数据科学面试的take home test , data science challenge 大家都是怎么解决的？

我是cs 专业，工作后，先是码农，后来转了Data Science , machine learning 的职位。已经工作了许多年。

在过去的几年里，我每隔两年就申请一次data science 的职位，一开始，公司并不需要做take home exam,  data science challenge 后来慢慢的几乎每次面试都有take home exam,  data science challenge, 而且越来越难，问一下，大家都是怎么解决这些问题的？有些问题比较tricky, 难。

多谢！

查找一切能查到的资料。。目前就收到两个data challenge 意外的都过了

mark and looking forward to others' answers

根据我做challenge的经验来看，一般看中几点：
1. 是否有分析问题的能力。基本的EDA, 数据cleaning.
2. 是否有搜索可用数据的能力。从网上其他地方找可用数据加强模型效果
3. 代码可读性， 模块性，整个proj的结构是否合理，doc是否全面，docstring是否清晰。我会在python proj里面包括 setup.py, requirements.txt, README.md, CLI script。如果只提供一两个script.py可能会扣分。我个人不喜欢用notebook。
4. 模型结果的分析和拓展，包括可视化。选择模型不需要高大上，够用就行，也不需要搞多种模型。给出自己的理由就行。
我会从做过的kaggle proj里面贴大段的代码来加快速度。

staftermath 发表于 2018-5-28 13:25
根据我做challenge的经验来看，一般看中几点：
1. 是否有分析问题的能力。基本的EDA, 数据cleaning.
2.  ...

我看到的data challenge 都比你说的这些难，不止这些。为什么？

补充内容 (2018-5-30 05:25):
多谢回复。

chadmong 发表于 2018-5-30 05:25
我看到的data challenge 都比你说的这些难，不止这些。为什么？

补充内容 (2018-5-30 05:25):

能举个例子吗？

staftermath 发表于 2018-5-30 08:19
能举个例子吗？

有几个例子，
１.EDA 我看到的EDA 有些很难，有些tricks ，解答不是很 straightforward. 有一个没想出来.
3. 代码可读性，你都建python package.
4. 模型结果。我看到有些题目很难，要上网查paper才做的出。

我还看到有些题目让证明研究算法这些, 都没有明显答案。

多谢解释。
我个人感觉data challenge都是开放性问题，并不是说你没答出来哪一个就不行。
而且我从来没收到过HM对我做的东西的评估，所以只能根据通过不通过来自己猜测了。

1.你说的EDA有些很难，我猜测一下是有人提供了一个非常有新意的角度？大概是那种加分但是不必须的内容吧？
3.没太明白你的意思。是说写python package不够易懂？
4.这种题目期望做到跟paper一样那不是坑爹么……非常好奇什么正经公司会这样浪费人的时间。

证明研究算法的data challenge没见过不好回答。

staftermath 发表于 2018-6-1 06:51
多谢解释。
我个人感觉data challenge都是开放性问题，并不是说你没答出来哪一个就不行。
而且我从来没收 ...

1. EDA 确实有些比较难。我遇到一题，至今没有找出答案。你说他们是开放性的，我觉得还好。有的还是有正确答案的吧。得能看出来tricks在哪.
3. 我是说你都写python package, 不错。还挺organized .
4. 我遇到一些是要用到某些paper 的，方法还比较新，这就得会google. google 也要用得巧，找到paper.
证明题有数学 machine learning 证明题，也有证明算法的，都还比较难。