28 preguntas principales de la entrevista a un científico de datos para todos los niveles

En este post, hemos esbozado las preguntas más frecuentes durante las fases de entrevista sobre estadística y machine learning, análisis, programación y product sense. Practicar estas preguntas de entrevista para científicos de datos ayudará a los estudiantes que buscan prácticas y a los profesionales que buscan trabajo a superar todas las fases de la entrevista técnica.

Preguntas no técnicas de entrevista de ciencia de datos 

Empecemos por ver algunas de las preguntas generales sobre competencias a las que podrías enfrentarte en tu entrevista. Estas son algunas de las habilidades blandas que necesitarás como científico de datos: 

Cuéntame alguna vez que hayas tenido que explicar un concepto de datos complejo a alguien sin formación técnica. ¿Cómo te aseguraste de que lo entendía?

Esta pregunta evalúa tu capacidad de comunicación y tu habilidad para simplificar temas complejos. Aquí tienes un ejemplo de respuesta:

En mi anterior puesto, tuve que explicar el concepto de machine learning a nuestro equipo de marketing. Utilicé la analogía de enseñar a un niño a reconocer los distintos tipos de fruta. Igual que a un niño le enseñas muchos ejemplos para ayudarle a aprender, un modelo de machine learning se entrena con datos. Esta analogía ayudó a hacer que un concepto complejo fuera más cercano y fácil de entender.

Describe un proyecto en el que hayas tenido que trabajar con un miembro difícil del equipo. ¿Cómo manejaste la situación?

Esto explora tus habilidades de colaboración en equipo y de resolución de conflictos. Podrías responder a esto con algo como: 

En un proyecto, trabajé con un colega que tenía un estilo de trabajo muy diferente. Para resolver nuestras diferencias, programé una reunión para comprender su perspectiva. Encontramos un terreno común en los objetivos de nuestro proyecto y acordamos un enfoque compartido. Esta experiencia me enseñó el valor de la comunicación abierta y la empatía en el trabajo en equipo.

¿Puedes poner un ejemplo de un momento en el que hayas tenido que trabajar con un plazo ajustado? ¿Cómo gestionaste tus tareas y cumpliste los plazos?

Esta pregunta trata sobre la gestión del tiempo y el establecimiento de prioridades. Aquí tienes un ejemplo de respuesta: 

Una vez, tuve que entregar un análisis en un plazo muy ajustado. Prioricé las partes más críticas del proyecto, comuniqué mi plan al equipo y me centré en una ejecución eficiente. Dividiendo la tarea y estableciendo fechas límite parciales, conseguí terminar el proyecto a tiempo sin comprometer la calidad.

¿Has cometido alguna vez un error importante en tu análisis? ¿Cómo lo manejaste y qué aprendiste de ello?

Aquí, el entrevistador se fija en tu capacidad para asumir los errores y aprender de ellos. Podrías responder con: 

En un caso, interpreté mal los resultados de un modelo de datos. Al darme cuenta de mi error, informé inmediatamente a mi equipo y volví a analizar los datos. Esta experiencia me enseñó la importancia de comprobar dos veces los resultados y el valor de la transparencia en el lugar de trabajo.

¿Cómo te mantienes al día de las últimas tendencias y avances en la ciencia de datos?

Esto demuestra tu compromiso con la formación continua y con seguir siendo relevante en tu campo. Aquí tienes un ejemplo de respuesta: 

Me mantengo al día leyendo revistas del sector, asistiendo a seminarios web y participando en foros en línea. También reservo tiempo cada semana para experimentar con nuevas herramientas y técnicas. Esto no solo me ayuda a mantenerme al día, sino también a mejorar continuamente mis habilidades.

¿Puedes contarnos alguna ocasión en la que hayas tenido que trabajar en un proyecto con requisitos poco claros o en constante cambio? ¿Cómo te adaptaste?

