Data-Science-Interview-Ressourcen
Update: Aufgrund meiner umfangreichen Erfahrung mit Vorstellungsgesprächen in den letzten Jahren habe ich mich vor Kurzem entschieden, einen speziellen Kanal zu starten, um Einzelpersonen dabei zu helfen, in Data Science hervorragende Leistungen zu erbringen. Mein Ziel ist es, eine umfassende Ressource für alle zu schaffen, die sich vor einem bevorstehenden Vorstellungsgespräch noch einmal mit den Grundlagen befassen oder sich die Fähigkeiten und fundierten Kenntnisse aneignen möchten, die sowohl für den Erfolg in Data Science-Interviews als auch für die praktische Anwendung von Data Science erforderlich sind. Ziel dieses Kanals ist es, ein klares Verständnis der verschiedenen tagtäglich verwendeten Techniken zu vermitteln und ein breites Spektrum an Themen des maschinellen Lernens abzudecken. Entdecken Sie es gerne hier:
Zunächst einmal vielen Dank für Ihren Besuch auf diesem Repo. Herzlichen Glückwunsch zu Ihrer großartigen Berufswahl. Ich möchte Ihnen dabei helfen, den fantastischen Job im Bereich Data Science zu finden, von dem Sie schon immer geträumt haben, indem ich meine Erfahrungen teile und ausführliche Vorstellungsgespräche bei beiden großen produktbasierten Unternehmen geführt habe und schnell wachsende Startups, ich hoffe, Sie finden es nützlich.
Angesichts der steigenden Nachfrage nach so vielen Data Scientists ist es wirklich schwierig, erfolgreich ausgewählt und für ein Vorstellungsgespräch angenommen zu werden. In diesem Repo beschreibe ich alles, vom erfolgreichen Screening über das rockende Vorstellungsgespräch bis hin zur Erlangung dieser fantastischen Position. Stellen Sie sicher, dass Sie es mit den folgenden Ressourcen schaffen.
Jede Ressource, die ich hier aufführe, wurde von mir persönlich überprüft und die meisten davon habe ich persönlich genutzt, was mir sehr geholfen hat.
Achtung: Data Science/maschinelles Lernen hat einen sehr großen Bereich und es gibt eine Menge Dinge zu lernen. Dies ist keineswegs eine erschöpfende Liste und soll Ihnen lediglich helfen, wenn Sie Schwierigkeiten haben, gute Ressourcen für den Beginn Ihrer Vorbereitung zu finden. Ich versuche jedoch, dies regelmäßig zu behandeln und zu aktualisieren, und mein Ziel ist es, alles abzudecken und in einer Ressource zu vereinen, die Sie für den Rock dieser Interviews verwenden können!
Bitte hinterlassen Sie einen Stern, wenn Sie die Mühe zu schätzen wissen.
Hinweis: Informationen zum Beitrag finden Sie unter Contribution.md
Wie bekomme ich ein Vorstellungsgespräch?
Entwickeln Sie in erster Linie die erforderlichen Fähigkeiten und beherrschen Sie die Grundlagen . Dies sind einige der Horizonte, mit denen Sie äußerst vertraut sein sollten –
- Geschäftsverständnis (dies ist auf allen Dienstaltersstufen äußerst wichtig, insbesondere jedoch für Personen mit mehr als 3 Jahren Erfahrung)
- SQL und Datenbanken (sehr wichtig)
- Programmierkenntnisse (vorzugsweise in Python, wenn Sie Scala kennen, zusätzliche Pluspunkte für bestimmte Rollen)
- Mathematik (Wahrscheinlichkeit, Statistik, lineare Algebra und Infinitesimalrechnung) – https://medium.com/@rbhatia46/essential-probability-statistics-concepts-before-data-science-bb787b7a5aef
- Maschinelles Lernen (dazu gehört auch Deep Learning) und Modellbildung
- Datenstrukturen und Algorithmen (Muss und Pflicht für Top-Produktunternehmen wie FAANG)
- Domänenverständnis (optional für die meisten offenen Stellen, für einige Rollen jedoch je nach Unternehmensanforderungen sehr wichtig)
- Literaturrecherche (ein Muss für forschungsbasierte Rollen): Die Fähigkeit, eine neue Forschungsarbeit zu lesen und zu verstehen, ist eine der wichtigsten und anspruchsvollsten Fähigkeiten, die heutzutage in der Branche benötigt werden, da die Kultur der Forschung und Entwicklung sowie der Innovation in den meisten guten Organisationen wächst .
