Tips för att framgångsrikt navigera i jobbintervjuer för nybörjardatavetenskap – KDnuggets

 

Datavetenskap. Det är spännande. Det är nervkittlande.

Det är tvärvetenskapligt och utvecklas ständigt. Det reder ut mysterier i data och kräver innovativa lösningar. Det är det som gör datavetenskap attraktiv. För att inte tala om att få bra betalt.

Datavetenskap är också nedslående, ibland av samma skäl. Lägg till hög konkurrens och förväntningar, ständigt skiftande mål och etiska dilemman.

Att kliva in i det får dig att vilja dra ut håret och, konstigt nog, njuta av det. Lite som att följa tech bros på Twitter. Förlåt, Elon, X.

Detta är särskilt fallet för nybörjare som pilgrimsintervjuer för att få sina första datavetenskapsjobb.

Men med rätt förberedelser och tänkesätt kan du med säkerhet navigera i dessa intervjuer och göra ett bestående intryck. Här är några tips som hjälper dig att lyckas med dina nybörjarintervjuer inom datavetenskap.

Du måste ha ett starkt grepp om grundläggande begrepp som statistik, linjär algebra och programmering. Intervjuare testar ofta dessa grunder innan de dyker in i mer komplexa ämnen.

Dessa färdigheter omfattar vanligtvis:

• Statistik
• Programmering
• Manipulation av data
• Datavisualisering
• Relationella databaser
• Maskininlärning

 

Statistik

Den grundläggande statistikkunskap som intervjuare förväntar sig, även från nybörjare, inkluderar dessa statistiska koncept.

• Beskrivande statistik: 

• Mått på central tendens – medelvärde, median och läge
• Spridningsmått – intervall, varians, standardavvikelse och interkvartilintervall
• Mått på form – skevhet och kurtos

• Sannolikhet:

• Grundläggande sannolikhetsbegrepp
• Betingad sannolikhet och Bayes sats
• Sannolikhetsfördelning - normal, binomial, Poisson och andra

• Slutsatsstatistik:

• Sampling – populationer, stickprov, provtagningstekniker
• Hypotestestning – noll- och alternativhypoteser, typ I- och typ II-fel, p-värden och signifikansnivåer
• Konfidensintervall – Uppskattning av populationsparametrar baserat på urvalsdata.

• Korrelation och kovarians:

• Förstå sambandet mellan två variabler och deras medberoende 
• Pearsons korrelationskoefficient

• Regressionsanalys:

• Enkel linjär regression – sambandet mellan två kontinuerliga variabler
• Multipel regression – sträcker sig till mer än en oberoende variabel

• Distributioner:

• Normal distribution
• Binomial distribution
• Poisson-distribution
• Exponentiell distribution

Programmering

Du måste vara skicklig i programmeringsspråk som vanligtvis används inom datavetenskap. De tre mest populära språken är:

• SQL
• Python 
• R

Du behöver inte vara en guru på alla tre språken. Vanligtvis räcker det med att vara bra på en och åtminstone bekanta sig med grunderna i en av de andra två.

Allt beror på arbetsbeskrivningen. Olika företag och befattningar kräver olika språk. Inom datavetenskap är det vanligtvis en av de tre som nämns.

Om du frågar mig vilken, och bara en, du ska lära dig, skulle jag gå med SQL. Att söka i databaser är ett fundament som ingen dataforskare kan överleva utan. SQL är speciellt utformad för det; inget annat språk gör detta, och datarensning så bra.

Den integreras också lätt med andra språk. På så sätt kan du utnyttja andra språk för uppgifter som SQL är olämplig för t.ex. att bygga modeller eller datavisualiseringar.

Manipulation av data

Det hänvisar till din förmåga att rensa och omvandla data, vilket inkluderar hantering av saknad data, extremvärden och omvandling av variabler.

Det betyder att du behöver känna till de mest populära datamanipuleringsbiblioteken:

Datavisualisering

Du måste förstå de bästa visualiseringsteknikerna för olika typer av data och insikter. Och du måste veta hur du omsätter det i praktiken med hjälp av visualiseringsverktyg:

Relationella databaser

Som datavetare behöver du ha en allmän förståelse för relationsdatabaser och hur de fungerar. Om du har åtminstone grundläggande kunskaper om att fråga dem med SQL, ännu bättre.

Några av de mest populära datahanteringssystemen inkluderar:

Maskininlärning

Du måste vara bekant med grunderna för maskininlärning. Till exempel att känna till skillnaden mellan övervakat och oövervakat lärande.

Du måste också vara bekant med klassificering, klustring och regression. Detta inkluderar att känna till några grundläggande algoritmer, som t.ex linjär regression, beslutsträd, svm, naiva Bayesoch k-medel.

Före intervjun, bekanta dig med populära datavetenskapliga verktyg. Detta inkluderar programmeringsspråk som vi redan nämnt, men även några andra plattformar.

