Najpopularniejsze pytania i metody informacyjne dla nauki o danych [2022]

Co to jest Gość?

Guesstimate to metodologiczna metoda teorii i oceny; pomaga pracować wydajniej z większą dokładnością. Jest to badanie danych w celu utrwalenia wyniku. Jest to również niezbędna część analityka biznesowego lub Data Science i Data Architects lub Data Techies.

1. Znaczenie: Chodzi o zrozumienie problemu, który chcesz rozwiązać i jaki jest tego cel, dlaczego chcesz go rozwiązać.
2. Definicja: Chodzi o konkretny obiekt oraz wejście i wyjście przepływu procesu. Jednym słowem wyjaśnienie.
3. Zgadywanie : Chodzi o myśl i wniosek - tworzysz konkretny obiekt w swoim problemie.
4. Oszacowanie: chodzi o oszacowanie liczb dotyczących danego problemu.
5. Wpadnij na pomysł : Wdróż pomysł w badania i rozwój.

Kiedy pytanie szacunkowe może dotyczyć wielkości rynku, nazywa się je pytaniem „o wielkości rynku”.

Oto podstawowe pytania dotyczące przewidywania:

• Ile osób nosi niebieski w Nowym Jorku w typowy poniedziałek?
• Ile piłek tenisowych zmieścisz w samolocie?

Jak podejść do Guesstimate?

Proces rozwiązywania zgadywanego problemu jest dość łatwy do opanowania:

1. Przyjrzyj się możliwym parametrom, które mogą wpłynąć na ostateczną ilość i oszacuj jej liczby.
2. Cofnij się i pomyśl.
3. Wyjaśnij swoje myśli.
4. Wyraź swoje myśli.
5. Proste podejście matematyczne-

To podejście jest zwykle stosowane, gdy liczba do oszacowania jest pewnego rodzaju stosunkiem. Zadanie polega na uzyskaniu licznika i mianownika i gotowe!

1. Podejście per capita-

To podejście jest stosowane, gdy liczba do odgadnięcia może być traktowana jako element konsumpcji na poziomie osoby, gospodarstwa domowego lub populacji w obrębie geografii.

2. Podejście podaży i popytu-

Takie podejście wymaga przemyślenia szacunkowej liczby ze strony podaży lub popytu (lub obu) pozycji.

Ogólnie rzecz biorąc, możesz zaproponować przewidywania na jeden z tych dwóch sposobów:

• Metoda odgórna
• Metoda oddolna

Od góry do dołu, zaczynasz od największego możliwego wszechświata, którego częścią jest twój szacunek.

Z najszerszą podstawą u góry. Do tego wszechświata stosujesz następnie zestaw warunków lub filtrów (jakkolwiek chcesz to ująć), które redukują liczbę ze wszechświata do liczby odpowiedniej dla twojego oszacowania.

Kluczem do procesu szacowania odgórnego jest:

1. Jest to dokładne określenie początkowego wszechświata.
2. Jest to dokładna identyfikacja tylu istotnych warunków/filtrów i segmentów, które mają zastosowanie do Twojego problemu oszacowania.
3. Segmenty: często trzeba najpierw podzielić przestrzeń na segmenty i zastosować różne filtry do każdego segmentu.

Wskazówki dotyczące szacunkowych pytań dotyczących Data Science:

1. Ćwicz prezentowanie: Musimy wykonać praktykę prezentowania publiczności konkretnego rozwiązania, które udało Ci się zrealizować.
2. Ćwicz analizowanie: Analiza odgrywa kluczową rolę w tworzeniu procesów myślowych dotyczących danego problemu.
3. Ćwicz z liczbami: Zabawa liczbami lub tworzenie własnej logiki jest zawsze ważne.

Rozwiązując szacunkowe pytania dotyczące Data Science, musisz zrozumieć te punkty:

• Opisujesz to komuś, kogo nie masz w głowie. Rozwiązanie nie jest dla ciebie.
• Jednocześnie pamiętaj, aby nie zamieniać każdego aspektu w zupełnie nową ocenę! Twoja inteligencja i zdolności analityczne łatwo ulegają wpływom.
• Skoncentruj się na pytaniu. Czy słyszałeś o analizie-paraliżu?

Jakie są cele pytań predykcyjnych dla Data Science?

• Aby zrozumieć swoją zdolność rozumienia sytuacji.
• Zrozumienie zakresu Twojej zdolności do łączenia rzeczy, dochodzenia do odpowiedzi.
• Aby poznać swoją siłę do ustalania priorytetów i odrzucania różnych parametrów.
• Aby zrozumieć, jak dobrze pracujesz z nieodpowiednimi informacjami.

Oto kilka szacunkowych pytań do Data Science-

Pytanie:1 Utwórz eksperyment z algorytmem k-średnich na zestawie danych UCI Iris:

W tym eksperymencie wykonaj grupowanie k-średnich przy użyciu wszystkich funkcji w zestawie danych, a następnie porównaj wyniki grupowania z etykietą prawdziwej klasy dla wszystkich próbek.