Esta pregunta evalúa la capacidad de adaptación y de resolución de problemas. Como ejemplo, podrías decir: 

En un proyecto anterior, los requisitos cambiaban con frecuencia. Me adapté manteniendo una comunicación abierta con las partes interesadas para comprender sus necesidades. También utilicé metodologías ágiles para ser más flexible en mi enfoque, lo que me ayudó a adaptarme a los cambios con eficacia.

Describe una situación en la que hayas tenido que equilibrar la toma de decisiones basada en datos con otras consideraciones (como cuestiones éticas, necesidades empresariales, etc.).

Esto evalúa tu capacidad para tener en cuenta diversos aspectos más allá de los datos. Un ejemplo de respuesta podría ser: 

En mi último puesto, tuve que equilibrar la necesidad de tomar decisiones basadas en datos con consideraciones éticas. Me aseguré de que todo uso de datos cumpliera las normas éticas y las leyes de privacidad, y presenté alternativas cuando fue necesario. Este enfoque ayudó a tomar decisiones con conocimiento de causa, respetando los límites éticos.

Preguntas generales de entrevista de ciencia de datos

¿Cuáles son los supuestos necesarios para una regresión lineal?

Los cuatro supuestos de una regresión lineal son:

1. Relación lineal: debe existir una relación lineal entre la variable independiente x y la variable dependiente y. 
2. Independencia: no hay correlación entre restos consecutivos. Se da sobre todo en datos de series temporales. 
3. Homocedasticidad: en cada nivel de x, la varianza debe ser constante. 
4. Normalidad: los restos se distribuyen normalmente.

Imagen de Statology

Puedes explorar los conceptos y aplicaciones de los modelos lineales siguiendo nuestro curso Introducción al modelado lineal en Python. 

¿Cómo se trata un conjunto de datos al que le faltan varios valores?

Hay varias formas de tratar los datos que faltan. Puedes:

1. Eliminar las filas con valores que faltan.
2. Eliminar las columnas en las que faltan varios valores.
3. Rellenar el valor que falta con una constante numérica o cadena. 
4. Sustituir los valores que faltan por el valor medio o la mediano de la columna. 
5. Utilizar análisis de regresión múltiple para calcular un valor omitido.
6. Utilizar varias columnas para sustituir los valores que faltan por valores medios simulados y errores aleatorios.

Aprende a diagnosticar, visualizar y tratar los datos que faltan completando el curso Gestión de datos que faltan con imputaciones en R.

¿Cómo explicas los aspectos técnicos de tus resultados a las partes interesadas sin formación técnica?

En primer lugar, debes conocer mejor la formación de las partes interesadas y utilizar esta información para modificar tus palabras. Si tienen formación en finanzas, aprende los términos de uso común en finanzas y utilízalos para explicar la compleja metodología.  

En segundo lugar, tienes que utilizar muchos elementos visuales y gráficos. Aprendemos de forma visual, ya que lo hacemos muchísimo mejor cuando se usan herramientas de comunicación creativas.

Imagen del autor

En tercer lugar, habla en términos de resultados. No intentes explicar las metodologías ni las estadísticas. Intenta centrarte en cómo pueden utilizar la información del análisis para mejorar la empresa o el flujo de trabajo.

Por último, anímales a que te hagan preguntas. Tenemos miedo o incluso vergüenza de hacer preguntas sobre temas desconocidos. Crea un canal de comunicación bidireccional haciéndoles participar en la conversación. 

Aprende a crear tus propios informes y tableros SQL siguiendo nuestro curso Informes en SQL.

Preguntas de la entrevista técnica sobre ciencia de datos

¿Cuáles son los métodos de selección de características utilizados para seleccionar las variables adecuadas?

Hay tres métodos principales para la selección de características: métodos de filtro, wrapper e integrados.