- Kommunikationsfähigkeiten – Die Fähigkeit, die Analyse und Ergebnisse Geschäftsinteressenten und Führungskräften zu erklären, wird heutzutage für Datenwissenschaftler zu einer wirklich wichtigen Fähigkeit
- Einige technische Kenntnisse (nicht zwingend erforderlich, aber gut zu haben) – Die Fähigkeit, eine RESTful-API zu entwickeln, sauberen und eleganten Code zu schreiben, objektorientierte Programmierung sind einige der Dinge, auf die Sie sich konzentrieren können, um zusätzliche Vorteile zu erzielen.
- Big-Data-Kenntnisse (für die meisten offenen Stellen nicht zwingend erforderlich, aber gut zu haben) – Spark, Hive, Hadoop, Sqoop.
Bauen Sie eine persönliche Marke auf
- Entwickeln Sie ein gutes GitHub/Portfolio der von Ihnen gelösten Anwendungsfälle und streben Sie stets nach der Lösung von End-to-End-Anwendungsfällen, die den gesamten Data Science-Lebenszyklus abbilden, vom Geschäftsverständnis bis zur Modellbereitstellung.
- Schreiben Sie Blogs, starten Sie einen YouTube-Kanal, wenn Sie gerne unterrichten, schreiben Sie ein Buch.
- Arbeiten Sie an einem digitalen, leicht zu öffnenden, leicht lesbaren, sauberen, prägnanten und leicht anpassbaren Lebenslauf. Fügen Sie immer Ihre Demo-Links und den Quellcode jedes von Ihnen gelösten Anwendungsfalls hinzu.
- Nehmen Sie an Kaggle-Wettbewerben teil, erstellen Sie ein gutes Kaggle-Profil und senden Sie es an potenzielle Arbeitgeber, um die Chancen auf ein schnelles Vorstellungsgespräch zu erhöhen.
Bauen Sie über LinkedIn gute Kontakte auf , nehmen Sie an Konferenzen teil und tun Sie alles, was Sie können. Es ist sehr wichtig, Empfehlungen zu erhalten und durch gute Kontakte in den Vorstellungsgesprächsprozess einzusteigen. Vernetzen Sie sich regelmäßig mit Datenwissenschaftlern, die bei führenden produktbasierten Organisationen und schnell wachsenden Startups arbeiten, und bauen Sie langsam und stetig ein Netzwerk auf, das ist sehr wichtig.“
Einige Tipps zum Lebenslauf:
Beschreiben Sie frühere Rollen und die Wirkung, die Sie erzielt haben, auf quantifizierbare Weise, seien Sie prägnant und ich wiederhole: Quantifizieren Sie die Wirkung, anstatt mit Fakten zu sprechen, die keine Relevanz haben. Verwenden Sie laut Google Recruiters die XYZ-Formel – Accomplished [X] as measured by [Y], by doing [Z]
Fassen Sie sich kurz, idealerweise nicht länger als 2 Seiten, denn wie Sie vielleicht wissen, liest ein durchschnittlicher Personalvermittler Ihren Lebenslauf nur 6 Sekunden lang und trifft auf dieser Grundlage eine Entscheidung.
