Garfield
YZF Admin
Veri bilimi mülakatlarında genellikle istatistik ve olasılık, Python ve SQL, makine öğrenmesi, veri ön işleme, deney tasarımı, model değerlendirme, ürün veya iş problemi çözümü ve geçmiş projeleri açıklama becerisi ölçülür. Hazırlanırken yalnızca formül ezberlemek yerine bir problemi nasıl çerçevelediğinizi, hangi varsayımları yaptığınızı, sonucu nasıl doğruladığınızı ve teknik bulguyu teknik olmayan bir kişiye nasıl aktaracağınızı çalışın. Böylece hem teknik soruları yanıtlayabilir hem de çözüm yaklaşımınızı güvenilir biçimde savunabilirsiniz.
Her şirket aynı sırayı veya ağırlığı kullanmaz. Veri analisti, veri bilimci, makine öğrenmesi mühendisi ve araştırma odaklı rollerin beklentileri farklı olabilir; ancak aşağıdaki soru grupları çoğu veri bilimi mülakatının temelini oluşturur.
Tablodaki gruplar birbirinden tamamen bağımsız değildir. Örneğin bir vaka sorusunda önce iş hedefini tanımlamanız, sonra uygun veriyi ve metriği seçmeniz, en sonunda da model sonucunun gerçekten fayda sağlayıp sağlamadığını açıklamanız beklenebilir.
Bu bölümde ortalama, medyan, varyans, koşullu olasılık, Bayes yaklaşımı, örnekleme yanlılığı, hipotez testi, p-değeri, güven aralığı ve korelasyon-nedensellik ayrımı sorulabilir. Yanıt verirken yalnızca tanım vermeyin. Kavramın hangi durumda kullanılacağını ve hangi sonucu kanıtlamadığını da belirtin.
Örneğin, bir kampanyayı gören kullanıcıların satın alma oranı yüzde 8, görmeyenlerin oranı yüzde 6 olsun. Bu fark, kampanyanın satın almayı artırdığını tek başına kanıtlamaz; gruplar başlangıçta farklı olabilir veya başka bir değişken sonucu etkileyebilir. Daha güvenilir bir değerlendirme için rastgele atama, yeterli örneklem, önceden belirlenmiş metrik ve uygun bir A/B testi tasarımı tartışılmalıdır.
Kodlama sorularında beklenen yalnızca doğru sözdizimi değildir. Eksik verilerin neden oluştuğunu, aykırı değerlerin gerçek gözlem mi yoksa veri hatası mı olduğunu ve dönüşümün analiz sonucunu nasıl etkileyebileceğini açıklamanız beklenir.
SQL sorularında özellikle
Python sorularında veri çerçevesini filtreleme, gruplama, birleştirme, eksik değerleri inceleme ve basit fonksiyon yazma becerileri ölçülebilir. Kodlama sırasında çözümü küçük parçalara ayırın, varsayımlarınızı söyleyin ve mümkünse zaman ile bellek maliyetini kısaca değerlendirin.
Sorular; doğrusal ve lojistik regresyon, karar ağaçları, topluluk yöntemleri, kümeleme, özellik seçimi, düzenlileştirme, veri sızıntısı, aşırı öğrenme ve çapraz doğrulama çevresinde yoğunlaşabilir. Burada tek bir modeli her probleme önerme yaklaşımı zayıf kalır. Hedef değişkenin türü, veri miktarı, açıklanabilirlik ihtiyacı, gecikme sınırı ve hata maliyeti birlikte değerlendirilmelidir.
Sınıflandırma probleminde doğruluk, sınıflar dengesizse gerçeği gizleyebilir. Örneğin vakaların yalnızca yüzde 1 olduğu bir sahtekârlık probleminde her kaydı “sahtekârlık değil” diye tahmin eden model yüzde 99 doğruluk gösterebilir; fakat asıl sınıfı hiç yakalayamaz. Bu nedenle kesinlik, duyarlılık, F1 skoru, ROC-AUC veya PR-AUC arasından seçim yaparken iş hedefini ve yanlış pozitif-yanlış negatif maliyetlerini açıklayın.