Métodos de filtro

Los métodos de filtro se suelen utilizan en las fases de preprocesamiento. Estos métodos seleccionan características de un conjunto de datos independientemente de cualquier algoritmo de machine learning. Son rápidos, requieren menos recursos y eliminan características duplicadas, correlacionadas y redundantes.

Imagen del autor

Algunas técnicas utilizadas son:  

• Umbral de varianza
• Coeficiente de correlación
• Prueba de ji cuadrado
• Dependencia mutua

Métodos wrapper

En los métodos wrapper, entrenamos el modelo iterativamente utilizando un subconjunto de características. En función de los resultados del modelo entrenado, se añaden o eliminan más características. Son computacionalmente más caros que los métodos de filtro, pero proporcionan una mayor precisión del modelo. 

Imagen del autor

Algunas técnicas utilizadas son:

• Selección hacia delante
• Eliminación hacia atrás
• Eliminación bidireccional
• Eliminación recursiva 

Métodos integrados

Los métodos integrados combinan las cualidades de los métodos de filtro y wrapper. El algoritmo de selección de características se mezcla como parte del algoritmo de aprendizaje, lo que proporciona al modelo un método de selección de características integrado. Estos métodos son más rápidos, como los métodos de filtro, precisos como los métodos wrapper, y también tienen en cuenta una combinación de características.  

Imagen del autor

Algunas técnicas utilizadas son:

• Regularización
• Métodos basados en árboles

¿Cómo puedes evitar el sobreajuste de tu modelo?

El sobreajuste se produce cuando un modelo se entrena demasiado bien con un conjunto de datos de entrenamiento, pero falla en el conjunto de datos de prueba y validación.

Puedes evitar el sobreajuste de la siguiente forma:

1. Asegúrate de que el modelo sea sencillo disminuyendo la complejidad del modelo, teniendo en cuenta menos variables y reduciendo el número de parámetros en las redes neuronales.
2. Utiliza técnicas de validación cruzada.
3. Entrena el modelo con más datos.
4. Utiliza el aumento de datos, que incrementa el número de muestras. 
5. Usa ensamblaje (bagging y boosting)
6. Utiliza técnicas de regularización para penalizar determinados parámetros del modelo si es probable que causen un sobreajuste.

Enumera los distintos tipos de relaciones en SQL

Hay cuatro tipos principales de relaciones SQL:

• De uno a uno: existe cuando cada registro de una tabla está relacionado con un solo registro de otra tabla. 
• De uno a muchos y de muchos a uno: es la conexión más habitual, en la que cada registro de una tabla está vinculado a varios registros de otra.  
• De muchos a muchos: existe cuando cada registro de la primera tabla está relacionado con más de un registro de la segunda tabla, y un único registro de la segunda tabla puede estar relacionado con más de un registro de la primera tabla. 
• Relaciones de autorreferencia: se producen cuando una tabla tiene que declarar una conexión consigo misma.

Aprende a explorar las tablas, las relaciones entre ellas y los datos almacenados en ellas completando nuestro curso Análisis exploratorio de datos en SQL.

¿Qué es la reducción de dimensionalidad y cuáles son sus ventajas?

La reducción de dimensionalidad es un proceso que convierte el conjunto de datos de varias dimensiones a menos dimensiones, manteniendo información similar. 

Imagen del autor | Gráficos de howecoresearch

Ventajas de la reducción de dimensionalidad:

1. Compresión de los datos y reducción del espacio de almacenamiento. 
2. Reducen el tiempo de computación y nos permiten realizar un procesamiento más rápido de los datos.  
3. Elimina las características redundantes, si las hay. 

Comprende el concepto de reducción de dimensionalidad y domina las técnicas practicando con el curso Reducción de dimensionalidad en Python.

¿Cuál es el objetivo de las pruebas A/B?

Imagen del autor

Las pruebas A/B eliminan las conjeturas y nos ayudan a tomar decisiones basadas en datos para optimizar el producto o el sitio web. También se conocen como split testing, y en ellas se realizan experimentos aleatorios para analizar dos o más versiones de variables (página web, función de la app, etc.) y determinar qué versión genera el máximo en tráfico y métrica comercial.

