أهم أسئلة وإجابات مقابلات علماء البيانات لعام 2023

علم البيانات هو موضوع يستخرج المعرفة من مختلف البيانات الهيكلية وغير المنظمة. يبحث بشكل رئيسي في علم البيانات هو مهارة تستخدم العديد من العمليات العلمية والخوارزميات والعمليات لجمع أو استخراج هذه المعرفة واكتساب الرؤية ذات الصلة. يُعرف أولئك الذين يعملون في هذا المجال متعدد التخصصات باسم علماء البيانات.
هناك العديد من فرص العمل لعلماء البيانات وفقًا لـ TOI، والراتب ليس عائقًا للمرشح المناسب. أولئك الذين يتقدمون للعمل كعلماء بيانات في العديد من الشركات متعددة الجنسيات مثل أمازون وإنفوسيس، فهم بحاجة ماسة إلى قائمة شاملة بأسئلة مقابلات علماء البيانات كمرجع. فهم بحاجة إلى عرض خبراتهم على أعضاء لجنة المقابلات الشخصية لتوظيفهم كعلماء بيانات
يتحقق أعضاء لجان المقابلات في الغالب من وعي المرشح فيما يتعلق بالفرق الأساسي بين علم البيانات والبيانات الضخمة والمعرفة العملية للمرشحين. لذا، فهم متحمسون ومتوترون قليلاً بشأن أنواع الأسئلة التي سيواجهونها. لذلك دعونا نرى على الفور أسئلة مقابلة عالم البيانات التي تم بحثها جيدًا والأسئلة التي يتم طرحها بشكل متكرر.
يتضمن علم البيانات مزيجًا من أنواع مختلفة من الأدوات ومبادئ التعلم الآلي والأدوات المستخدمة لاستخراج الأنماط المخفية من البيانات الخام.
تتجمع العديد من أشجار القرار لبناء نموذج غابة عشوائية. فيما يلي خطوات إنشاء نموذج الغابة العشوائية:
تُستخدم طريقتان رئيسيتان لاختيار الميزات لاختيار المتغيرات المناسبة. وهما كالتالي:
تُعرف عملية تحويل مجموعة بيانات ذات أبعاد كبيرة إلى حقول بيانات ذات أبعاد أقل باسم تقليل الأبعاد. والغرض منها هو توصيل نوع مماثل من التعليمات بإيجاز.
فوائد تقليل الأبعاد:
هناك فوائد متعددة لتقليل الأبعاد. وهي كالتالي:
نحتاج إلى اتباع عدة خطوات للحفاظ على النموذج المنتشر. الخطوات هي كالتالي:
يُقال إن النموذج الذي يتجاهل الصورة الأكثر بروزًا ويتم تثبيته للتعامل مع كمية صغيرة من البيانات، يُقال إنه نموذج مفرط في التجهيز. هناك ثلاث طرق رئيسية تساعد الناس على تجنب الإفراط في التجهيز. وهي كالتالي:
يستخدم الأشخاص نظام التوصية للتنبؤ بالتقييم الذي يعطيه المستخدم لمنتج معين. وتستند التقييمات إلى تفضيلاتهم. ينقسم نظام التوصية إلى مجالين مختلفين:
أ) التصفية التعاونية: تستخدم أمازون هذه التصفية لتتبع المستخدمين الذين يعرضون اهتمامات متشابهة. على سبيل المثال، يُعرض على العميل الذي يشتري من أمازون توصيات متكافئة مع رسالة. ثم تُعلِمهم الرسالة بما اشتراه العملاء الذين اشتروا نفس المنتج أيضًا مع رسالة.
ب) التصفية القائمة على المحتوى: يستغل تطبيق Pandora أيضًا خصائص أغنية ما للتوصية بمقاطع أخرى لها خصائص مماثلة. هنا، يصبح المحتوى هنا أكثر أهمية من الأشخاص الآخرين الذين يستمعون إلى الموسيقى.
