揭穿冒牌數據科學家20個問題

如今數據科學家正式成為21世紀最性感的工作，人人都想來分一杯羹。

這也意味著會有一些冒牌貨。這些人自稱數據科學家，卻不具有相應的技能。

這不見得是有意欺騙。數據科學是嶄新的領域，目前對此崗位也缺乏被廣泛認可的描述。這意味著許多人會認為自己是數據科學家，僅僅因為他們常跟數據打交道。

“冒牌數據科學家通常是某一個特定學科的專家，且堅信他們的學科才是唯一真正的數據科學。這種想法忽略了一個事實：數據科學是一整套科學工具與技術（數學，計算，視覺，分析，統計，試驗，問題界定，模型建立與檢驗等）的集合，用于從數據收集中獲得新發現、洞察與價值。

- Kirk Borne，Booz Allen Hamilton首席數據科學家，RocketDataScience.org創始人

識別冒牌數據科學家的第一個辦法是了解你要尋找哪些技能。了解數據科學家/數據分析師/數據工程師的區別很重要，尤其當你在計劃招募這些稀有物種其中之一的時候。

為了幫助你區分真正的數據科學家與冒牌的（誤入歧途的）數據科學家，我們總結了一個問題清單，內含20個問題。在面試數據科學家時你可以提出這些問題。

1.解釋什么是正則化，以及它的用處。

2.你最崇拜哪些數據科學家？哪些創業公司？

3.你會如何驗證一個多元回歸預測模型的量化變量的結果？

4.解釋什么是準確率（precision）和召回率（recall）。它們與ROC曲線有什么關系？

5.你如何證明你對某個算法進行的改進，與原算法相比是有了真正的改進？

6.什么是根本原因分析（root cause analysis）？

7.你是否熟悉以下概念：價格優化、價格彈性、庫存管理、競爭（商業）智能。舉例說明。

8.統計功效（statistical power）是什么？

9.解釋什么是重新取樣法（resampling methods）以及它們為何重要。解釋它們的局限性。

10.哪種情況更好：有許多假陽性值，或者是有許多假陰性值？請解釋。

11.什么是選擇偏差（selection bias），它為何重要？如何避免？

12.舉出一例說明，你如何用實驗設計來回答一個有關用戶行為的問題。

13.數據的“長”/“寬”格式有何區別？

14.你使用什么方法來判斷一篇文章（比如報紙中的）統計數字是錯的或用來支持作者觀點的，而非正確的、包含對某個特殊主題的豐富實時信息的？

15.解釋Edward Tufte的“垃圾圖表（chart junk）”概念。

16.你如何篩選離群點（outliers），以及如果你發現了一個這樣的點應該怎么處理？

17.你會如何使用極限值定理、蒙特卡羅模擬或數理統計（或其他任何東西）正確預測一個稀有事件的幾率？

18.推薦引擎是什么？它如何工作？

19.解釋什么是假陽性、假陰性。為何區分它們很重要？

20.你是用什么工具進行可視化？你對Tableau怎么看？R？SAS？（就繪圖而言）。如何有效地在一個圖表（或視頻中）表現五個維度？

“一個‘真正的’數據科學家知道如何應用數學、統計，如何用適當的試驗設計來建立與驗證模型。有IT技術卻沒有統計技能的數據科學家，就像一個只知道如何建立手術刀的外科醫生?！?

--Lisa Winter,Towers Watson高級分析師