Aprende a crear, ejecutar y analizar pruebas A/B siguiendo nuestro curso Análisis de clientes y pruebas A/B en Python.

Preguntas de entrevista de programación para ciencia de datos

Dado un diccionario formado por muchas raíces y una frase, relaciona todas las palabras de la frase con la raíz que la forma.

Esta relación se utiliza habitualmente en el análisis de textos y de sentimientos. En esta pregunta, escribirás una función de Python que convertirá determinadas palabras de la lista a su forma raíz: consulta de la entrevista.

Entrada:

La función tomará dos argumentos: lista de palabras raíz y frase.  

roots = ["cat", "bat", "rat"]
sentence = "the cattle was rattled by the battery"

Salida:

Te devolverá la frase con las palabras raíz. 

"the cat was rat by the bat"

Antes de lanzarte a escribir código, debes comprender que realizaremos dos tareas: comprobar si la palabra tiene raíz y sustituirla. 

1. Dividirás la frase en palabras.
2. Ejecuta el bucle externo sobre cada palabra de la lista y el bucle interno sobre la lista de palabras raíz.
3. Comprueba si la palabra empieza por la raíz. La cadena Python nos proporciona la función `startswith()` para realizar esta tarea. 
4. Si la palabra empieza por la raíz, sustitúyela por la raíz utilizando un índice de lista. 
5. Une todas las palabras para crear una frase. 

roots = ["cat", "bat", "rat"]
sentence = "the cattle was rattled by the battery"


def replace_words(roots, sentence):
    words = sentence.split(" ")

    # looping over each word
    for index, word in enumerate(words):
        # looping over each root
        for root in roots:
            # checking if words start with root
            if word.startswith(root):
                # replacing the word with its root
                words[index] = root
    return " ".join(words)


replace_words(roots, sentence)


# 'the cat was rat by the bat'

Comprobar si la cadena es un palíndromo

Dada la cadena text, devuelve True si es un palíndromo; en caso contrario, False.

Después de hacer minúsculas todas las letras y eliminar todos los caracteres no alfanuméricos, la palabra debe leerse igual hacia delante y hacia atrás.

Imagen del autor

Python proporciona formas sencillas de resolver este reto. Puedes tratar la cadena como iterable e invertirla mediante text[::-1] o utilizar el método integrado reversed(text).

1. Primero, harás minúsculas todas las letras del texto.
2. Limpia el texto eliminando los caracteres no alfanuméricos mediante regex. 
3. Invierte el texto utilizando [::-1].
4. Compara el texto limpio con el texto invertido.  

import re

def is_palindrome(text):
    # lowering the string
    text = text.lower()
   
    # Cleaning the string
    rx = re.compile('\W+')
    text = rx.sub('',text).strip()
   
    # Reversing and comparing the string
    return text == text[::-1]

En el segundo método, simplemente sustituirás la inversión del texto por ''.join(reversed(text)) y lo compararás con el texto limpio. 

Ambos métodos son sencillos. 

def is_palindrome(text):
    # lowering the string
    text = text.lower()
   
    # Cleaning the string
    rx = re.compile('\W+')
    text = rx.sub('',text).strip()
   
    # Reversing the string
    rev = ''.join(reversed(text))
    return text == rev

Resultado:

Proporcionaremos la lista de la palabra a la función is_palindrome() e imprimiremos los resultados. Como puedes ver, incluso con caracteres especiales, la función ha identificado "Level" y "Radar" como palíndromos. 

# Test cases
List = ['Anna', '**Radar****','Abid','(Level)', 'Data']

for text in List:
    print(f"Is {text} a palindrome? {is_palindrome(text)}")


# Is Anna a palindrome? True
# Is **Radar**** a palindrome? True
# Is Abid a palindrome? False
# Is (Level) a palindrome? True
# Is Data a palindrome? False

Prepárate para tus próximas entrevistas de programación practicando preguntas de entrevistas de programación en Python con nuestro curso interactivo.

