Principali domande di stima e metodi informativi per la scienza dei dati [2022]

Cos'è la stima?

Guesstimate è un metodo metodologico di teoria e valutazione; ti aiuta a lavorare in modo efficiente con un più alto grado di precisione. È lo studio dei dati a consolidare il risultato. È anche una parte essenziale del Business Analyst o Data Science e Data Architect o Data Techies.

1. Significato: si tratta di capire il problema che vuoi risolvere e qual è lo scopo, perché vuoi risolverlo.
2. Definizione: riguarda l'oggetto particolare e l'input e l'output del flusso di un processo. Per dirla in una parola, spiegazione.
3. Indovina : riguarda il pensiero e la conclusione: stai creando un oggetto particolare nel tuo problema.
4. Stima: riguarda la stima dei numeri su un determinato problema.
5. Vieni con un'idea : implementare l'idea con ricerca e sviluppo.

Quando una domanda stimata può richiedere le dimensioni di un mercato, viene quindi chiamata domanda di "dimensionamento del mercato".

Ecco le domande di base su guesstimate:

• Quante persone si vestono di blu a New York in un tipico lunedì?
• Quante palline da tennis puoi mettere in un aeroplano?

Come affrontare la stima?

Il processo di risoluzione di un problema approssimativo è abbastanza gestibile:

1. Osservare i parametri fattibili che possono influenzare la quantità finale e stimarne i numeri.
2. Fai un passo indietro e pensa.
3. Chiarisci i tuoi pensieri.
4. Dai voce ai tuoi pensieri.
5. Semplice approccio matematico-

Questo approccio viene in genere utilizzato quando il numero da stimare è un rapporto di qualche tipo. Il compito è ottenere numeratore e denominatore, quindi abbiamo finito!

1. Approccio pro capite-

Questo approccio viene utilizzato quando il numero da indovinare può essere considerato come un elemento di consumo a livello di persona, famiglia o popolazione all'interno dell'area geografica.

2. Approccio della domanda e dell'offerta-

Questo approccio richiede di pensare al numero stimato dal lato dell'offerta o della domanda (o da entrambi) dell'articolo.

In generale, puoi proporre stime in uno di questi due modi:

• Metodo dall'alto verso il basso
• Metodo dal basso

Nella parte superiore verso il basso, inizi con l'universo più grande possibile, di cui la tua stima stimata è una parte.

Con la base più ampia in alto. A questo universo, quindi, continui ad applicare una serie di condizioni o filtri (comunque tu voglia metterlo) che riducono il numero dall'universo a un numero appropriato per la tua stima.

La chiave del processo di stima top-down risiede in:

1. Sta identificando accuratamente l'universo di partenza.
2. Sta identificando accuratamente il maggior numero di condizioni/filtri e segmenti rilevanti che si applicano al tuo problema di stima.
3. Segmenti: spesso dovrai prima segmentare l'universo in bucket e applicare filtri diversi a ciascun segmento.

Suggerimenti per domande ipotizzabili per Data Science:

1. Presentazione pratica: dobbiamo fare pratica di presentare al pubblico la soluzione particolare che hai completato.
2. Analisi pratica: l'analisi gioca un ruolo vitale per elaborare processi di pensiero sul problema dato.
3. Esercitati con i numeri: giocare con i numeri o creare una logica personalizzata è sempre importante.

Durante la risoluzione delle domande ipotetiche per Data Science, è necessario comprendere questi punti:

• Lo stai descrivendo a qualcuno che non è nella tua testa. La soluzione non fa per te.
• Allo stesso tempo, ricorda di non trasformare ogni aspetto in una stima del tutto nuova! È facile lasciarsi influenzare dalla tua intelligenza e dalle tue capacità analitiche.
• Concentrati sulla domanda. Hai sentito parlare di analisi-paralisi?

Quali sono gli scopi delle domande stimate per Data Science?

• Per capire la tua capacità di comprendere una situazione.
• Per capire la portata della tua capacità di collegare le cose, per raggiungere una risposta.
• Per conoscere la tua forza per dare priorità e ignorare parametri diversi.
• Per capire quanto bene lavori con informazioni inadeguate.

Ecco alcune domande ipotizzabili per Data Science-

Domanda: 1 Creare un esperimento con l'algoritmo k-mean sul set di dati UCI Iris:

In questo esperimento, esegui il clustering k-medie utilizzando tutte le funzionalità nel set di dati, quindi confronta i risultati del clustering con l'etichetta di classe vera per tutti i campioni.

