.你需要准备最少的资源
任何数据科学访谈都包含以下四个类别中的一部分问题:计算机科学、数学、统计学和机器学习。
1.计算机科学
算法和数据结构:
-
InterviewBit(练习)
-
NPTEL IIT德里讲座(相应理论)
操作系统:
-
需要记住的操作系统概念 - 软件开发人员需要记住
-
“操作系统概念”一书的第3,4,5和7章。
-
GeeksForGeeks上的操作系统
面向对象的编程:您被问及如何设计系统,例如:铁路车票预订系统。所以,你需要与面试官讨论他/她的要求是什么,你需要做什么类,每个班级应该有什么样的变量/方法,如何使用继承(例如工程师和科学家)类可以从Employee类派生出来等等。这来自于实践。
2.数学与统计
如果您不熟悉深度学习背后的数学,那么您应该考虑查看我的上一篇文章,了解它们的资源。但是,如果你感看文章感到比较舒服,我发现深度学习书的第2,3和4章足以在这些访谈中准备、修改理论问题。我一直在准备几个章节的摘要,你可以参考这些章节,我试图解释一些我最初难以理解的概念,以防你不愿意完成整个章节。如果你已经完成了概率的课程,那么你应该也能轻松回答一些问题。对于统计数据,涵盖这些主题应该足够了。
3.机器学习
现在,这里的问题范围可能会根据您申请的职位类型而有所不同。如果这是一个更传统的基于机器学习的面试,他们想要检查你在ML的基本知识,你可以完成以下任何一门课程:
-
吴恩达-CS的机器学习229
-
加州理工学院教授Yaser Abu-Mostafa的机器学习课程
重要主题是:监督学习(分类,回归,SVM,决策树,随机森林,Logistic回归,多层感知器,参数估计,贝叶斯决策规则),无监督学习(K均值聚类,高斯混合模型),降维(PCA)。
现在,如果您申请更高级的职位,您很可能会受到深度学习的质疑。在这种情况下,您应该对卷积神经网络(CNN)和/或(取决于您的工作)回归神经网络(RNN)及其变体非常熟悉。你必须知道深度学习背后的基本理念是什么,CNN / RNN如何实际工作,提出了什么样的架构以及这些架构变化背后的动机是什么。现在,没有捷径可走。要么你了解它们,要么你有足够的时间来理解它们。对于CNN,推荐的资源是斯坦福大学的CS 231N和用于RNN的CS 224N。我发现Hugo Larochelle的神经网络课程也非常具有启发性。到目前为止,您应该已经发现Udacity对于ML从业者来说是一个非常重要的地方。
转载自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/31545819/viewspace-2215246/