Encuentra el segundo salario más alto

Es fácil encontrar el valor más alto y el más bajo, pero difícil encontrar el segundo valor más alto o el enésimo valor más alto. 

En la pregunta, se te proporciona la tabla de la base de datos que consta de id y base_salary. Escribirás la consulta SQL para encontrar el segundo salario más alto. 

Imagen del autor

En esta consulta, encontrarás los valores únicos y los ordenarás de mayor a menor. A continuación, utilizarás LIMIT 1 para mostrar solo el valor más alto. Al final, desviarás el valor en 1 para mostrar el segundo número más alto. 

También puedes cambiar el valor OFFSET para obtener el enésimo salario más alto. 

SELECT DISTINCT base_salary AS "Second Highest Salary"
FROM employee
ORDER BY base_salary DESC
LIMIT 1
OFFSET 1;

El segundo salario base más alto es de 8500.

Encuentra los correos duplicados

En esta pregunta, escribirás una consulta para mostrar todos los correos duplicados. 

Imagen del autor

En esta consulta, mostrarás la columna email y agruparás la tabla por email. Después, utilizaremos la cláusula HAVING para encontrar correos electrónicos que se mencionen más de una vez. 

HAVING se utiliza como sustituto de la sentencia WHERE junto con las agregaciones.

SELECT email
FROM employee_email
GROUP BY email
HAVING COUNT(email) > 1;

Solo "[email protected]" aparece más de una vez.

Escribe código SQL mantenible para responder a preguntas empresariales siguiendo el curso Aplicación de SQL a problemas del mundo real. 

Pregunta sobre ciencia de datos de FAANG

Pregunta de la entrevista sobre ciencia de datos en Facebook

El editor de posts de Facebook, la herramienta de posting, bajó del 3% de posts por usuario el mes pasado al 2,5 % de posts por usuario hoy. ¿Cómo investigarías lo ocurrido?

Imagen del autor

En el último mes, los posts bajaron del 3 % al 2,5 % actual. Antes de llegar a una conclusión, tienes que aclarar el contexto del problema. 

Tienes que hacer preguntas:

• ¿Hoy es un día laborable?
• ¿Hace un mes era fin de semana?
• ¿Hay ocasiones especiales, eventos o estacionalidad? 
• ¿Se trata de una tendencia gradual a la baja o de un hecho puntual?

En la segunda parte, tienes que explicar en detalle qué ha provocado el descenso. ¿Ha aumentado el número de usuarios o ha disminuido el número de posts? Después, el entrevistador te pedirá que inicies un debate utilizando uno o ambos razonamientos. 

¿Cómo crees que es la distribución del tiempo que se pasa al día en Facebook? ¿Qué métricas utilizarías para describir esa distribución?

En cuanto a la distribución del tiempo que se pasa al día en Facebook, cabe suponer que puede haber dos grupos:

1. Personas que se desplazan rápidamente por el feed sin dedicar demasiado tiempo.
2. Superusuarios que pasan mucho tiempo en Facebook.

Para la segunda parte, tienes que utilizar vocabulario estadístico para describir la distribución, como, por ejemplo:

1. Centro: media, mediana y moda
2. Dispersión: desviación típica, rango intercuartílico y rango
3. Forma: asimetría, curtosis y unimodal o bimodal
4. Valores atípicos

Dado un conjunto de datos de puntuaciones de exámenes, escribe código pandas para devolver el porcentaje acumulado de estudiantes que recibieron puntuaciones dentro de los buckets de <50, <75, <90, <100.

En esta pregunta, escribirás código pandas para dividir primero la puntuación en varios buckets y luego calcular el porcentaje de alumnos que obtienen la puntuación en esos tramos. 

