新智元推荐
来源：数据派
编辑：元子
本文盘点了数据科学和机器学习面试中的常见问题，着眼于不同类型的面试问题。如果您计划向数据科学领域转行，这些问题一定会有所帮助。本文约字，阅读大约需要10分钟。技术的不断进步使得数据和信息的产生速度今非昔比，并且呈现出继续增长的趋势。此外，目前对解释、分析和使用这些数据的技术人员需求也很高，这在未来几年内会呈指数增长。这些新角色涵盖了从战略、运营到管理的所有方面。因此，当前和未来的需求将需要更多的数据科学家、数据工程师、数据战略家和首席数据官这样类似的角色。
本文将着眼于不同类型的面试问题。如果您计划向数据科学领域转行，这些问题一定会有所帮助。
统计学及数据科学面试题答案
在统计学研究中，统计学中最常见的三个“平均值”是均值，中位数和众数：
算术平均值：它是统计学中的一个重要概念。算术平均值也可称为平均值，它是通过将两个或多个数字/变量相加，然后将总和除以数字/变量的总数而获得的数量或变量。
中位数：中位数也是观察一组数据平均情况的一种方法。它是一组数字的中间数字。结果有两种可能性，因为数据总数可能是奇数，也可能是偶数。如果总数是奇数，则将组中的数字从最小到最大排列。中位数恰好是位于中间的数，两侧的数量相等。如果总数是偶数，则按顺序排列数字并选择两个中间数字并加上它们然后除以2，它将是该组的中位数。
众数：众数也是观察平均情况的方法之一。众数是一个数字，指在一组数字中出现最多的数字。有些数列可能没有任何众数；有些可能有两个众数，称为双峰数列。
标准差（Sigma）：标准差用于衡量数据在统计数据中的离散程度。
回归：回归是统计建模中的一种分析方法。这是衡量变量间关系的统计过程；它决定了一个变量和一系列其他自变量之间关系的强度。
线性回归：是预测分析中使用的统计技术之一，该技术将确定自变量对因变量的影响强度。
统计学的两个主要分支：
描述性统计：描述性统计使用类似均值或标准差的指数来总结样本数据。描述性统计方法包括展示、组织和描述数据。
推断性统计：推断统计得出的结论来自随机变化的数据，如观察误差和样本变异。
相关性：相关性被认为是测量和估计两个变量间定量关系的最佳技术。相关性可以衡量两个变量相关程度的强弱。
协方差：协方差对应的两个变量一同变化，它用于度量两个随机变量在周期中的变化程度。这是一个统计术语；它解释了一对随机变量之间的关系，其中一个变量的变化时，另一个变量如何变化。
协方差和相关性是两个数学概念；这两种方法在统计学中被广泛使用。相关性和协方差都可以构建关系，并且还可测量两个随机变量之间的依赖关系。虽然这两者在数学上有相似之处，但它们含义并不同。
结合数据分析，统计可以用于分析数据，并帮助企业做出正确的决策。预测性“分析”和“统计”对于分析当前数据和历史数据以预测未来事件非常有用。
统计数据可用于许多研究领域。以下列举了统计的应用领域：
科学
技术
商业
生物学
计算机科学
化学
支持决策
提供比较
解释已经发生的行为
预测未来
估计未知数量
在统计研究中，通过结构化和统一处理，样本是从统计总体中收集或处理的一组或部分数据，并且样本中的元素被称为样本点。
以下是4种抽样方法：
聚类抽样：在聚类抽样方法中，总体将被分为群组或群集。
简单随机抽样：这种抽样方法仅仅遵循随机分配。
分层抽样：在分层抽样中，数据将分为组或分层。
系统抽样：根据系统抽样方法，每隔k个成员，从总体中抽取一个。
当我们在统计中进行假设检验时，p值有助于我们确定结果的显著性。这些假设检验仅仅是为了检验关于总体假设的有效性。零假设是指假设和样本没有显著性差异，这种差异指抽样或实验本身造成的差异。
数据科学是数据驱动的科学，它还涉及自动化科学方法、算法、系统和过程的跨学科领域，以任何形式（结构化或非结构化）从数据中提取信息和知识。此外，它与数据挖掘有相似之处，它们都从数据中抽象出有用的信息。
数据科学包括数理统计以及计算机科学和应用。此外，结合了统计学、可视化、应用数学、计算机科学等各个领域，数据科学将海量数据转化为洞见。
同样，统计学是数据科学的主要组成部分之一。统计学是数学商业的一个分支，它包括数据的收集、分析、解释、组织和展示。
R语言类面试题答案
R是数据分析软件，主要的服务对象是分析师、量化分析人员、统计学家、数据科学家等。
R提供的函数是：
均值
中位数
分布
协方差
回归
非线性模型
混合效果
广义线性模型（GLM）
广义加性模型（GAM）等等
在R控制台中输入命令（“Rcmdr”）将启动RCommanderGUI。
使用R