Kursus Wawancara Data Science
Kursus wawancara data science terstruktur mencakup statistik, Python, SQL, machine learning, metrik produk, dan uji A/B dengan soal latihan.
Kemajuan kursus
0 / 5
Kembali ke kursus
Yang akan Anda pelajari
- Memahami format wawancara.
- Menjelaskan statistik, probabilitas, dan pengujian.
- Menulis pandas dan SQL.
- Menjelaskan machine learning dan metrik.
- Merancang eksperimen dan menafsirkan metrik.
Sebelum mulai
- Pengetahuan Python dan SQL membantu.
- Disarankan memahami dasar statistik.
- Latihan pandas dan database lokal membantu.
Pelajaran 1 Memahami Wawancara Data Science
Wawancara data science menggabungkan statistik, pemrograman, SQL, machine learning, dan penilaian bisnis. Kandidat harus menjelaskan konsep, menulis kode, menafsirkan metrik, dan menyelesaikan studi kasus. Mulai dari statistik, lalu Python dan pandas, SQL, machine learning, akhirnya metrik produk dan uji A/B. Jelaskan p-value dan confidence interval, tulis operasi pandas, gabungkan tabel SQL, jelaskan precision dan recall, rancang eksperimen. Kursus ini menyusun topik dalam lima pelajaran dengan 60 soal asli.
Contoh
Contoh: jelaskan precision dan recall saat ditanya model klasifikasi tidak seimbang.Pelajaran 2 Statistika dan Probabilitas
Soal statistik menguji pemahaman ketidakpastian dan ringkasan data. P-value adalah probabilitas data ekstrem di bawah hipotesis nol. Confidence interval memberi rentang parameter. Standar deviasi mengukur sebaran dan median lebih robust. Korelasi tidak membuktikan kausalitas. Tes umum: t-test dua sampel, chi-square, ANOVA. Poisson memodelkan hitungan dan Bayes memperbarui probabilitas. Jelaskan dengan definisi dan contoh.
Contoh
Contoh: confidence interval 95% [10, 20] berarti interval kemungkinan memuat mean sebenarnya.Pelajaran 3 Python, pandas, dan SQL
Wawancara sering mencakup coding pandas dan SQL. Di pandas: read_csv, head, describe, dropna, fillna, groupby, merge, value_counts, apply. NumPy memberi array dan Matplotlib membuat plot. Di SQL: WHERE, GROUP BY, HAVING, ORDER BY, LIMIT, join, agregasi. Latih menulis operasi ini dengan lancar.
Contoh
Contoh: df.groupby("city")["sales"].mean() mengembalikan rata-rata penjualan per kota.Pelajaran 4 Konsep Machine Learning
Soal machine learning mencakup supervised vs unsupervised, evaluasi, dan algoritma. Logistic regression untuk klasifikasi biner, linear regression untuk prediksi, K-means untuk klaster. Overfitting dikurangi dengan kedalaman, pruning, regularisasi. Cross-validation mengevaluasi model. Precision, recall, F1 penting untuk data tidak seimbang. Jelaskan algoritma dan tradeoff dengan jelas.
Contoh
Contoh: gunakan F1 daripada accuracy saat satu kelas jauh lebih jarang.Pelajaran 5 Kasus, Metrik, dan Strategi
Kasus produk meminta mendefinisikan masalah, memilih metrik, merancang eksperimen, dan memutuskan tindakan. Conversion rate, retention, churn adalah metrik utama. Cohort analysis melacak grup. A/B testing membandingkan kontrol dan perlakuan. Null hypothesis menganggap tanpa efek dan p-value rendah menunjukkan bukti. Berpikir terstruktur: tujuan, populasi, metrik, ukuran sampel, keputusan.