Entrada:

Nuestro conjunto de datos tiene las columnas user_id, grade y test_score. 

Imagen del autor 

Salida:

Escribirás la función que utilizará las columnas grade y test_score. Y muestra el marco de datos con las calificaciones, las puntuaciones de los buckets y el porcentaje acumulado de alumnos que obtienen puntuaciones de buckets.  

Imagen del autor

1. Utilizarás la función pandas.cut() para convertir puntuaciones en puntuaciones de los buckets utilizando bins y etiquetas de buckets. 
2. Calcula el tamaño de cada grupo (grade y test_score).
3. Para calcular el porcentaje, necesitamos numerador (suma acumulada) y denominador (suma de todos los valores).
4. Convierte el valor de la fracción en un porcentaje adecuado multiplicándolo por 100 y añadiendo "%".
5. Restablece el índice y cambia el nombre de la columna a "percentage".

def bucket_test_scores(df):
    bins = [0, 50, 75, 90, 100]
    labels = ["<50", "<75", "<90", "<100"]

    # converting the scores into buckets
    df["test_score"] = pd.cut(df["test_score"], bins, labels=labels, right=False)

    # Calculate size of each group, by grade and test score
    df = df.groupby(["grade", "test_score"]).size()

    # Calculate numerator and denominator for percentage
    NUM = df.groupby("grade").cumsum()
    DEN = df.groupby("grade").sum()

    # Calculate percentage, multiply by 100, and add %
    percentage = (NUM / DEN).map(lambda x: f"{int(100*x):d}%")

    # reset the index
    percentage = percntage.reset_index(name="percentage")
    return percentage


bucket_test_scores(df)

Has obtenido el resultado perfecto con la puntuación de la prueba del bucket y el porcentaje. 

Aprende a limpiar datos, calcular estadísticas y crear visualizaciones con el curso Manipulación de datos con pandas.

Preguntas de la entrevista sobre ciencia de datos en Amazon

Explicar los intervalos de confianza

El intervalo de confianza es un intervalo de estimaciones de un parámetro desconocido que esperas que caiga entre un determinado porcentaje del tiempo cuando vuelvas a realizar el experimento o vuelvas a muestrear de forma similar la población.

Imagen de omnicalculator

El nivel de confianza del 95 % se utiliza habitualmente en experimentos estadísticos, y es el porcentaje de veces que esperas que se reproduzca un parámetro estimado. Los intervalos de confianza tienen un límite superior e inferior que se establece mediante el valor alfa.

Puedes utilizar intervalos de confianza para diversas estimaciones estadísticas, como proporciones, medias poblacionales, diferencias entre proporciones o medias poblacionales y estimaciones de variación entre grupos.

Construye la base estadística completando nuestro curso Pensamiento estadístico en Python (parte 1).

¿Cómo se gestiona un conjunto de datos desequilibrado?

En el conjunto de datos desequilibrado, las clases se distribuyen de forma desigual. Por ejemplo, en el conjunto de datos de detección de fraudes, solo hay 400 casos de fraude frente a 300 000 casos de no fraude. Los datos desequilibrados harán que el modelo funcione peor a la hora de detectar el fraude. 

Imagen del autor

Para manejar datos desequilibrados, puedes utilizar:

1. Submuestreo
2. Sobremuestreo
3. Creación de datos sintéticos
4. Combinación de submuestreo y sobremuestreo

Submuestreo

Remuestrea las características de la clase mayoritaria para igualarlas a los de la clase minoritaria. 

