Вопросы на собеседовании специалиста по Data Science

Как отвечать: Свяжите мотивацию с интересом к поиску закономерностей и влиянию на решения через данные; подкрепите конкретным проектом, который подтверждает выбор.

Как отвечать: Покажите изученность продукта и данных компании, соедините с вашим опытом в похожей предметной области и назовите задачи, где сможете дать эффект быстрее всего.

Как отвечать: Разведите цену ложноположительных и ложноотрицательных ошибок; приведите примеры: антифрод и медицинская диагностика — и покажите, что выбор метрики диктует бизнес.

Как отвечать: Объясните метрику через ранжирование; скажите, что при доле позитивного класса в доли процента ROC-AUC обманчиво оптимистичен, и назовите альтернативу — PR-AUC.

Как отвечать: Назовите симптом: разрыв качества на обучении и валидации; перечислите приёмы: регуляризация, больше данных, упрощение модели, кросс-валидация, ранняя остановка.

Как отвечать: Объясните на пальцах: простая модель недообучается, сложная запоминает шум; свяжите с выбором сложности модели и регуляризацией на практике.

Как отвечать: Покажите цепочку: бизнес-цель, цена ошибок каждого типа, метрика; подчеркните, что сначала договариваетесь о метрике с заказчиком, а не подгоняете её под результат.

Как отвечать: Объясните k-fold и стратификацию; отдельно упомяните временной ряд — там нужна валидация «из прошлого в будущее», а не случайное разбиение.

Как отвечать: Назовите isnull, fillna со стратегиями, dropna, duplicated и drop_duplicates; важнее объяснить, как выбираете стратегию заполнения — по смыслу признака, а не «средним всегда».

Как отвечать: Расскажите про агрегаты по окнам, производные признаки из дат и текста, взаимодействия признаков; подчеркните, что хорошие признаки рождаются из понимания предметной области.

Как отвечать: Сравните one-hot для низкой кардинальности, target encoding с риском утечки, embeddings; обязательно упомяните, что target encoding требует аккуратной валидации.

Как отвечать: Назовите признаки из будущего, таргет, замаскированный под обычное поле, статистики, посчитанные по всей выборке до разбиения; объясните, почему это даёт ложно высокое качество.

Как отвечать: Назовите выборки с JOIN и GROUP BY, оконные функции для агрегатов по пользователю, CTE для читаемости; покажите, что самостоятельно добываете данные для анализа.

Как отвечать: Опишите подход от простого к сложному: бейзлайн и простые модели как ориентир, градиентный бустинг для табличных данных, нейросети при больших данных; критерий — прирост качества к цене внедрения.

Как отвечать: Пройдите по шагам: гипотеза и первичная метрика, расчёт выборки из MDE и мощности, рандомизация, фиксация срока заранее; предупредите о подглядывании в результаты.

Как отвечать: Сформулируйте: вероятность получить такой или более сильный эффект при отсутствии реального; подчеркните, что значимость не равна практической важности, и упомяните доверительные интервалы.

Как отвечать: Разведите изменение распределения входных признаков и изменение связи признаков с целевой переменной; назовите мониторинг распределений, PSI и качества на свежих данных.

Как отвечать: Перечислите слои: технические метрики сервиса, распределения входных данных и предсказаний, отложенное качество на размеченных данных, алерты; подчеркните, что модель без мониторинга — не продукт.

Как отвечать: Опишите конвейер: расписание или триггер по дрейфу, валидация кандидата против текущей модели, теневой режим, канареечный раскат и быстрый откат на предыдущую версию.

Как отвечать: Назовите feature importance и SHAP для локальных объяснений, примеры на понятных заказчику кейсах; подчеркните перевод с языка модели на язык решений и денег.

Как отвечать: Покажите сквозное мышление: определение оттока и горизонта, целевая переменная, данные и признаки, метрика и бейзлайн, пилот, интеграция предсказаний в процессы и измерение бизнес-эффекта.

Как отвечать: Разведите статистическую значимость и ожидания: эффект реален, но мал; обсудите доверительный интервал, практическую ценность в деньгах и решение — раскатывать или искать более сильную гипотезу.

Как отвечать: Опишите последовательность: проверка качества данных и пайплайна, анализ дрейфа признаков и концепции, сравнение сегментов, решение — переобучение, новые признаки или пересмотр постановки.

Как отвечать: Честно разберите причину: данные, постановка, отсутствие бизнес-процесса под модель; покажите, что сообщили о проблеме рано и предложили альтернативу, а не тянули до дедлайна.

Как отвечать: Покажите перевод в термины рисков и денег, работу с ожиданиями («модель не предскажет то, чего нет в данных») и договорённости о метриках успеха до старта работ.