หัวข้อออกสอบ Data Scientist

ครั้งแรกที่แอดสัมภาษณ์งาน ก็นานมาแล้ว 🍭
สมัยก่อนอาจจะไม่ได้มีการสัมโหดเท่าสมัยนี้
ดังนั้น เมื่อเวลาผ่านไปเรามาดูกันดีกว่า
ว่ามีสิ่งใดบ้างที่เราควรเก็บค่าประสบการณ์
ก่อนการสัมภาษณ์ในครั้งหน้าที่จะถึง

🐣 เริ่มต้นกันที่ ทฤษฎี ก่อนเลย

🍣 1 Part ของสถิติ

1. จงบอกความแตกต่างของ Population และ Sample
2. อะไรคือ Hypothesis Testing
3. P-value คืออะไร ไว้วัดอะไร
4. อะไรคือความแตกต่างของ Type I และ Type II Error
5. จะเกิดอะไรขึ้นถ้าตัวแปร X และ Y เป็นอิสระต่อกัน (Independent)
6. อะไรคือ Central Limit Theorem
7. อธิบายความแตกต่างของ Correlation และ Covariance
8. อะไรคือ Law of Large number
9. เรามีวิธีจัดการ Outlier ได้อย่างไร
10. เรามีวิธีจัดการ Missing Value ได้อย่างไร

ตอบถูกกันกี่ข้อเอ่ยยยยยย
ขอไหนตอบไม่ได้จดไว้แล้วไปหาคำตอบต่อได้เลยนะ เอออ
อย่าปล่อยเลยไป 😉

⭐ 2 Part Machine Learning

1. อะไรคือความแตกต่างระหว่าง Supervised และ Unsupervised Learning
2. อะไรคือ Confusion Matrix อธิบายออกมา
3. อธิบายถึงการวัด Accuracy, Precision, Recall และ F1-Score
4. อะไรคือความแตกต่างระหว่าง Decision Tree และ Random Forest
5. Random Forest มีการสร้างต้นไม้ใหม่อย่างไร
6. ยกตัวอย่างการนำ Logistic Regression ไปใช้ใน Business 2 เคส
7. อะไรคือ Bias-variance trade-off แล้วมีวิธีแก้อย่างไร
8. มีวิธีแก้ Overfitting อย่างไร
9. LightGBM ต่างกันกับ Random Forest อย่างไร
10. อะไรคือ Bagging และ Boosting Algorithms ต่างกันอย่างไร

📸 3 Part Deep Learning

1. Deep Learning มีการทำงานอย่างไร
2. ทำไม Deep Learning ถึงเป็นที่นิยม
3. ข้อจำกัดของ Deep Leaning มีอะไรบ้าง
4. อธิบายวิธีคำนวณ Backpropagation
5. อธิบายการทำงานของ Gradient Decent
6. การเลือก Optimizer ที่ต่างกันส่งผลอย่างไรบ้างต่อ Model
7. Batch Normalization คืออะไร
8. อะไรคือ Regularization
9. วิธีในการเลือก Parameter ที่เหมาะสมสำหรับ Model
10. อธิบาย Grid Search แตกต่างจาก Random Search อย่างไร

❄ 4 Part Technology ที่ใช้

1. SQL, Python กับการนำไปใช้งาน
2. การใช้งาน Git
3. อะไรคือ Docker และการใช้งาน
4. อะไรคือ Orchrestration Tools ยกตัวอย่างและการใช้งาน
5. อะไรคือ API
6. การใช้งาน Cloud ในงาน DS Projects

🥋 5 Part Use case

1. อธิบายการ Implement Recommendation System และการวัดผล
2. A/B Testing คืออะไร และการวัดผล
3. ให้โจทย์ Business ไปแล้ว อธิบายการ Implement เลย

Part นี้ค่อนข้าง Applied
ดังนั้นต้องพยายามอ่าน Use case เยอะๆ
ทั้งด้าน Architecture และการวัดผลแต่ละงาน

🐣 ต่อมาก็ Coding กันจริงๆละ

ก็จะเจอคำถามเช่น SQL และ Python เป็นหลัก
บางที่อาจจะเจอแค่ Python
บางที่ก็เจอทั้งสองเลย
ทั้งนี้บางที่ก็อาจจะให้ Test กลับไปทำ
หรือบางที่ก็ Live Coding กันสดๆไปเลย
เขียนต่อหน้ากันเลย (อันนี้แอดเคยเจอมา 😱)
แต่ส่วนใหญ่จะเป็น Test Coding บนเวปไซต์นะ

😎 คำเตือนก่อนการสัมภาษณ์

🟢 แต่ละบริษัทมีการถามที่ไม่เหมือนกัน
🟢 แม้บางครั้งจ้างเราไปเป็น DS แต่งานทำเป็น ตำแหน่งอื่นก็มี ดังนั้นคำถามจึงอาจจะเกินขอบเขตได้
🟢 ขนาดของบริษัทก็มีผลกับคำถาม
🟢 บริษัทที่สัมนั้นเป็น Business จ๋าาไหม หรือเข้าไปทำ Product ด้าน AI !? ก็ต่างกันละเรื่องคำถาม
🟢 เราเข้าไปในระดับไหน Junior, Senior, หรือ Lead แต่ละระดับก็มีคำถามแตกต่างกันไปอีก
🟢 ในความเป็นจริงเราอาจจะเจอคำถามมากกว่านี้ได้ หรืออาจจะไม่เจอคำถามเลยก็ได้เช่นเดียวกัน !
🟢 DS บางตำแหน่งเน้นไปยังเฉพาะด้าน เช่น NLP, Computer Vision, IoT และอื่นๆ ดังนั้นอาจจะเจอคำถามที่ลึกกว่านี้
🟢 บางที่ก็อยากเห็นแนวคิดทาง Business เรา ก็จะให้ dataset มาแล้วส่ง Code และผลนำเสนอไปให้เขา
🟢 ถ้าเจอคำถามที่ไม่รู้จริงๆ อย่าแถ อันตรายมาก
🟢 ถ้าพอจะจำคำตอบได้แต่ไม่แน่ใจ ค่อยๆอธิบาย และบอกตามความเป็นจริงที่เข้าใจ

ถึงตรงนี้แล้วอย่าพึ่งดีใจกับคะแนนที่มาก
หรือเสียใจว่าตอบไม่ได้เลย
ให้ลองจดในสิ่งที่ทำไม่ได้ และค้นหาเพิ่มเติม
ส่วนคนที่ทำได้ ก็อาจจะไปเจอคำถามอื่นก็ได้ ใครจะรู้
และ Data Scientist ก็มีคำถามที่หลากหลายมาก
ดังนั้น การเตรียมพร้อมพื้นฐานที่ดีสำคัญมากๆ
แอดเองก็ตอบไม่ได้ครบทุกข้อนะเออ
ข้อไหนไม่รู้ ก็แค่ไปหาเพิ่มเอง
สมัยนี้มีความรู้เยอะแยะเลยนะเอออ

แอดเป็นกำลังใจให้เพื่อนๆทุกคนที่เตรียมสัมภาษณ์นะครัช
ขอให้ได้งานใหม่สมใจหมายทุกคนคร้าบบบบ ⭐😉