)據(jù)科學涉及到應用全部科學工具和技術（數(shù)學、計算機、可視化、分析、統(tǒng)計、實驗、問題定義、模型構建和驗證等等）以得到來自數(shù)據(jù)的發(fā)現(xiàn)、洞察和價值。”

——Kirk Borne，Booz Allen Hamilton的首席數(shù)據(jù)科學家和RocketDataScience.org的創(chuàng)始人

第一種發(fā)現(xiàn)假數(shù)據(jù)科學家的方法是了解你應該尋找的技能。知道數(shù)據(jù)科學家、數(shù)據(jù)分析師和數(shù)據(jù)工程師之間的不同之處很重要，尤其是如果你打算雇傭這些不常見的人時。

為了幫助對數(shù)據(jù)科學家由真到假（或者被誤導的）排序，我們提出了一個20道題的列表，你可以在面試數(shù)據(jù)科學家時問問他們。

解釋什么是正則化，以及它為什么有用。

你最欣賞哪些數(shù)據(jù)科學家？哪些相關的創(chuàng)業(yè)公司？

如何驗證一個用多元回歸生成的對定量結果變量的預測模型。

解釋準確率和召回率。它們和ROC曲線有什么關系？

如何證明你對一個算法的改進確實比什么都不做更好？

什么是根本原因分析？

你是否熟悉價格優(yōu)化、價格彈性、庫存管理、競爭情報？舉例說明。

什么是統(tǒng)計檢定力？

解釋什么是重抽樣方法和它們?yōu)槭裁从杏?。并說明它們的局限。

有太多假陽性或太多假陰性哪個相比之下更好？說明原因。

什么是選擇偏倚，為什么它很重要以及如何避免它。

舉例說明如何使用實驗設計回答有關用戶行為的問題。

“長”數(shù)據(jù)和“寬”數(shù)據(jù)有什么不同之處？

你用什么方法確定一篇文章（比如報紙上的）中公布的統(tǒng)計數(shù)字是錯誤的或者是為了支持作者觀點，而不是關于某主題正確全面的事實信息？

解釋Edward Tufte“圖表垃圾”的概念。

你會如何篩查異常值？如果發(fā)現(xiàn)它會怎樣處理？

如何使用極值理論、蒙特卡洛模擬或其他數(shù)學統(tǒng)計（或別的什么）正確估計非常罕見事件的可能性？

推薦引擎是什么？它如何工作？

解釋什么是假陽性和假陰性。為什么區(qū)分它們非常重要？

你使用什么工具進行可視化？你對Tableau/R/SAS（用來作圖）有何看法？如何有效地在一幅圖表（或一個視頻）中表示五個維度？

“一名‘真正的’數(shù)據(jù)科學家了解如何應用數(shù)學和統(tǒng)計，如何使用合理的實驗設計構建和驗證模型。掌握IT技能但沒有統(tǒng)計技能只會讓你成為一個造手術刀的外科醫(yī)生那樣的數(shù)據(jù)科學家”