قد لا يتم إسقاط القيم المتطرفة إلا إذا كانت قيمة تافهة. على سبيل المثال، قد تظهر البيانات طول شخص بالغ على أنه ABC قدم، وهذا غير صحيح، لأن الحجم لا يمكن أن يكون قيمة سلسلة. في هذه الحالة، ستتم إزالة القيم المتطرفة. في حال تعذّر إسقاط القيم المتطرفة، هناك بدائل أخرى. وهي كالتالي:
هناك اختلافات كبيرة بين التحليل أحادي المتغير وثنائي المتغير ومتعدد المتغيرات للبيانات. وتتمثل الاختلافات فيما يلي:
تحتوي البيانات أحادية المتغيّر على متغيّر واحد. تتضمن البيانات ثنائية المتغيرات نوعين مختلفين من المتغيرات. بيانات متعددة المتغيرات تتضمن ثلاثة متغيرات أو أكثر. تحتوي على أكثر من متغير تابع.
يُعدّ طول الطلاب مثالاً على تحليل البيانات أحادية المتغيّر. درجة الحرارة في الصيف ومبيعات الآيس كريم خلال الموسم مثال على تحليل ثنائي المتغيّرات.
البيانات الخاصة بمبيعات المنازل هي مثال على التحليل متعدد المتغيّرات.
يستخدم الناس المتوسط والمنوال والوسيط والوسيط والحد الأدنى والتشتت لدراسة نمط البيانات أحادية المتغيّر. من ناحية أخرى، يتعامل الناس مع السبب والنتيجة. فيحللون كثيراً للتأكد من العلاقة بين متغيرين. يستخدم الناس الحد الأدنى أو الحد الأقصى أو المدى أو التشتت للاستنتاج. نمط دراسة متعدد المتغيرات بهذه الطريقة.
هناك العديد من الاختلافات بين التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف. الاختلافات هي كما يلي:
يُعرف تحيز الاختيار أيضًا باسم تأثير الاختيار. وهو يشير إلى نوع من الخطأ الذي يحدث عندما يقرر الباحث من سيكون موضوع الدراسة. وفي حالة عدم أخذ تحيز الاختيار في الاعتبار، قد يتم استخلاص بعض الاستنتاجات غير الدقيقة.
هناك أربعة أنواع من تحيز الاختيار. وهي تشمل:
دعني أشرحهم واحدًا تلو الآخر.
عندما يتم تبسيط خوارزمية التعلم الآلي بشكل مفرط، قد يتم إدخال بعض الأخطاء في النموذج. يُعرف هذا الخطأ باسم التحيز. عندما يقوم عالم البيانات بتدريب النموذج في ذلك الوقت، يقوم النموذج بوضع بعض الافتراضات المبسطة. ونتيجة لذلك، يكون اتباع الدالة المستهدفة أبسط. أشجار القرار هي أمثلة على خوارزميات التعلم الآلي منخفضة التحيز. أما الانحدار اللوجستي فهو مثال على خوارزمية التعلّم الآلي عالية التحيّز.
عندما يتعلق الأمر بالتعلم الآلي، فإنها تلتقط الضوضاء من مجموعة بيانات التدريب. ونتيجة لذلك، يكون أداءها ضعيفًا على مجموعة بيانات الاختبار. قد تؤدي خوارزمية التعلّم الآلي المعقدة إلى أخطاء محددة في النموذج الذي يتم شرحه بدقة في مشاريع التعلّم الآلي.
تُعرف هذه الأخطاء باسم التباين. قد يؤدي التباين إلى الإفراط في الملاءمة وكذلك الحساسية العالية. كلما زاد تعقيد النموذج، كلما قل التحيز في النموذج. سيؤدي ذلك إلى عدد أقل من الأخطاء. لذا، يحاول علماء البيانات جعل نماذجهم أكثر تعقيدًا لتجنب الأخطاء. بهذه الطريقة، يعاني النموذج من تباين كبير. يؤدي ذلك إلى الإفراط في ضبط النموذج.
عندما تخضع الشبكة العصبية للتدريب، يتم استخدام المقدار والاتجاه لتحديث وزن الشبكة الصحيح بالترتيب الصحيح. ويُعرف القانون والأهمية بشكل تراكمي باسم التدرجات المتفجرة. عندما يتجمع عدد كبير من تدرجات الخطأ، فإنها تؤدي إلى تحديثات هائلة للشبكة العصبية لأوزان النموذج في وقت التدريب. تُعرف المشكلة التي تحدث في هذا الوقت باسم التدرج المتفجر. قد تجعل الزاوية المتفجرة النموذج غير مستقر. ونتيجة لذلك، لن يتمكن النموذج من تعلم أي شيء من مجموعة بيانات التدريب.