Du behöver inte känna till dem alla. Men det skulle vara idealiskt om du hade lite erfarenhet av minst ett verktyg från varje kategori.

 

Använd plattformar som t.ex StrataScratch,  LeetCode, och andra för att förbereda sig för kodning och tekniska frågor.

Använd också YouTube-kanaler, bloggar och andra resurser för att fräscha upp kunskapen om andra tekniska koncept. Om du koncentrerar dig på de som nämns i "Förstå grunderna grundligt", kommer du att bli bra.

Mock-intervjuer kan vara oerhört fördelaktiga. Använd onlineplattformarna som erbjuder dem. Eller träna med dina vänner och mentorer.

Alla dessa förberedelsetekniker hjälper dig att bli bekväm med intervjuformatet och förbättra dina svar.

Om du har arbetat med personliga projekt eller praktikplatser, använd dem till din fördel. Diskutera dem under intervjun för att belysa de utmaningar du ställdes inför, de lösningar du implementerade och de resultat du uppnådde.

Tekniska färdigheter utgör vanligtvis större delen av anställningsprocessen. Företag brukar dock ägna åtminstone lite tid åt beteendefrågor.

Det förväntas, eftersom du kommer att arbeta i ett team. Intervjuarna kommer att vilja veta hur du kommunicerar med dina kollegor, förstår lagarbete, hanterar press och konflikter eller närmar dig problem.

Förbered exempel från dina tidigare erfarenheter som visar dina mjuka färdigheter och problemlösningsförmåga.

Datavetenskap förändras snabbt. Så du måste hålla dig uppdaterad med de senaste trenderna, verktygen och teknikerna. Läs om dem, gå med i onlineforum, delta i webbseminarier och delta i workshops för att hålla dig uppdaterad.

Var dock inte besatt av detta tänkande som du behöver känna till – nej, bemästra det – varje ny "måste-ha" och "måste-veta"-produkt.

Beroende på formatet kommer du sannolikt att ha möjlighet att ställa frågor under eller i slutet av intervjun.

Detta är din chans att visa intervjuaren din entusiasm för rollen och företaget. Och också en förståelse för vad de letar efter.

Fråga om teamets nuvarande projekt, företagets datainfrastruktur, planer och de utmaningar de står inför.

Dina tekniska färdigheter kommer du inte långt om de inte kombineras med bra kommunikationsförmåga. Du kommer att kommunicera och samarbeta med tekniska och icke-tekniska teammedlemmar och intressenter i ditt jobb.

Var tydlig och koncis i din intervju i dina svar. Visa din förmåga att förklara komplexa ämnen i enkla termer. Detta kommer att visa intervjuare att du effektivt kan samarbeta med icke-tekniska teammedlemmar. Det är en färdighet du kommer att behöva mycket, eftersom datavetenskap inte existerar i ett vakuum, och dess resultat används mycket ofta av icke-tekniska personer.

Det är naturligt att vara nervös. Var bara inte nervös för du är nervös! Tänk alltid på att intervjuarna letar efter Det bästa kandidat, inte det perfekta ett. Bäst betyder i det här fallet den bästa kombinationen av alla punkter vi nämnt hittills.

Om du vacklar i något skede av intervjun, tappa inte humöret – behåll lugnet och fortsätt! Kandidater överdriver ofta effekten av sina egna misstag, medan de kanske (nästan) inte har någon negativ inverkan på intervjuarens intryck.

Kom ihåg att intervjun handlar lika mycket om att lära känna företaget som det handlar om att de ska lära känna dig. Håll dig lugn, ta djupa andetag och närma dig varje fråga med tillförsikt.

Självklart kan förtroende inte fejkas. Det uppnås bäst genom en solid förberedelse efter de första åtta tipsen.

Ja, teknisk kunskap är avgörande för en datavetenskaplig roll, även på nybörjarnivå. Men mjuka färdigheter, praktisk erfarenhet och en genuin passion för området är lika viktiga.

Intervjuarna söker i första hand efter ett helt paket. De nio tipsen kommer att täcka dig.

Nu måste du ge dig själv tid att förbereda dig ordentligt. Om du är säker på din beredskapsnivå är det lättare att gå på en intervju med ett positivt tänkesätt. Med det är du redan på god väg att få ditt första datavetenskapsjobb.

Lycka till!
 
 
Nate Rosidi är datavetare och inom produktstrategi. Han är också adjungerad professor som undervisar i analys och är grundaren av StrataScratch, en plattform som hjälper datavetare att förbereda sig för sina intervjuer med riktiga intervjufrågor från toppföretag. Ta kontakt med honom Twitter: StrataScratch or LinkedIn.
 

• SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
• PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
• PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
• Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
• PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
• Källa: https://www.kdnuggets.com/tips-for-successfully-navigating-beginner-data-science-job-interviews?utm_source=rss&utm_medium=rss&utm_campaign=tips-for-successfully-navigating-beginner-data-science-job-interviews