相同点与不同点
面试过程
接下来你会看到,数据科学家和数据分析师的面试是一个相似的过程。不过,虽然他们的过程可能相似,但细节却大有不同,这点我会在后文提到。以下是面试过程中的一些共性:
相同点:
招聘人员的电话初选——与招聘人员间的通话
招聘经理的筛选——与未来招聘经理的通话
专业概念面试——与职位专业人员面试(团队中的另一位数据科学家或数据分析师)
专业性编程面试——与职位专业人员面试(团队中的另一位数据科学家和数据分析师)
领导面试——向非技术用户解释结果
招聘经理的最终面试——总结自己为什么适合该职位
常用工具:SQL,Tableau和Jira(票务平台)
不同点:
虽然过程上大致相同,但在这两个职位在专业面试的方面还是有很大区别。
专业概念面试
数据科学:
常见的机器学习算法,比如随机森林(random forest)和逻辑回归(logistic regression)。
常见的机器学习和数据科学,比如无监督学习和有监督学习。
数据分析:
join之间的区别,如内连接(inner)、外连接(outer)、左连接(left)和右(right)连接
子查询(Sub-queries)
索引编制(Indexing)
通过...分组(Group by)
Where子句(Where clauses)
专业编程面试
数据科学:
使用Python进行编程(循环for loops,数组arrays和函数functions)
用R进行编程
在Jupyter Notebook中编程并注释代码
有时候,不一定会是编程面试,也可能是一项take-home项目,需要后续合并数据,探索性分析和清理数据,构建模型,输出并对结果进行解释。
数据分析:
SQL查询
Tableau(不是编程相关,而是一种特殊技能,需要了解常用界面中的常见函数和计算)
领导力面试
数据科学:向非技术用户解释模型及预测
数据分析:向非技术用户解释查询及结果
总结
你可以发现,这些职位和他们面试过程间出现的相似之处可能比你想象的多。其实,很多相似之处都来自整体面试的过程,以及一些常见的工具,如SQL。其他相似之处是开发新项目、会见不同的利益相关者所需要了解的软技能。
毫无疑问,职位间的专业性之间是存在关键差异的。比如数据分析师会使用Tableau进行更为复杂的SQL查询和报告,而对于数据科学家而言,会重点关注例如决策树(decisions trees)和时间序列(times series)之类的常用机器学习算法,还会使用Python编写一些典型的函数以及用于将来职位的循环(for loops)。