文章目录
- 前言
- 1.常见的数据分析师的面试问题
- 1.1 基础知识考查
- **1.1.1概率论与数理统计:**
- (1)用简洁的话语简述**随机变量**的含义。
- (2) 随机变量和随机试验间有什么关系
- (3) 划分连续型随机变量和离散型随机变量的依据。
- (4)变量独立和不相关的区别
- (5) 常见分布的分布函数/概率密度函数，以及分布的特性，如指数分布的无记忆性。:smile:
- (6) 协方差和相关系数的区别
- (7) 随机变量常用特征的解释（期望，方差等）。
- (8) 中位数是否等于期望。
- (9) 常见分布的期望和方差是什么？
- (10)如何给没有学过统计学的人解释正态分布。
- (11) 列举常用的大数定律及其区别。
- (12) 简述中心极限定理。
- (13) 简单简述假设检验的原理。
- (14) 简述假设检验的两类错误。
- (15) 如何平衡这两类错误？
- (16) 简述假设检验中的p-value、显著性水平、置信度、检验效能。
- [(17) 分别解释z检验和t检验](https://zhuanlan.zhihu.com/p/49468324)
- (18) 贝叶斯派统计和频率派统计的区别
- [(19) 贝叶斯定理和全概率公式的应用](https://zhuanlan.zhihu.com/p/78297343)
- [(20) 用贝叶斯定理解释”三门问题“。](https://www.zhihu.com/question/26709273/answer/215247275)
- 1.1.2 数据挖掘：
- （1）数据集的划分方式，以及各种数据集的作用。
- （2）简述欠拟合和过拟合，并解释产生的原因以及解决方案。
- （3）选择更加复杂的模型进行调参是否能有更好的结果？
- （4）常用的模型分类方法，以及其中重要的模型（监督/非监督、参数/非参数等）有哪些。
- （5）阐述参数模型和非参数模型的区别及各自优缺点。
- （6）简单介绍生产模型和判别模型的概念。
- （7）模型中参数和超参数的区别。
- (8) 常见的模型介绍
- 1.线性回归模型
- Q_1：在线性回归模型中对随机误差做出的假设有哪些？
- Q_2：线性回归模型有哪些常用的提升效果的方法？
- Q_3：简述线性回归模型的优缺点。
- 2.逻辑回归模型
- Q_1：逻辑回归模型与线性回归模型的区别是什么？:smile:
- Q_2：在逻辑回归模型中常用的L1与L2方法的区别在哪里？
- Q_3：简述逻辑回归模型的优缺点。:smiling_imp:
- 3.决策树模型
- Q_1：如何确定每一个节点选择什么特征，其常用方法及各自特点是什么？
- Q_3：简述ID3和C4.5方法的异同点。
- Q_4：简述决策树模型的优缺点。
- 4.随机森林
- Q_1：强学习器和弱学习器的定义以及划分的依据是什么？:smiley:
- Q_2：解释模型集成和模型融合的概念，并举出相应的例子。
- Q_3：解释随机森林的基本原理。
- Q_4：相比于决策树模型，随机森林模型为何能实现更好的效果？
- 5.Boosting模型
- Q_1：阐述随机森林模型与Boosting模型之间的区别。
- Q_2：常见的基于决策树模型的Boosting方法及各自原理是什么？
- Q_3：简述随机森林模型和GBDT模型的优缺点。
- 6.XGBoost模型
- Q_1：简述XGBoost基于GBDT模型优化的原因。
- Q_2：简述XGBoost的并行操作。
- (9) 模型效果评估方法
- Q_1：对于预测问题常用的评估方法有哪些？
- Q_2：对于二分类问题常用的评估方法有哪些？
- Q_3：解释准确率和召回率。
- Q_4：简要解释正确率，并阐述正确率与准确率的区别。
- Q_5：用简洁的语言或者举例解释准确率和召回率。
- Q_6：简单介绍ROC与AUC的概念及相互之间的关联。
- Q_7：多分类问题的评估方法有哪些？
- 1.2 编程能力考查:smile:
- 1.3 实战项目考查
- 第5章 数据分析师实战技能
- 5.1 数据分析师工作必备技能
- 5.1.1 数据人员如何创造价值
- 5.1.2 完整的指标体系构建
- Q_1：要构建一套指标体系，整体思路是什么？
- Q_2：用户行为的核心节点有哪些？如何有针对性地设计指标？
- Q_4：对于活跃用户，应该如何进行相应的指标设计及路径分析？
- Q_5：有了明确的用户行为路径及相关指标后，如何进一步分析？
- Q_6：针对时间维度的分析，需要注意的点有哪些？
- Q_7：列举常用的用户维度拓展方法。
- Q_8：×××最近有所下降，如何进行分析？
- 5.1.3 数据监控集报表设计
- Q_1：现在需要监控数据并设计相应的报表，应该考虑哪些问题？
- Q_2：如何避免在报表中简单地罗列数字，提高信息量？
- Q_3：常用的报表输出方式有哪些？
- Q_4：针对不同的人群，如何设计相应的报表？:dog2:
- 5.1.4 设计一份优质的数据分析报告
- Q_1：如何提高数据分析报告的质量？
- 5.2 基于互联网大数据的应用
- 5.2.1 A B 测试
- Q_1：简述AB测试。
- Q_2：介绍常用的AB测试的分组方法。
- Q_3：面对多个试验并行的情况，如何保证分组的合理性？
- Q_4：如何充分证明AB测试分组的随机性？
- Q_5：简述AB测试背后的理论支撑。
- Q_6：如何通过AB测试证明新版本用户的转化率高于老版本用户的转化率？
- Q_7：当\bar x \ >\bar y \ 时，在什么条件下可以推翻原假设？
- Q_8：为了规避第二类错误，样本量要达到什么程度？
- 5.2.2 用户画像
- Q_1：用户画像的数据源有哪些？
- Q_2 ：获取到用户画像数据后，如何加工呢？
- Q_3：如何利用标签池中的数据，根据用户画像进行相应的分析？
- 5.2.3 完整的数据挖掘项目流程
- Q_1：在建模之前，需要从哪些方面分析可行性？
- Q_2：常见的变量分类方法有哪些？
- Q_3：在数据挖掘项目中特征工程包括哪些方面？
- Q_4：在模型上线前以及上线后，都需要做哪些工作？
- Q_4：在模型上线前以及上线后，都需要做哪些工作？
- 参考
前言
md格式导入图片会失败
这里可以GitHub查看完整版的(有图片,清晰明了)
GitHub链接 可以给星或这里的赞
1.常见的数据分析师的面试问题
1.1 基础知识考查
1.1.1概率论与数理统计:
(1)用简洁的话语简述随机变量的含义。
随机变量就是一个随机的数，它是对任何的“随机的东西”做的量化。
(2) 随机变量和随机试验间有什么关系
- **随机试验：**相同条件下对某随机现象进行的大量重复观测的试验，如掷硬币100次统计正面朝上的次数
- **随机变量：**是用来描述随机试验结果的。
(3) 划分连续型随机变量和离散型随机变量的依据。
- **离散型随机变量：**随机变量X能被一一列举出来，如一批产品中次品的数量，某地区人口的出生数等。
- **连续型随机变量：**随机变量X不能被一一列举出来，如一批电子元器件的寿命，身高、体重等。
在于所描述的随机试验所有可能的结果数量是否可数
(4)变量独立和不相关的区别
若X和Y不相关，通常认为X和Y之间是没有线性关系，但不排除没有其他关系
若X和Y独立，是没有关系，互不干扰
因此，“不相关”是一个比“独立”要弱的概念