Utilizzare il modulo Regressione logistica multiclasse per eseguire la classificazione multiclasse e confrontare le sue prestazioni con quelle del clustering k-mean.

Domanda:2 In un formato molto semplice, spiega Precision & Recall?

Domanda: 3 Se ti è stato fornito un set di dati, come decidi quale algoritmo ML per l'utente?

Domanda:4 È meglio avere troppi falsi positivi? O troppi falsi negativi?

Domanda:5 Che cos'è l'accuratezza del modello e le prestazioni del modello? Quale scenario puoi applicare?

Domanda:6 Come ci si assicura di non adattarsi eccessivamente a un modello? Spiega con un esempio.

Domanda:7 Quando si esegue un algoritmo di albero di classificazione binario è abbastanza facile. Nell'algoritmo Binary, come fa l'albero a decidere quale variabile dividere nel nodo radice e nei nodi figli successivi?

Domanda:8 Come vengono descritti NumPy e SciPy?

Domanda:9 Scrivere un programma di apprendimento automatico di base per verificare l'accuratezza del set di dati importando qualsiasi set di dati utilizzando qualsiasi classificatore?

Domanda: 10 Creare un algoritmo di regressione per prevedere il prezzo di un'auto in base a diverse variabili.

Domanda: 11 Sviluppare un modello che utilizzi diverse funzionalità di rete per rilevare quali attività di rete fanno parte di un'intrusione/attacco utilizzando le classificazioni binarie.

Domanda: 12 Come raggruppare (raggruppamento) per trovare organizzazioni simili insieme in base alla loro descrizione su Wikipedia.

Domanda: 13 Come predire chi rinnoverà i propri abbonamenti il ​​mese prossimo?

• Quali dati avresti bisogno per risolverlo?
• Che tipo di analisi faresti?
• Che tipo di algoritmi dei modelli predittivi sarebbero necessari?

Domanda: 14 Come associare i soprannomi (Alen, Bob, Alex, Tim, ecc.) a nomi reali?

Domanda: 15 Crea una previsione sul fatto che il volo passeggeri di linea sia in ritardo o meno utilizzando un classificatore binario con script R o python.

Domanda: 16 Prevedi i prezzi delle automobili utilizzando la regressione lineare con Prepara e pulisci i dati rimuovendo la colonna delle perdite normalizzate.

Dal momento che ha molti valori mancanti, crea un esperimento e un modello.

Domanda: 17 In quanti modi puoi dividere 14 persone in 4 squadre da 5?

Domanda: 18 L'area sotto la curva normale standard è?

• Maggiore di 1
• Uguale a 1
• Meno di 1

Domanda:19 Creare un algoritmo di regressione per prevedere il prezzo di un'auto in base a diverse variabili.

Domanda:20 Il tuo manager ti ha chiesto di costruire un modello di foresta casuale con 10000 alberi durante il tuo addestramento e hai ricevuto un errore di addestramento come 0.00. Ma, durante il test, l'errore di convalida era 34.23. Su quali basi presumerai cosa è andato storto? Come controlleresti il ​​tuo modello se non è addestrato perfettamente?

Domanda:21 I consigli "Le persone che hanno comprato questo, hanno comprato anche..." visti su Amazon si basano su quale algoritmo?

Domanda:22 Quali algoritmi sono collegati nei consigli che vedi come "Notizie e visualizzazioni di oggi"?

Leggi: Domande sull'intervista sulla scienza dei dati

Conclusione

Ci auguriamo che questo articolo ti abbia aiutato a capire le domande approssimative per la scienza dei dati e come superarle. Troverai articoli più utili come questo su upGrad; offriamo una vasta gamma di corsi, MBA, Data Science, Machine Learning, ecc. Forniamo tutoraggio dai migliori individui del settore!

Se sei interessato all'apprendimento della scienza dei dati e opta per una carriera in questo campo, dai un'occhiata al programma Executive PG in Data Science di IIIT-B e upGrad, creato per i professionisti che lavorano e offre oltre 10 casi di studio e progetti, workshop pratici pratici , tutoraggio con esperti del settore, 1 contro 1 con mentori del settore, oltre 400 ore di apprendimento e assistenza al lavoro con le migliori aziende.