“Satışlar düştü, nasıl araştırırsınız?” gibi açık uçlu bir soruda hemen model önermeyin. Önce düşüşün hangi dönem, ürün, müşteri grubu veya kanal için görüldüğünü netleştirin. Ardından veri kalitesini, olası açıklamaları, karşılaştırma grubunu ve ölçülecek başarı göstergesini belirleyin. Son olarak bulguların hangi karara dönüşeceğini söyleyin.
Geçmiş proje sorularında STAR düzeni işe yarar: durumu ve problemi açıklayın, üstlendiğiniz görevi belirtin, attığınız teknik ve iletişimsel adımları anlatın, sonucu ölçülebilir biçimde paylaşın. Sonuç olumlu değilse bunu saklamayın; hangi varsayımın yanlış çıktığını, neyi değiştirdiğinizi ve aynı durumda bugün neyi farklı yapacağınızı açıklayın.
İlanı inceledikten sonra her beceriyi temel, orta ve ileri düzey olarak ayırın. Temel düzeyde tanım ve basit uygulamayı; orta düzeyde seçim gerekçesini; ileri düzeyde ise hata analizi, ölçekleme ve iş etkisini çalışın. Ayrıca iki veya üç projenizi veri kaynağı, yöntem, metrik, sonuç, sınırlılık ve sonraki adım başlıklarıyla anlatabilecek şekilde hazırlayın.
Mülakatta bilmediğiniz bir soruda rastgele cevap vermek yerine bilinen kısmı, varsayımı ve doğrulama yolunu ayırın. İyi bir yanıt yalnızca sonuca değil, sonuca nasıl ulaştığınıza ve bu sonucun hangi koşullarda geçerli olduğuna dayanır.
En sık karşılaşılan soru türleri
Her şirket aynı sırayı veya ağırlığı kullanmaz. Veri analisti, veri bilimci, makine öğrenmesi mühendisi ve araştırma odaklı rollerin beklentileri farklı olabilir; ancak aşağıdaki soru grupları çoğu veri bilimi mülakatının temelini oluşturur.
| Soru türü | Ölçülen beceri | Örnek soru |
|---|---|---|
| İstatistik ve olasılık | Belirsizlik, dağılım, örnekleme ve çıkarım bilgisi | Güven aralığı ile tahmin aralığı arasındaki fark nedir? |
| Python ve veri işleme | Veriyi dönüştürme, eksik değerleri ele alma ve kod yazma | Bir veri kümesinde yinelenen kayıtları nasıl bulursunuz? |
| SQL | Filtreleme, birleştirme, gruplama ve sorgu mantığı | Her müşterinin son siparişini nasıl getirirsiniz? |
| Makine öğrenmesi | Model seçimi, varsayımlar ve genelleme | Aşırı öğrenmeyi nasıl fark eder ve azaltırsınız? |
| Model değerlendirme | Metrik seçimi ve sonuç yorumlama | Dengesiz sınıflarda doğruluk neden yanıltıcı olabilir? |
| Vaka veya ürün problemi | Belirsiz problemi yapılandırma ve iş etkisi kurma | Bir öneri sisteminin başarısını nasıl ölçersiniz? |
| Proje ve davranışsal sorular | İletişim, sahiplenme ve geçmiş deneyimi açıklama | Bir modeliniz beklenenden kötü sonuç verdiğinde ne yaptınız? |
İstatistik, olasılık ve deney tasarımı
Bu bölümde ortalama, medyan, varyans, koşullu olasılık, Bayes yaklaşımı, örnekleme yanlılığı, hipotez testi, p-değeri, güven aralığı ve korelasyon-nedensellik ayrımı sorulabilir. Yanıt verirken yalnızca tanım vermeyin. Kavramın hangi durumda kullanılacağını ve hangi sonucu kanıtlamadığını da belirtin.
Örneğin, bir kampanyayı gören kullanıcıların satın alma oranı yüzde 8, görmeyenlerin oranı yüzde 6 olsun. Bu fark, kampanyanın satın almayı artırdığını tek başına kanıtlamaz; gruplar başlangıçta farklı olabilir veya başka bir değişken sonucu etkileyebilir. Daha güvenilir bir değerlendirme için rastgele atama, yeterli örneklem, önceden belirlenmiş metrik ve uygun bir A/B testi tasarımı tartışılmalıdır.
