Готовимся к собеседованию по Data Science. Делюсь своими знаниями из более чем 25-и собеседований - UPROGER

Взламываем собеседования по Data Science – Делюсь своими знаниями из более чем 25-и собеседований

Статья для помощи прохождения каких-либо собеседований в сфере Data Science, основанная на личном опыте.

Приветствую и благодарю вас за выделенное время на прочтение данной статьи. Компания Mu Sigma Inc. была моим работодателем с тех пор, как я начал свой путь в сферу Data Science более 3,5 лет назад. Я намеревался сменить работу с целью получения большего количества опыта в этой сфере. Вопреки тому, что у меня было более чем 10 предложений от ведущих аналитических команд / команд по разработке искусственного интеллекта, я присоединился к молодому стартапу, как специалист по обработке данных в сфере дистанционного зондирования Земли. Так же компания занимается разработкой геоинформационного AI.

Несмотря на большое количество статей о том, как подготовиться к собеседованиям по Data Science, я хочу поделиться своим опытом, уроками, которые я извлёк , и несколькими советами, которые я нахожу полезными. Создавая статью (которая включает чёткие фазы и этапы, чеклисты и рекомендации), которая сделает вашу подготовку и поиск работы лёгкими и эффективными, я пытаюсь написать статью, как можно понятнее, ведь большинство статей являются обычными списками с неясными темами и идеями. Любой IT-специалист или специалист по работе с данными, желающий поменять свою работу, сможет получить пользу от статьи.

Статья состоит из четырёх крупных блоков:

1) Оценка своих навыков

2)Привлечение внимания к себе

3)Учиться — переучиться — разучиться

4)Представления себя

Давайте начнём с детального исследования каждого блока.

Оценка своих навыков

Важно оценить ваш набор навыков и соответствовать ожиданиям рынка, прежде чем начать поиск работы в Data Science (или в любой другой сфере). Я хочу подчеркнуть некоторые неотъемлемые условия, которые должны соблюдаться, потому что я замечаю много людей, желающих найти работу в сфере Data Science. Я разделяю работу с самооценкой на 3 шага, такие как:

1. Резюмируйте свой практический опыт

2. Оцените себя и свой опыт

3. Определите цели

Как оценить наш опыт — В конце концов, вы приняли решение измениться, так что давайте посмотрим на то, что вы делали до этого и востребовано ли на рынке.

Вам следует уделить много внимания результатам ваших проектов, их навыкам и методам, которые вы использовали для их завершения.

Когда у вам появится навык оценки собственного опыта, оцените наборы навыков и определите, являются ли они актуальными на рынке труда.

Например, если бы я упомянул SQL (язык программирования) как навык, который был использован мной во время работы над data science проектом, мне нужно быоценить свой текущий навык владением Sql. Если быть честным, почти на всех собеседованиях я сталкивался с трудностями решения SQL-задач, даже не сумев понять некоторые из них из-за моего низкого уровня владенияв SQL.

Во время моей стажировки, я работал над многими проектами, которые были написаны на R (язык, основывающийся на статическом анализе), Rshiny (решение для интерактивной панели мониторинга), dplyr (подключаемая библиотека), но в наши дни эти технологии не актуальны. Вот почему важно иметь глубокое понимаение технологий, а не просто запоминать несколько строчек кода.

Здесь мне бы хотелось напомнить: «когда вы готовитесь к собеседованию по Data Science, особенно на высокие должности, вам следует дважды проверять, достаточно ли у вас опыта в анализе данных, Машинном обучении и deep learning». Возможно, вы сможете пройти собеседования легко, но когда вы начнёте работать , вы можете не справитьчя!

В результате, реальная самооценка позволит вам определить какие навыки прокачать освоить с нуля !… Теперь, когда у вас есть полное понимание ваших способностей, вы можете решить, что реально и достижимо для вас.

Большинство Data Science собеседований, которые я проходил, состояли из 4+ этапов, при это минимум 2-3 этапа оценивали технические навыки, в частности по фундаментальным основам DS. В некоторых собеседованиях уже на первом этапе присутствовал руководитель, который оценивал качество моих знаний.

Привлечение внимания к себе

В конце первого этапа вы уверенно можете почувствовать, что вас могут нанять. Дальнейшие три этапа имеют важнейшее значения для найма и могут поколебать ваше рушимость, чтобы результаты вашей подготовки к собеседованию стали более заметными, вы должны сделать себя заметнее для работодателей.