Wenn Sie ein Neuling sind und keine Erfahrung haben, versuchen Sie, End-to-End-Anwendungsfälle zu lösen und erwähnen Sie diese in Ihrem Lebenslauf, vorzugsweise mit dem Demo-Link (erleichtert es dem Personalvermittler) und dem Link zum Quellcode GitHub.
Vermeiden Sie zu viel Fachjargon, und das versteht sich von selbst. Erwähnen Sie nichts, worüber Sie sich nicht sicher sind, da dies zu einem großen Engpass während Ihres Vorstellungsgesprächs führen könnte.
Einige hilfreiche Links:
- Beratung zum Aufbau von Datenportfolioprojekten
- Wie schreibe ich einen tollen Lebenslauf im Bereich Software Engineering?
- Bekommen Sie Ihren Data Science-Lebenslauf über das ATS
- Wie schreibe ich einen Entwickler-Lebenslauf, den Personalmanager tatsächlich lesen werden?
Wenn Sie Ihre mathematischen Grundlagen schnell auffrischen möchten, gehen Sie wie folgt vor: https://media-exp2.licdn.com/dms/document/C4D1FAQFzFmR919-Erw/feedshare-document-pdf-an alyzed/0/1655384106479?e=1656547200&v=beta&t=9bm4OUyWfM1dQR8LWXsLrGDqYz_Yr_e7TJxHXLXe36I
Wenn Sie Ihre Statistiken und ML-Grundlagen schnell überarbeiten möchten, gehen Sie wie folgt vor: https://media-exp2.licdn.com/dms/document/C4D1FAQFLvzVgVxYAAA/feedshare-document-pdf-an alyzed/0/1656265480370?e=1657152000&v=beta&t=RD90ZEx3x2VLUGSthO-1uYKadzwTRixKRg3s8j2nvOc
Wahrscheinlichkeit, Statistik und lineare Algebra
- Verstehen Sie die Grundlagen der deskriptiven Statistik (wirklich wichtig für ein Vorstellungsgespräch)
- 40 Frage zur Wahrscheinlichkeit für ein Data Science-Interview
- 40 statistische Interviewprobleme und Antworten für Datenwissenschaftler
- Wahrscheinlichkeit und Statistik im Kontext von Deep Learning
- Wahrscheinlichkeit vs. Wahrscheinlichkeit?
- Bootstrap-Methoden – Das Schweizer Taschenmesser eines jeden Datenwissenschaftlers
- Konfidenzintervalle für Datenwissenschaftler einfach erklärt
- P-Wert für Datenwissenschaftler einfach erklärt
- PDF ist keine Wahrscheinlichkeit
- 5 Stichprobenalgorithmen, die jeder Datenwissenschaftler kennen sollte
- Die 10 statistischen Techniken, die Datenwissenschaftler beherrschen müssen
- Crashkurs in Angewandter Linearer Algebra?
SQL und Datenerfassung
Dies ist wahrscheinlich der Einstiegspunkt Ihres Data Science-Projekts. SQL ist eine der wichtigsten Fähigkeiten für jeden Data Scientist.