En el conjunto de datos de detección del fraude, ambas clases serán iguales a 400 muestras. Puedes utilizar imblearn.under_sampling para remuestrear tu conjunto de datos con facilidad.

from imblearn.under_sampling import RandomUnderSampler
RUS = RandomUnderSampler(random_state=1)
X_US, y_US = RUS.fit_resample(X_train, y_train)

Sobremuestreo

Remuestrea las características de la clase minoritaria para igualarlas a las de la clase mayoritaria. La repetición o la repetición ponderada de las características de la clase minoritaria son algunos de los métodos habituales utilizados para equilibrar los datos. En resumen, ambas clases tendrán 300 000 muestras. 

from imblearn.over_sampling import RandomOverSampler

ROS = RandomOverSampler(random_state=0)
X_OS, y_OS = ROS.fit_resample(X_train, y_train)

Creación de datos sintéticos

El problema de la repetición es que no aporta información adicional, lo que dará lugar a un rendimiento deficiente de los modelos. Para contrarrestar esto, podemos utilizar SMOTE (Synthetic Minority Oversampling technique) para crear puntos de datos sintéticos. 

from imblearn.over_sampling import SMOTE

SM = SMOTE(random_state=1)
X_OS, y_OS = SM.fit_resample(X_train, y_train)

Combinación de submuestreo y sobremuestreo

Para mejorar los sesgos y el rendimiento del modelo, puedes utilizar una combinación de sobremuestreo y submuestreo. Utilizaremos SMOTE para el sobremuestreo y EEN (Edited Nearest Neighbours) para la limpieza. 

imblearn.combine nos proporciona diferentes funciones que realizan automáticamente ambas funciones de muestreo. 

from imblearn.combine import SMOTEENN

SMTN = SMOTEENN(random_state=0)
X_OUS, y_OUS = SMTN.fit_resample(X_train, y_train)

Escribe una consulta que devuelva el número total de ventas de cada producto en el mes de marzo de 2022.

Como científico de datos, escribirás un tipo de consulta similar para extraer los datos y realizar el análisis de datos. En este reto, utilizarás la cláusula WHERE con signos de comparación o WHERE con la cláusula BETWEEN para realizar el filtrado.

Tabla: pedidos

Imagen del autor

Muestra de salida:

Imagen del autor

1. Mostrarás el id del producto y la suma de la cantidad de la tabla de pedidos. 
2. Filtra los datos de la fecha '2022-03-01' a '2022-04-01' utilizando las cláusulas WHERE y AND. También puedes utilizar BETWEEN para realizar una acción similar. 
3. Utiliza un grupo por product_id para obtener el número total de ventas de cada producto.

SELECT product_id,
      SUM(qty)
FROM orders
WHERE order_dt >= '2022-03-01'
  AND order_dt < '2022-04-01'
GROUP BY product_id;

Pregunta de la entrevista sobre ciencia de datos en Google

Si las etiquetas son conocidas en un proyecto de clustering, ¿cómo evaluarías el rendimiento del modelo?

En el aprendizaje no supervisado, encontrar el rendimiento del proyecto de clustering puede ser complicado. Los criterios de un buen clustering son grupos distintos con poca similitud. 

No existe una métrica de precisión en los modelos de clustering, por lo que utilizaremos la similitud o la distinción entre los grupos para evaluar el rendimiento del modelo.  

Imagen de la documentación de scikit-learn

Las tres métricas más utilizadas son:

• Silhouette Score
• Calinski-Harabaz Index
• Davies-Bouldin Index

Silhouette Score

Se calcula utilizando la distancia media intraclúster y la distancia media del clúster más cercano. 

Podemos utilizar scikit-learn para calcular la métrica. Silhouette Score oscila entre -1 y 1, donde las puntuaciones más altas significan menor similitud entre grupos y clústeres distintos. 

from sklearn import metrics


model = KMeans().fit(X)
labels = model.labels_

metrics.silhouette_score(X, labels)

Calinski-Harabaz Index

Calcula la distinción entre grupos utilizando la dispersión entre clústeres y la dispersión dentro de clústeres. La métrica no tiene límite y, como en Silhoutte Score, una puntuación más alta significa un mejor rendimiento del modelo. 

metrics.calinski_harabasz_score(X, labels)

Davies-Bouldin Index

Calcula la similitud media de cada clúster con su clúster más similar. A diferencia de otras métricas, una puntuación más baja significa un mejor rendimiento del modelo y una mejor separación entre clústeres.   

metrics.davies_bouldin_score(X, labels)

Aprende a aplicar el clustering jerárquico y de k-medias siguiendo nuestro curso Análisis de clústeres en R.

