Как пройти собеседование по анализу данных: 101+ вопросов и решений по анализу данных на русском
#1105520
Cracking the Data Science Interview: 101+ Data Science Questions & Solutions (B082T29SQB)
Купить и скачать электронную книгу в форматах PDF, EPUB, FB2, MOBI
Maverick Lin | #164: Анализ данных
«Cracking the Data Science Interview» — первая книга, которая пытается в сжатой, лаконичной и понятной форме передать суть науки о данных. В стиле «Cracking the Coding Interview» книга сначала знакомит с соответствующими понятиями, а затем предлагает серию вопросов для собеседования, которые помогут вам закрепить понимание и подготовиться к следующему собеседованию.
В число тем входят:
• Необходимые предварительные знания (статистика, теория вероятностей, линейная алгебра и информатика)
• 18 важнейших идей в науке о данных (таких как принцип Оккама, переобучение, компромисс между смещением и дисперсией, облачные вычисления и проклятие размерности)
• Подготовка данных (исследовательский анализ данных, разработка признаков, очистка и визуализация данных)
• Модели машинного обучения (такие как k -NN, случайные леса, бустинг, нейронные сети, кластеризация k -средних, PCA и другие)
• Обучение с подкреплением (Q-обучение и глубокое Q-обучение)
• Инструменты, не связанные с машинным обучением (теория графов, ARIMA, линейное программирование)
• Примеры успешных проектов (рассмотрение того, что означает наука о данных в таких компаниях, как Amazon и Uber)
Маверик имеет степень бакалавра в области исследования операций и информационного инжиниринга (ORIE) от инженерного факультета Корнельского университета, а также дополнительную специальность в области компьютерных наук. Он является автором популярных справочников Data Science Cheatsheet и Data Engineering Cheatsheet по GCP и имеет опыт работы в сфере консалтинга по анализу данных в компании из списка Fortune 500, специализируясь на анализе мошенничества.
В число тем входят:
• Необходимые предварительные знания (статистика, теория вероятностей, линейная алгебра и информатика)
• 18 важнейших идей в науке о данных (таких как принцип Оккама, переобучение, компромисс между смещением и дисперсией, облачные вычисления и проклятие размерности)
• Подготовка данных (исследовательский анализ данных, разработка признаков, очистка и визуализация данных)
• Модели машинного обучения (такие как k -NN, случайные леса, бустинг, нейронные сети, кластеризация k -средних, PCA и другие)
• Обучение с подкреплением (Q-обучение и глубокое Q-обучение)
• Инструменты, не связанные с машинным обучением (теория графов, ARIMA, линейное программирование)
• Примеры успешных проектов (рассмотрение того, что означает наука о данных в таких компаниях, как Amazon и Uber)
Маверик имеет степень бакалавра в области исследования операций и информационного инжиниринга (ORIE) от инженерного факультета Корнельского университета, а также дополнительную специальность в области компьютерных наук. Он является автором популярных справочников Data Science Cheatsheet и Data Engineering Cheatsheet по GCP и имеет опыт работы в сфере консалтинга по анализу данных в компании из списка Fortune 500, специализируясь на анализе мошенничества.