Python, SQL ve veri ön işleme
Kodlama sorularında beklenen yalnızca doğru sözdizimi değildir. Eksik verilerin neden oluştuğunu, aykırı değerlerin gerçek gözlem mi yoksa veri hatası mı olduğunu ve dönüşümün analiz sonucunu nasıl etkileyebileceğini açıklamanız beklenir.
SQL sorularında özellikle
JOIN, GROUP BY, pencere fonksiyonları, NULL davranışı ve tarih işlemleri önemlidir. Bir sorguyu yazmadan önce tablolardaki anahtarların benzersiz olup olmadığını kontrol edin; yanlış bir birleştirme satırları çoğaltarak toplamları hatalı gösterebilir.Python sorularında veri çerçevesini filtreleme, gruplama, birleştirme, eksik değerleri inceleme ve basit fonksiyon yazma becerileri ölçülebilir. Kodlama sırasında çözümü küçük parçalara ayırın, varsayımlarınızı söyleyin ve mümkünse zaman ile bellek maliyetini kısaca değerlendirin.
Makine öğrenmesi ve model değerlendirme
Sorular; doğrusal ve lojistik regresyon, karar ağaçları, topluluk yöntemleri, kümeleme, özellik seçimi, düzenlileştirme, veri sızıntısı, aşırı öğrenme ve çapraz doğrulama çevresinde yoğunlaşabilir. Burada tek bir modeli her probleme önerme yaklaşımı zayıf kalır. Hedef değişkenin türü, veri miktarı, açıklanabilirlik ihtiyacı, gecikme sınırı ve hata maliyeti birlikte değerlendirilmelidir.
Sınıflandırma probleminde doğruluk, sınıflar dengesizse gerçeği gizleyebilir. Örneğin vakaların yalnızca yüzde 1 olduğu bir sahtekârlık probleminde her kaydı “sahtekârlık değil” diye tahmin eden model yüzde 99 doğruluk gösterebilir; fakat asıl sınıfı hiç yakalayamaz. Bu nedenle kesinlik, duyarlılık, F1 skoru, ROC-AUC veya PR-AUC arasından seçim yaparken iş hedefini ve yanlış pozitif-yanlış negatif maliyetlerini açıklayın.
Vaka, proje ve davranışsal sorulara yanıt verme
“Satışlar düştü, nasıl araştırırsınız?” gibi açık uçlu bir soruda hemen model önermeyin. Önce düşüşün hangi dönem, ürün, müşteri grubu veya kanal için görüldüğünü netleştirin. Ardından veri kalitesini, olası açıklamaları, karşılaştırma grubunu ve ölçülecek başarı göstergesini belirleyin. Son olarak bulguların hangi karara dönüşeceğini söyleyin.
Geçmiş proje sorularında STAR düzeni işe yarar: durumu ve problemi açıklayın, üstlendiğiniz görevi belirtin, attığınız teknik ve iletişimsel adımları anlatın, sonucu ölçülebilir biçimde paylaşın. Sonuç olumlu değilse bunu saklamayın; hangi varsayımın yanlış çıktığını, neyi değiştirdiğinizi ve aynı durumda bugün neyi farklı yapacağınızı açıklayın.
Hazırlığı nasıl önceliklendirmeli?
İlanı inceledikten sonra her beceriyi temel, orta ve ileri düzey olarak ayırın. Temel düzeyde tanım ve basit uygulamayı; orta düzeyde seçim gerekçesini; ileri düzeyde ise hata analizi, ölçekleme ve iş etkisini çalışın. Ayrıca iki veya üç projenizi veri kaynağı, yöntem, metrik, sonuç, sınırlılık ve sonraki adım başlıklarıyla anlatabilecek şekilde hazırlayın.
Mülakatta bilmediğiniz bir soruda rastgele cevap vermek yerine bilinen kısmı, varsayımı ve doğrulama yolunu ayırın. İyi bir yanıt yalnızca sonuca değil, sonuca nasıl ulaştığınıza ve bu sonucun hangi koşullarda geçerli olduğuna dayanır.