Hay cuatro personas en un ascensor y cuatro plantas en un edificio. ¿Cuál es la probabilidad de que cada persona se baje en una planta distinta?

Imagen del autor

Utilizaremos:

• F = Número de plantas
• P = Número de personas

Para resolver este problema, primero tenemos que hallar el número total de formas de salir a las plantas: 4⁴ = 4 × 4 × 4 × 4 = 256 formas.

Después, calcula el número de formas en que cada persona puede bajarse en una planta distinta: 4! = 24.

Para calcular la probabilidad de que cada persona se baje en una planta distinta, tenemos que dividir el número de formas en que cada persona se baja en una planta distinta entre el número total de formas de salir a las plantas. 

24/256 = 3/32

Aprende estrategias para responder a preguntas complicadas sobre probabilidad con R siguiendo nuestro curso Puzzles de probabilidad en R.

Escribe una función para generar N muestras de una distribución normal y trazar el histograma.

Para generar N muestras de la distribución normal, puedes utilizar Numpy (np.random.randn(N)) o SciPy (sp.stats.norm.rvs(size=N)). 

Para trazar un histograma, puedes utilizar Matplotlib o Seaborn. 

La cuestión es bastante sencilla si conoces las herramientas adecuadas. 

1. Generarás muestras aleatorias de distribución normal utilizando la función randn de Numpy. 
2. Traza el histograma con KDE utilizando Seaborn. 
3. Traza el histograma para 10 000 muestras y devuelve la matriz Numpy. 

import numpy as np
import seaborn as sns

N = 10_000

def norm_dist_hist(N):
    # Generating Random normal distribution samples
x = np.random.randn(N)
    # Plotting histogram
    sns.histplot(x, bins = 20, kde=True);
    return x
   
X = norm_dist_hist(N)

Aprende a crear visualizaciones informativas y atractivas en segundos completando el curso Introducción a la visualización de datos con Seaborn.

Cómo preparar la entrevista de ciencia de datos

Imagen del autor

Las entrevistas de ciencia de datos se dividen en cuatro o cinco etapas. Se te harán preguntas sobre estadística y machine learning, programación (Python, R, SQL), comportamiento, product sense y, a veces, liderazgo. 

Puedes prepararte para todas las etapas haciendo lo siguiente:

1. Investigar la empresa y las responsabilidades del puesto: te ayudará a priorizar tu esfuerzo en un determinado campo de la ciencia de datos. 
2. Revisión de proyectos anteriores del portafolio: el responsable de contratación evaluará tus habilidades haciéndote preguntas sobre tus proyectos. 
3. Revisión de los fundamentos de la ciencia de datos: probabilidad, estadística, contraste de hipótesis, estadística descriptiva y bayesiana y reducción de dimensionalidad. Las hojas de trucos son la mejor forma de aprender lo básico rápidamente. 
4. Práctica de programación: haz pruebas de evaluación, resuelve retos de código en línea y repasa las preguntas de programación más frecuentes. 
5. Practica en proyectos integrales: mejora tus habilidades mediante la limpieza, manipulación, análisis y visualización de datos. 
6. Lectura de las preguntas más habituales en las entrevistas: preguntas sobre product sense, estadística, análisis, comportamiento y liderazgo. 
7. Simulacro de entrevista: practica una entrevista con un amigo, mejora tu vocabulario estático y adquiere confianza. 

Lee el blog Preparación de la entrevista de ciencia de datos para saber qué esperar y cómo abordar la entrevista.