- 5 häufige SQL-Interviewprobleme für Datenwissenschaftler
- 46 Fragen, um einen Data Scientist in SQL zu testen
- 30 SQL-Interviewfragen, kuratiert für FAANG von einem ehemaligen Facebook-Datenwissenschaftler
- Fragen zum SQL-Interview
- So meistern Sie Data Science-Interviews – SQL
- 3 SQL-Fragen müssen Sie kennen, um Ihr Data Science-Interview zu bestehen
- 10 häufig gestellte SQL-Abfragen in Interviews
- Fragen zum Vorstellungsgespräch im Bereich Technical Data Science: SQL und Codierung
- So optimieren Sie SQL-Abfragen – Datacamp
- Zehn SQL-Konzepte, die Sie für Data Science-Interviews kennen sollten
Datenaufbereitung und Visualisierung
- 5 Algorithmen zur Funktionsauswahl, die jeder Datenwissenschaftler kennen sollte
- 6 verschiedene Möglichkeiten, fehlende Werte in einem Datensatz zu kompensieren
- Ein kurzer Überblick über Techniken zur Erkennung von Ausreißern
- Bereinigen und Vorbereiten von Daten mit Python für Data Science – Best Practices und hilfreiche Pakete
- Wann welches Diagramm zur Visualisierung verwendet werden soll
- Möglichkeiten zum Erkennen und Entfernen von Ausreißern
- Umgang mit Klassenungleichgewichten beim maschinellen Lernen
- Intelligentere Möglichkeiten zur Kodierung kategorialer Daten
- Numpy und Pandas Spickzettel
- 3 Methoden zum Umgang mit Ausreißern
- Techniken zur Funktionsauswahl
- Warum, wie und wann Sie Ihre Funktionen skalieren sollten
- Alles, was Sie über Streudiagramme wissen müssen
- Wie wählt man Funktionen für maschinelles Lernen aus?
- 10 Möglichkeiten zur Funktionsauswahl?
Klassische Algorithmen für maschinelles Lernen
- Alle Lernalgorithmen in 14 Minuten erklärt
1. Logistische Regression
- Alles über logistische Regression in einem Artikel
- Logistische Regression Schritt für Schritt verstehen
- Logistische Regression – Kurze und klare Erklärung – 9 Minuten?
- Lineare Regression vs. logistische Regression?
- 30 Fragen, um einen Datenwissenschaftler auf logistische Regression zu testen
- Logistische Regression – Alles verstehen (Theorie + Mathematik + Codierung) in einem Video?
- Lasso, Ridge und logistische Regression in einem Video?
2. Lineare Regression
- 30 Fragen, um einen Datenwissenschaftler auf lineare Regression zu testen
- Lineare Regression – Alles verstehen (Theorie + Mathematik + Codierung) in einem Video?
- 5 Arten der Regression und ihre Eigenschaften
- Ridge-Regression – klar erklärt?
- Lasso-Regression – klar erklärt?
3. Baumbasierte/Ensemble-Algorithmen
- 30 Fragen zum Testen eines Datenwissenschaftlers anhand baumbasierter Modelle
- Gini-Index vs. Informationsentropie
- Entscheidungsbaum vs. Random Forest – Welchen Algorithmus sollten Sie verwenden?
- Warum funktioniert Random Forest für Zeitreihen nicht gut?
- Umfassender Leitfaden zu Ensemble-Modellen
- Die einfache Mathematik hinter 3 Entscheidungsbaum-Aufteilungskriterien
4. K-Nächste Nachbarn
- Grundlegende Interviewfragen zu KNN – Eine kurze Auffrischung
- 30 Fragen, um einen Data Scientist auf KNN zu testen
- Vor- und Nachteile von KNN
- KNN-Algorithmus – Alles verstehen (Theorie + Mathematik + Codierung) in einem Video?
5. Unterstützen Sie Vektormaschinen
- Alles über SVMs – Mathematik, Terminologie, Intuition, Kernel in einem Artikel
- 25 Fragen, um einen Data Scientist auf SVMs zu testen
6. Naive Bayes
- 12 Tipps, um Naive Bayes optimal zu nutzen
- Naive Bayes – Alles verstehen (Theorie + Mathematik + Codierung) in einem Video?
- 6 einfache Schritte, um Naive Bayes zu lernen
Zeitreihen
- 40 Fragen, um einen Datenwissenschaftler in Bezug auf Zeitreihen zu testen
- 11 klassische Zeitreihen-Prognosemethoden
- Fragen zum Vorstellungsgespräch zu ARIMA?