Резюме

1. Вам понадобится подробное резюме. Вы можете создать резюме, которое позволит работодателям найти вас на любой доске объявлений с вакансиями.

2. Я рекомендую вам пользоваться одним из следующих сайтов для создания резюме, которые изящны и легки в использовании: ResumePuppy, Later Resume, Overleaf.

3. Когда вы создадите резюме, не ограничивайте его одной страницей. Постарайтесь включить туда больше информации о себе и том, как вы решали конкретные задачи, практические кейсы больше всего привлекают работадателя.

4. Вы можете включить туда фриланс, сторонние проекты, соревнования по анализу данных или полученные вами знания.

Доски с объявлениями о работе

1. Когда ваше резюме будет готово, вы сможете опубликовать его на «HH» и разместить на «InstaHyre», что эффективно с точки зрения рабочих офферов.

2. Регулярное обновления вашего профиля поможет вам получать больше звонков с приглашениями на собеседования.

3. Публикуйте ваше резюме в тематических телеграм чатах. @datascienceml_jobs – канал с вакансиями data science и machine learning

@datascienceml_jobs – крупный ds чат для бесплатного поиска вакансий и публикацию резюме.

Linkedin

1. Функция «открыт для работы» позволит разместить ваш профиль в верхней части результатов поиска работодателей на Linkedin.

2. Это также проинформирует вашу сеть о том, что вы хотите поменять работу. Данный фактор поможет вам в получении рекомендаций.

Учиться — переучиться — разучиться

Это наиболее важная часть поиска работы . Предыдущие шаги подготовили вас к этому, третий этап требует серьёзной работы, чтобы получить наилучшую работу.

Как говорилось ранее, Data Science собеседования проходят в 4-6 этапов в дополнении к беседе с персоналом. Эти 4-6 этапов можно разделить на несколько категорий.

1. Личное / групповое устное собеседование по технической теме

2. Тематические бизнес-исследования

3. Этапы оценки личностных качеств

Чтобы «покорить» эти этапы, можно воспользоваться методикой «учиться – переучиваться — разучиваться».

Готовься к тех части: Вам следует пройтись по всем основным алгоритмам сферы Data Science, чтобы разобраться со всеми вопросами и алгоритмами, даже если вы не применяли их в собственных проектах.

Заново получите некоторые знания: Несмотря на то, что вы уже использовали множество алгоритмов, знаете много полезной информации и закончили некоторые проекты, ваш плотный график мог помешать вам тщательно изучить все современные технологии машинного обучения. Выпишите все алгоритмы, встречающиеся в вашем резюме и будьте готовы объяснить как работает каждый из них. Заново узнайте о том, что же такое XGBoost, даже если уже имели с этим дело ранее. Как с его помощью обрабатывается недостающие значения? Когда следует избегать использование SMOTE? И так далее…

Актуализируйте свои знания : Всегда будьте уверены в том, что ваши знания могут быть неполными. Например, было написано множество новых статей о переобучении, работе с несбалансированными наборами данных.Каждый день выходит сотни новых статей, все изучить невозможно, подпишитесь на актуальные мл ресурсы , следите за информацией.

Представление себя

После завершения вашей технической подготовки, вам следует сконцентрироваться на оттачивании навыков представления самого себя, чтобы быть успешным во время собеседований «лицом к лицу» с работодателем. Несколько советов, которые могут помочь вам:

1. Подробное описание вашего опыта работы может помочь вашему работодателю выбрать то, как лучше с вами работать.

2. Дайте себе больше информации о том КАК, а не о том, ЧТО могло бы улучшить ваш авторитет и уверенность в себе.

3. Наличие чёткого понимания ваших задач и целей, вероятно, может помочь вам понять, понравится или нет вам эта должность.

4. Вместо того, чтобы выбирать работу основываясь на сумме заработной платы, изучите возможные перспективы (возможности роста и обучения).

5. Например, если вам необходимо разработать конвейер для Машинного обучения, продемонстрируйте, как структурно вы можете подойти к проблемам, перечисляя и проверяя гипотезы, применяя их при выборе функций.

Бонусом прикреаляю список из лучших репозитории GitHub для подготовки в собеседованию по дата саенс