هناك أربعة أنواع من دوال النواة في SVM. وهي كالتالي:
أ) نواة متعددة الحدودNKernel
ب) النواة الخطية
ج) نواة التحيز الشعاعي
د) النواة الجيبية
تُعرف الخوارزمية الرئيسية المستخدمة لبناء شجرة القرار باسم ID3. يقوم ID3 بإنشاء شجرة قرار بمساعدة كسب المعلومات والانتروبيا. دعني أشرح كلا المصطلحين بالتفصيل.
في الأساس، الاستدلال اللوجستي هو تقنية تُستخدم للتنبؤ بالنتيجة الثنائية، من مجموعة خطية من المتغيرات المتنبئة. على سبيل المثال، توقعت مؤخرًا ما إذا كان زعيم سياسي معين سيفوز في الانتخابات. هنا، تعتبر نتيجة الانتخابات ثنائية. في هذا السياق، تعني الثنائية هنا الفوز أو الخسارة بنسبة 0/1. ويُعتبر المبلغ المالي الذي يتم استثماره في الحملة الانتخابية لمرشح معين للانتخابات هو المتغير المتنبئ.
تُستخدم تقنية إحصائية لتحويل بعض المتغيرات التابعة (غير الطبيعية) إلى شكل قياسي. تُعرف هذه الطريقة باسم تقنية بوكس كوكس. إذا قام عالم البيانات بتطبيق تقنية بوكس كوكس الصندوقية، فهذا يعني أن الشخص يمكنه إجراء العديد من الاختبارات الأوسع نطاقاً. في حال لم تكن البيانات المعطاة متوقّعة، يُفترض أن تكون العديد من التقنيات الإحصائية متوقّعة.
تعاون اثنان من علماء الإحصاء هما السير ديفيد روكس كوكس وجورج بوكس في تطوير تقنية بوكس كوكس. ومن ثم، سُميت باسمهما.
يُقال إن الخوارزمية ساذجة لأنها تضع افتراضات قد تكون صحيحة أو غير صحيحة.
تشكل نظرية بايز أساس خوارزمية بايز الساذجة. تصف النظرية إمكانية وقوع حدث ما، بناءً على معرفة سابقة بشروط معينة. قد يكون للشروط علاقة بالحدث.
هناك عملية لإضافة معلمة الضبط إلى أي نموذج معين بحيث يتم إدخال السلاسة وتجنب الإفراط في الضبط. تُعرف هذه العملية باسم التنظيم.
وهي مفيدة لأنه غالباً ما يتم إضافة مضاعف ثابت إلى متجه الوزن الموجود بالفعل. وغالبًا ما يكون النموذج L1 (Lasso) أو L2 (RIDGE.) ثم تحتاج تنبؤات النموذج إلى تقليل دالة الخسارة التي تم حسابها على مجموعة التدريب المنظمة.
الخلاصة: هناك طلب كبير على علماء البيانات في القرن الحادي والعشرين. وتُعرض عليهم وظائف مربحة في العديد من شركات تطوير البرمجيات. ومن ثم، تقدم سبوتو دورة تدريبية في علم البيانات تجعلك تفهم علم البيانات والنماذج والأساليب المختلفة لتصبح عالم بيانات. الأسئلة التي تمت مناقشتها أعلاه ليست سوى عينات ضرورية. يجب أن يكون لدى جميع علماء البيانات مفهوم واضح للموضوع.
شركة SPOTO هي شركة معترف بها عالميًا تقدم مجموعة واسعة من الخدمات الاحترافية المصممة لتلبية الاحتياجات المتنوعة للمؤسسات في جميع أنحاء العالم. نحن متخصصون في التدريب التقني والتدريب على الأعمال، وتطوير تكنولوجيا المعلومات وحلول البرمجيات، وخدمات اللغات الأجنبية، والتعلم الرقمي، وتوفير الموارد والتوظيف، والاستشارات. يتجلى التزامنا الثابت بالتميز من خلال شهادات الأيزو 9001 و27001 وCMMIDEV/3، التي تؤكد على معاييرنا الاستثنائية. وبفضل سجلنا الحافل بالنجاحات الذي يمتد لأكثر من عقدين من الزمن، فقد قدمنا خدماتنا بفعالية لأكثر من 4000 مؤسسة في جميع أنحاء العالم.