Radar 回顾：与 Jay Feng 一起拿下数据科学面试

随着数据科学的发展成熟，数据岗位的技术面试愈发复杂。对于正寻找第一份数据相关工作的准数据科学家而言，技术面试往往是申请流程中最棘手、最具挑战性的环节。面试中，您不仅要展示技术功底，还要展现沟通与问题解决能力，以及在压力下思考的能力。

作为DataCamp Radar 大会的一部分，我们举办了一个与 Interview Query 首席执行官 Jay Feng 的专场，探讨如何在数据科学面试中脱颖而出。Interview Query 是一个远程数据科学面试备考平台，使命是帮助每位数据科学家在行业中找到工作。 

在本次专场中，Feng 细分了准入门与初级数据从业者在应聘数据科学岗位时需要了解的核心要点。本文为活动回顾与要点总结。

数据科学面试的不同类型

数据科学技术面之所以格外具有挑战性，其中一个原因在于可能遇到的面试形式非常多样。数据科学是一门复杂且要求严苛的学科，要求数据从业者掌握广泛领域与工具的知识与能力。由于技术面旨在考察这些技能，您可以根据目标岗位的要求与所选职业路径（见下一节），预期会遇到多种不同类型的面试。

据 Feng 表示，“大约有 10 到 15 类数据科学技能集”。面试问题可能涵盖使用 SQL 或 Python 进行数据处理、机器学习背后的统计与算法、以产品指标为中心的用例分析，以及与系统设计相关的问题（例如，如何从零开始构建一个新数据集）。 

与其他 IT 职位（如软件工程师）主要聚焦编码不同，数据科学的跨学科特性让面试官可以在不同领域向候选人发问。正如 Feng 指出，我们在技术面中遇到的问题“正是我们在实际工作中要做之事的基石”。 

数据科学中的典型职业路径

在寻找数据科学工作时，重要的是将精力投入到最符合您所长、且最有可能成功的岗位上。按所需能力来划分数据岗位的好处在于，“您可以将自己的技能与想要加入的职位对齐”。

数据科学中存在多条职业路径，而且数量还在增长，因为这一学科的迅速发展正催生更细分的角色。以下是 Jay 专场中提到的职位（非穷尽）：

• 数据分析师（Data Analyst）收集、分析并解读数据，以解决各类业务问题。为完成这些任务，他们会结合使用编程工具与统计方法。  

• 产品分析师（Product Analyst）与数据分析师相似，但主要聚焦衡量特定业务产品增长与健康度的指标。例如，在一款新应用上线后，产品分析师会关注用户如何与其交互，并跟踪日活用户、单用户会话次数等指标。

• 数据科学家（Data Scientist）与数据分析师的工作有诸多交集。但数据科学家通常需运用更先进的数据技术，如机器学习与深度学习，从海量结构化与非结构化数据中提炼洞见，并构建预测模型。 

• 机器学习工程师（Machine Learning Engineer）专注于构建、训练与部署能从数据中学习并做出决策的机器学习模型。Feng 表示，机器学习工程师的使命是“开发模型，将数据转化为产品”。

• 研究人员（Researcher）持续探索基础问题，扩展数据科学的理论知识体系。这是一条技术要求极高的路径，需要具备最深入的数学与机器学习理论素养。

• 应用研究人员（Field Researcher）负责为公司中的实际问题寻找解决方案。应用研究人员关注直接的商业结果，例如确保新的学习技术能够应用于真实世界的数据集。

如何准备数据科学面试 

据 Feng 总结，数据科学面试的准备过程可拆分为四个简单步骤：  

• 研究目标岗位。如前所述，您应聚焦于自己最感兴趣、且基于既有技能最有可能成功的岗位。因此，在投递简历前投入时间做调研总是值得的。

• 校准自身技能。如何判断自己的能力是否足以胜任？很多人会上网找面试题来自测。Feng 认为这并非好策略，因为这些题目通常只涉及简单的核心概念，真实面试中不太可能出现。“面试问题更像是一个案例研究，通常由问题陈述引入”。您应使用这类真实问题来检验自己的能力。

• 制定日常学习计划。要强化技能并提升拿到心仪工作的机会，贵在坚持。根据 Feng 所在公司 Interview Query 的调研，练习题目越多的用户，整体面试成功率越高。如何设计学习计划？用 Feng 的话说：“让解题变得容易起来，每天解一道题，并逐步练习更难的问题”。

• 获取面试反馈。最后，最好有人可以与您一起讨论面试作答，并给予反馈与建议。您可以把思路写下来并与导师或专家分享，但正如 Feng 强调的，获得反馈的最佳方式是与他们当面交流。 

如果您想进一步了解，您可以观看Jay 的完整专场。同时，不妨看看 Radar 的其他您可能感兴趣的专场。