Unüberwachtes Lernen
- Die DOs und DONTs der PCA (Hauptkomponentenanalyse)
- Eine Einführung in t-SNE: DataCamp
- Dimensionsreduzierung Das Gute herausquetschen
- Dimensionsreduktion für Dummies: Teil 1 – Intuition
- Ausführliche Erklärung des DBSCAN-Algorithmus
Empfehlungssysteme
- Empfehlungssysteme auf den Punkt gebracht
Tiefes Lernen
- Warum reduziert die Regularisierung die Überanpassung in tiefen neuronalen Netzen?
- Vor- und Nachteile neuronaler Netze
- Wann man neuronale Netze nicht verwenden sollte
- 40 Fragen, um einen Data Scientist zum Thema Deep Learning zu testen
- 21 beliebte Fragen zu Deep-Learning-Interviews
- Fragen zum Deep Learning-Interview – Edureka?
- Aktivierungsfunktionen in einem neuronalen Netzwerk – erklärt
- Verschwindender und explodierender Farbverlauf – klar erklärt?
- Bias und Varianz – Ganz klar erklärt?
- Warum ReLU anstelle von Sigmoid verwenden?
- 25 Deep-Learning-Interviewfragen, um Ihr Wissen zu testen
- 10 Best Practices für Deep Learning, die Sie im Jahr 2020 im Hinterkopf behalten sollten
GenAI und LLMs
- LoRA erklärt?
- RAG vs. Feinabstimmung vs. Prompt Engineering?
- Cross-Encoder vs. Bi-Encoder: Ein tiefer Einblick in Textkodierungsmethoden
- RAG 101
- Generative KI auf den Punkt gebracht?
- Ausführliche Erklärung der BERT-Theorie in einem Video?
- Ausführliche Erklärung der Transformers-Theorie in einem Video?
- Die Mathematik hinter Aufmerksamkeit: Schlüssel-, Abfrage- und Wertematrizen?
Systemdesign für maschinelles Lernen
- So beantworten Sie jede Frage im Vorstellungsgespräch zum Thema Machine Learning System Design
Interpretierbarkeit maschinellen Lernens
- Vier Fragen zur Entschlüsselung der Welt der Modelle des maschinellen Lernens
- Erklärbarkeit maschinellen Lernens – Crashkurs von Kaggle
- SHAP-Werte einfach erklärt?
Fallstudien
Fallstudien sind für Vorstellungsgespräche äußerst wichtig. Nachfolgend finden Sie einige Ressourcen zum Üben. Denken Sie zuerst nach, bevor Sie sich die Lösungen ansehen.
- Dawn of Taxi Aggregators
- Optimierung der Produktpreise für einen Online-Anbieter
- Tipps für ein Fallstudieninterview
- Mercari-Preisvorhersage
- End-to-End-Pipeline für die Textklassifizierung mehrerer Klassen
- End-to-End-Pipeline für die Bildklassifizierung mehrerer Klassen
- Groß angelegte Prognosen für über 1000 Produkte – Nagarro?
- Clustering und Klassifizierung im E-Commerce
- Das ABC des Erlernens des Rankings
- Data Science-Fallstudie: Optimierung der Produktplatzierung im Einzelhandel
NLP
- 30 Fragen, um einen Datenwissenschaftler auf NLP zu testen
- Die 11 am häufigsten gestellten NLP-Interviewfragen für Anfänger
- So lösen Sie 90 % der NLP-Probleme
- Es werden Fragen zu NLP-Rollen in Unternehmen gestellt
- Vektorbasierte Methoden zur Ähnlichkeitssuche (TF-IDF, BM25, SBERT) ?
- BERT im Detail verstehen – eine der besten Playlists, um die Grundlagen und das Innenleben von BERT zu verstehen, großes Lob an Chris McCormick?
- Worteinbettungen, CBoW und Skipgram?
- CBoW vs. Skipgram: Frage zum Data Science-Interview?
