Entretien de Data Scientist

1. Technical questions about clustering algorithm:

(hd scan) .Demo on seaborn and home task to
prepare Part on metrics to evaluate classifier .

2. Name three clustering algorithms? Describe this

dataset What metrics to analyze classifier?

3. Questions d'entretien
4. Quelle est votre parcours scolaires ?
5. Quelle est votre parcours professionnel ?
6. Que faites vous en dehors de votre activité
7. professionnel ?
8. Pourquoi avoir postuler Chez nous ?
9. Qu est ce qu un bon programme informatique ?
10. 1. coding round
11. 2. coding evaluations
12. Questions d'entretien
13. 1. Batchnorm and its use what happend in
forward and backward pass
14. 2. Kl divergence use and application
15. 3. training process in case of low accuracy
16. 4. definition of convolution operation
17. 5. working regularisation methods
18. Questions d'entretien
19. - Description algorithmique
20. - Exemple de code
21. Questions d'entretien
22. -Quel est le projet dont vous êtes le plus fier
23. Quel est le rôle d’un Data Scientist ?
24. Définissez la Data Science
25. Quelle est la différence entre la Data Science
et le Big Data?
26. Énumérez les principales composantes d’un
projet de Data Science.
27. Que signifie la régression logique dans la Data
Science?
28. Nommez trois types de biais qui peuvent se
produire pendant l’échantillonnage
29. A quoi sert l’algorithme de l’arbre de décision?
30. Que signifie la probabilité antérieure et la
vraisemblance?
31. Quels sont les systèm. Nommez trois
inconvénients du modèle linéaire
32. es de recommandation?
33. Listez les librairies Python les plus utilisés dans
la Data Science
34. Que signifie l’analyse de puissance?
35. Expliquez le filtrage coopératif ou
Collaborative filtering
36. Que signifie un biais?
37. Que signifie Naive dans l’algorithme Naive
Bayes?
38. Définissez la régression linéaire.
39. Quelle est la différence entre la valeur
attendue et la valeur moyenne?
40. Quels sont les tests A/B?
41. Que signifie l’apprentissage d’ensemble?
42. Pourquoi l’apprentissage d’ensemble est-il
utilisé?
43. Quels logiciels et quels outils avez-vous
utilisés dans un projet récent ? Pourquoi les
avez-vous choisis ?
44. Décrivez un défi que vous avez rencontré, et
comment vous l'avez surmonté.
45. Décrivez comment vous avez utilisé les tests
A/B récemment.
46. Donnez un exemple d'une situation où vous
avez utilisé l'algorithme de l'arbre de décision.
47. Comment expliquez-vous à votre direction
qu'un ensemble de données est important ?
48. Préférez-vous utiliser Python ou R ?
49. Quels outils de visualisation de données vous
conviennent le plus ?
50. Quelles sont les limites des méthodes de
rééchantillonnage ?
51. Comment traitez-vous les valeurs aberrantes ?
52. Comment évaluez-vous un modèle logistique ?
53. Comment traitez-vous les valeurs manquantes
lors d'une analyse ?
54. Quels types de problèmes la régularisation
résout-elle ?
55. Quels sont les avantages et les inconvénients
des méthodes de régularisation ?
56. Comment interprétez-vous les intervalles de
confiance ?
57. Expliquez comment vous trouvez la relation
entre une variable continue et une variable
catégorique.
58. Quel est votre algorithme d'apprentissage
automatique préféré ?