数据科学面试课程

数据科学面试考察统计、编程、SQL、机器学习和业务判断的综合能力。面试官会要求解释概念、编写代码、解读指标并解决开放式案例。建议先学习统计与概率，再学习 Python 和 pandas、SQL、机器学习，最后学习产品指标与 A/B 测试。你需要能解释 p 值和置信区间，编写 pandas 操作，连接 SQL 表，解释精确率和召回率，并设计简单实验。面试官看重清晰的推理、正确的术语和实际的取舍。本课程把主题分成五节，并配有 60 道原创练习题供面试前复习。

统计题考察你对不确定性和数据总结的理解。p 值是当原假设为真时，观察到至少与样本一样极端的数据的概率，而不是假设为真的概率。置信区间以所选置信水平给出可能包含参数的区间。标准差衡量均值周围的离散程度，中位数比均值更抗离群值。相关性衡量线性关系的强度和方向，但不证明因果关系。常见检验包括双样本 t 检验、卡方检验和 ANOVA。泊松分布建模固定区间内的事件数，贝叶斯定理用证据更新概率。面试官希望看到清晰定义和例子，而不是背诵公式。

数据科学面试常包含 pandas 和 SQL 的现场编码。pandas 中，read_csv 加载数据，head 显示前几行，describe 给出摘要统计，dropna 删除缺失值，fillna 填充缺失值。groupby 分组聚合，merge 像 SQL 一样连接 DataFrame，value_counts 统计唯一值，apply 对元素运行函数。NumPy 提供数组，Matplotlib 创建图表。SQL 中，WHERE 过滤行，GROUP BY 分组，HAVING 过滤组，ORDER BY 排序，LIMIT 限制行数。INNER JOIN 保留匹配，LEFT JOIN 保留左表全部行，DISTINCT 去重。聚合函数包括 COUNT、AVG、SUM、MIN、MAX。要多练习这些操作，因为面试官常要求最简单正确的答案。

机器学习问题聚焦监督与无监督学习、模型评估和常见算法。监督学习使用有标签数据做分类或回归，聚类是无监督。逻辑回归常用于二分类，线性回归预测连续值，K-means 寻找聚类。过拟合是模型学习了噪声，限制树深度、剪枝和正则化有帮助。交叉验证通过多次划分评估模型。精确率是真阳性除以预测阳性，召回率是真阳性除以实际阳性，F1 平衡两者。对于不平衡数据，准确率可能有误导性，因此常优先使用 F1、精确率和召回率。面试官希望你把算法与业务问题联系起来，并清晰解释取舍。

产品案例题要求你定义问题、选择指标、设计实验并说明如何处理结果。指标是可衡量的值，例如转化率、留存率、流失率或每用户收入。转化率是转化除以访客，留存率是回访用户占比，流失率是停止使用的用户。同期群分析随时间跟踪群体。A/B 测试随机分配用户到对照组和实验组，以衡量改动效果。原假设假设无效果，低 p 值表明结果不太可能由偶然造成。面试官希望看到结构化思考：明确目标、定义人群、选择主要指标和护栏指标、估算样本量并决定下一步。要练习解释指标为何变化以及接下来会调查什么。