Data Science-Interviews bei FAANG und ähnlichen Unternehmen
- Probleme bei Amazons Data Scientist-Interview-Übungen
- Fragen und Antworten zum Microsoft Data Science-Interview
- Fragen zur Problemlösung für ein Data Science-Interview bei Google
Werden Sie ein Rockstar Data Scientist (lesen Sie, wenn Sie mehr Zeit haben)
Wenn Sie diese durchgehen, erhalten Sie auf jeden Fall zusätzliche Brownie-Punkte. Lassen Sie sich diese also nicht entgehen, wenn Sie Zeit haben.
- Die 13 besten Fähigkeiten, um ein Rockstar-Datenwissenschaftler zu werden
- Verstehen Sie diese 4 ML-Konzepte, um wie ein Meister zu klingen
- 12 Dinge, die ich gerne wüsste, bevor ich als Data Scientist anfing
- Verstehen Sie die Data Science-Pipeline
- Kaggle Data Science Glossar
- Google-Glossar für maschinelles Lernen
- Führen Sie Ihre ML-Vorhersagen 50-mal schneller durch – Hummingbird
- 3 Fehler, die Sie in einem Data Science-Interview nicht machen sollten
- Wie finde ich Feature-Wichtigkeiten für BlackBox-Modelle?
Datenstrukturen und Algorithmen (optional)
Obwohl dies optional sein kann, sollten Sie dies nicht verpassen, wenn die Stellenbeschreibung dies ausdrücklich verlangt, und insbesondere nicht, wenn Sie bei FAANG und ähnlichen Organisationen ein Vorstellungsgespräch führen oder wenn Sie über einen CS-Hintergrund verfügen. Sie müssen darin nicht so gut wie ein SDE sein, aber zumindest die Grundlagen kennen.
- Ein Leitfaden für Datenwissenschaftler zu Datenstrukturen und Algorithmen
- Umgang mit Bäumen im algorithmischen Data Science-Interview
- Eine einfache Einführung in verknüpfte Listen für Datenwissenschaftler
- Dynamische Programmierung für Datenwissenschaftler
- 3 Programmierkonzepte für Datenwissenschaftler
- Datenwissenschaftler, die 5 Graphalgorithmen, die Sie kennen sollten
Technik und Bereitstellung
- Ein Leitfaden für Laien für Datenwissenschaftler zum Erstellen von APIs in wenigen Minuten
- Bringen Sie Ihre Modelle für maschinelles Lernen mit diesen 5 einfachen Schritten in die Produktion
- 2 Möglichkeiten, Ihre ML-Modelle bereitzustellen
- So stellen Sie ein Keras-Modell als Web-App über Flask bereit
- Wie schreibe ich Web-Apps mit einfachem Python für Datenwissenschaftler?
Big Data und Spark
- 55 Fragen zum Apache Spark-Interview
- 10 Fragen, die Sie in einem Spark-Interview erwarten können
- Fragen zum Hive-Interview
- Die 20 häufigsten Fragen im Vorstellungsgespräch zu Apache Spark?
- Fragen zum Spark-Interview – Die gesamte Playlist?
- Eine weitere fantastische Playlist für Spark-Interviewfragen?
- Praktische PySpark-Tipps für Datenwissenschaftler
- 3 Möglichkeiten, Ihren Code mit Spark zu parallelisieren
- Datashader – Die Struktur echter Big Data aufdecken?
- Lightnings Talk: Was sollte man über Spark-MLlib wissen?
- Beheben der Ausnahme „Container durch Garn wegen Überschreitung der Speichergrenzen getötet“ in Apache Spark
Einige erstaunliche Dinge zu Python und Spark
Das dürfen Sie sich nicht entgehen lassen, wenn Sie sich für eine Big-Data-Stelle bewerben.
- Verbesserung der Leistung von Python und Spark?
- Hochleistungs-Python auf Spark?
- Vektorisierte UDFs: Skalierbare Analyse mit Python und PySpark?
