Khóa học Phỏng vấn Khoa học Dữ liệu
Khóa học phỏng vấn khoa học dữ liệu có cấu trúc bao gồm thống kê, Python, SQL, học máy, chỉ số sản phẩm và A/B testing với câu hỏi luyện tập.
Tiến độ khóa học
0 / 5
Quay lại khóa học
Bạn sẽ học được
- Hiểu hình thức phỏng vấn.
- Giải thích thống kê, xác suất và kiểm định.
- Viết pandas và SQL.
- Giải thích học máy và chỉ số.
- Thiết kế thí nghiệm và diễn giải chỉ số.
Trước khi bắt đầu
- Kiến thức Python và SQL hữu ích.
- Nên quen kiến thức thống kê cơ bản.
- Luyện pandas và cơ sở dữ liệu cục bộ giúp ích.
Bài học 1 Hiểu về Phỏng vấn Khoa học Dữ liệu
Phỏng vấn khoa học dữ liệu kết hợp thống kê, lập trình, SQL, học máy và phán đoán kinh doanh. Ứng viên phải giải thích khái niệm, viết mã, diễn giải chỉ số và giải quyết tình huống mở. Bắt đầu từ thống kê, rồi Python và pandas, SQL, học máy, cuối cùng chỉ số sản phẩm và A/B testing. Giải thích p-value và khoảng tin cậy, viết thao tác pandas, nối bảng SQL, giải thích precision và recall, thiết kế thí nghiệm. Khóa học chia năm bài với 60 câu hỏi gốc.
Ví dụ
Ví dụ: giải thích precision và recall khi được hỏi mô hình phân loại mất cân bằng.Bài học 2 Thống kê và Xác suất
Câu hỏi thống kê kiểm tra hiểu biết về sự không chắc chắn và tóm tắt dữ liệu. P-value là xác suất dữ liệu cực đoan dưới giả thuyết không. Khoảng tin cậy cho dải tham số. Độ lệch chuẩn đo mức phân tán và trung vị bền hơn. Tương quan không chứng minh nhân quả. Kiểm định phổ biến: t-test hai mẫu, chi-square, ANOVA. Poisson mô hình hóa số lần và Bayes cập nhật xác suất. Giải thích bằng định nghĩa và ví dụ.
Ví dụ
Ví dụ: khoảng tin cậy 95% [10, 20] nghĩa là khoảng có thể chứa trung bình thật.Bài học 3 Python, pandas và SQL
Phỏng vấn thường gồm coding pandas và SQL. Trong pandas: read_csv, head, describe, dropna, fillna, groupby, merge, value_counts, apply. NumPy cung cấp mảng và Matplotlib vẽ biểu đồ. Trong SQL: WHERE, GROUP BY, HAVING, ORDER BY, LIMIT, join, hàm tổng hợp. Luyện viết thành thạo.
Ví dụ
Ví dụ: df.groupby("city")["sales"].mean() trả về trung bình doanh số mỗi thành phố.Bài học 4 Khái niệm Học máy
Câu hỏi học máy gồm supervised và unsupervised, đánh giá và thuật toán. Logistic regression phân loại nhị phân, linear regression dự đoán, K-means gom cụm. Overfitting giảm bằng độ sâu, pruning, regularization. Cross-validation đánh giá nhiều lần. Precision, recall, F1 quan trọng với dữ liệu mất cân bằng. Giải thích thuật toán và đánh đổi rõ ràng.
Ví dụ
Ví dụ: dùng F1 thay accuracy khi một lớp hiếm hơn nhiều.Bài học 5 Tình huống, Chỉ số và Chiến lược
Tình huống sản phẩm yêu cầu xác định vấn đề, chọn chỉ số, thiết kế thí nghiệm và quyết định hành động. Conversion rate, retention, churn là chỉ số chính. Cohort analysis theo dõi nhóm. A/B testing so sánh nhóm đối chứng và nhóm thử nghiệm. Null hypothesis giả định không có tác dụng và p-value thấp cho thấy bằng chứng. Suy nghĩ có cấu trúc: mục tiêu, dân số, chỉ số, cỡ mẫu, quyết định.