Użyj modułu wieloklasowej regresji logistycznej, aby przeprowadzić klasyfikację wieloklasową i porównać jej wydajność z klastrowaniem k-średnich.

Pytanie:2 Wyjaśnij w bardzo prostym formacie Precyzja i Recall?

Pytanie:3 Jeśli otrzymałeś zestaw danych, w jaki sposób decydujesz, który algorytm ML ma być dla użytkownika?

Pytanie:4 Czy lepiej mieć zbyt wiele fałszywych alarmów? Lub zbyt wiele fałszywych negatywów?

Pytanie:5 Co to jest dokładność modelu i wydajność modelu? Jaki scenariusz możesz zastosować?

Pytanie:6 W jaki sposób upewniasz się, że nie pasujesz do modelu? Wyjaśnij na przykładzie.

Pytanie:7 Po uruchomieniu algorytmu binarnego drzewa klasyfikacyjnego jest to całkiem proste. W algorytmie binarnym, w jaki sposób drzewo decyduje o tym, którą zmienną podzielić w węźle głównym i kolejnych węzłach podrzędnych?

Pytanie:8 Jak są opisane NumPy i SciPy?

Pytanie:9 Napisz podstawowy program do uczenia maszynowego, aby sprawdzić dokładność zestawu danych, importując dowolny zestaw danych za pomocą dowolnego klasyfikatora?

Pytanie:10 Utwórz algorytm regresji, aby przewidzieć cenę samochodu na podstawie różnych zmiennych.

Pytanie:11 Opracuj model, który wykorzystuje różne funkcje sieciowe do wykrywania, które działania sieciowe są częścią włamania/ataku przy użyciu klasyfikacji binarnych.

Pytanie:12 Jak grupować (klastrowanie), aby razem znaleźć podobne organizacje na podstawie ich opisu w Wikipedii.

Pytanie:13 Jak przewidziałbyś, kto odnowi subskrypcje w przyszłym miesiącu?

• Jakie dane byłyby potrzebne do rozwiązania tego problemu?
• Jaki rodzaj analizy byś zrobił?
• Jakie algorytmy modeli predykcyjnych byłyby potrzebne?

Pytanie:14 Jak zmapowałbyś pseudonimy (Alen, Bob, Alex, Tim, itd.) na prawdziwe imiona?

Pytanie:15 Stwórz prognozę, czy zaplanowany lot pasażerski jest opóźniony, czy nie, używając klasyfikatora binarnego ze skryptem R lub Pythona.

Pytanie:16 Przewiduj ceny samochodów za pomocą regresji liniowej z opcją Przygotuj i wyczyść dane, usuwając kolumnę znormalizowanych strat.

Ponieważ ma wiele brakujących wartości, utwórz eksperyment i model.

Pytanie:17 Na ile sposobów możesz podzielić 14 osób na 4 zespoły po 5?

Pytanie:18 Powierzchnia pod standardową krzywą normalną to?

• Większy niż 1
• Równe 1
• Mniej niż 1

Pytanie:19 Utwórz algorytm regresji, aby przewidzieć cenę samochodu na podstawie różnych zmiennych.

Pytanie:20 Twój przełożony poprosił podczas treningu o zbudowanie losowego modelu lasu z 10000 drzew, a błąd szkolenia wynosił 0.00. Ale podczas testowania błąd walidacji wyniósł 34,23. Na jakiej podstawie założysz, co poszło nie tak? Jak sprawdziłbyś swój model, jeśli nie jest doskonale wyszkolony?

Pytanie:21 „Ludzie, którzy to kupili, kupili również…” Rekomendacje widoczne na Amazonie są oparte na jakim algorytmie?

Pytanie:22 Które algorytmy są połączone w rekomendacjach, które widzisz jako „Dzisiejsze wiadomości i widoki”?

Przeczytaj: Pytania do wywiadu dotyczącego nauki o danych

Wniosek

Mamy nadzieję, że ten artykuł pomógł Ci zrozumieć szacunkowe pytania dotyczące nauki o danych i sposoby ich rozwiązywania. Więcej przydatnych artykułów, takich jak ten, znajdziesz na upGrad; oferujemy szeroką gamę kursów, MBA, Data Science, Machine Learning itp. Zapewniamy mentoring od najlepszych osób w branży!

Jeśli jesteś zainteresowany nauką o Data Science i zdecydujesz się na karierę w tej dziedzinie, sprawdź program Executive PG w dziedzinie Data Science IIIT-B i upGrad, który jest stworzony dla pracujących profesjonalistów i oferuje ponad 10 studiów przypadków i projektów, praktyczne warsztaty , mentoring z ekspertami z branży, indywidualny kontakt z mentorami branżowymi, ponad 400 godzin nauki i pomocy w pracy z najlepszymi firmami.