Allgemeine Interviewfragen im gesamten Spektrum (Video)
- Häufige Fragen im Vorstellungsgespräch im Bereich Data Science – Edureka
- Häufige Frage im Vorstellungsgespräch zum Thema maschinelles Lernen – Edureka
- Top 5 der in der Datenwissenschaft verwendeten Algorithmen
- Häufige Fragen im Vorstellungsgespräch im Bereich Data Science – Analytics University
- 3 Arten von Data Science-Interviewfragen
- Auf die harte Tour gelernte Lektionen – Hacking the Data Science Interview
- Wie es ist, ein Vorstellungsgespräch als Datenwissenschaftler zu führen
- 5 Tipps für einen Job im Bereich Data Science
- 8 häufig verwendete Data Science-Algorithmen
- Szenariobasiertes Praxisinterview
- KNN vs. K Mittel
Allgemeine Interviewfragen im gesamten Spektrum (Lesung)
- Der Leitfaden für Data Science-Interviews
- Die 30 häufigsten Fragen im Vorstellungsgespräch im Bereich Data Science
- 35 wichtige Fragen im Data Science-Interview
- 100 Fragen zu Data Science-Interviews in FAANG
- Der umfassendste Leitfaden für Data Science-Interviews
- 41 wichtige ML-Interviewfragen – Sprungbrett
- 30 Tage Vorbereitung auf Data Science-Interviews – iNeuron
- 109 Fragen zum Data Science-Interview – Sprungbrett
- Die am häufigsten gestellten Fragen zu Data Science-Interviews in Indien – Springboard
- Liste der KI-Startups in Indien und Ressourcen zur Vorbereitung auf das Vorstellungsgespräch
- 5 Interviewfragen, um einen guten Data Scientist vorherzusagen
- 8 bewährte Möglichkeiten zur Verbesserung der Genauigkeit Ihres ML-Modells
- 60 Interviewfragen zum maschinellen Lernen – AnalyticsIndiaMag
- Die große Liste der DS- und ML-Interviewressourcen
- 100 grundlegende Data Science-Interviewfragen mit Antworten
- 40 Interviewfragen, die im Startups in ML/DS-Interview gestellt wurden
- Meine Erfahrung im Vorstellungsgespräch im Bereich Data Science/Maschinelles Lernen: Liste der DS/ML/DL-Fragen – Maschinelles Lernen in Aktion
- Wie bereite ich mich auf ein Data Science-Telefoninterview bei Airbnb vor?
- Bester ML-Algorithmus für Regressionsprobleme
- So meistern Sie das persönliche Data Science-Interview
- So bekommen Sie einen Job als Data Scientist bei Airbnb
- 120 Fragen zum Data Science-Interview (aus allen Bereichen)
- Den Bias-Varianz-Kompromiss verstehen
- Sie benötigen diese Cheatsheets, wenn Sie sich mit ML-Algorithmen befassen
- Rote Fahnen in einem Data Science-Interview
- Die Meinung eines Datenwissenschaftlers zu Interviewfragen
- Was ist Kreuzentropie? (Schöne und kurze Erklärung)
- Wie sieht das Profil eines idealen Data Scientists aus?
- 25 lustige Fragen für ein Machine Learning-Interview
- So bereiten Sie sich auf Interviews zum maschinellen Lernen vor
- So entwickeln Sie ein Modell für maschinelles Lernen von Grund auf
- End-to-End-Leitfaden für ein maschinelles Lernprojekt
- Klassifizierung vs. Regression
- Mathematische Maße müssen für jeden Datenwissenschaftler bekannt sein
- Woher kommt das kleinste Quadrat?
- Regularisierung im maschinellen Lernen – erklärt
Interessante Lektüre
- 3 gängige Karriereübergänge im Bereich Data Science und wie man sie umsetzt
- Navigieren in der Data-Science-Karrierelandschaft
- Welches Modell und wie viele Daten
