Как проводят собеседования на «лучшую должность 2016 года»
Пользователи сайта Glassdoor, на котором бывшие и действующие сотрудники различных компаний оценивают своих работодателей, назвали должность специалиста по data science лучшей работой 2016 года. Издание Business Insider изучило вопросы, которые задают соискателям в крупных компаниях при собеседовании на эту позицию. Редакция vc.ru приводит наиболее интересные из них.
Медианный годовой доход специалиста по data science в Америке составит в 2016 году $117 тысяч. «Поскольку теперь все компании так или иначе работают в интернете, им нужны люди, которые знают, как управлять данными, чтобы на их основе принимать лучшие решения о развитии бизнеса. Думаю, что спрос на таких специалистов будет в ближайшие годы оставаться высоким», — считает главный экономист Glassdoor Эндрю Чемберлен.
Особенно актуальна такая работа для технологических компаний. Пользователи процитировали некоторые вопросы, которые можно услышать на собеседованиях в ИТ-гигантах.
LinkedIn
- «Мне предложили назвать какие-либо параметры, которые можно использовать для построения определенных алгоритмов. Например, построить алгоритм, который будет определять, что кто-то из моих знакомых начал поиски работы»
- «У вас самолет до Сиэттла. Вы хотите знать, стоит ли захватить зонтик. Вы звоните трем случайным друзьям из Сиэттла и каждого из них спрашиваете, идёт ли дождь. Каждый друг с вероятностью 2/3 скажет правду и с вероятностью 1/3 соврёт. Все трое сообщают, что на улице дождь. Какова вероятность, что в Сиэттле действительно идёт дождь?»
Uber
- «Какие параметры вы бы использовали, чтобы оценить, привлекает ли клиентов наружная реклама Uber? И как бы в этом случае вы определили приемлемую стоимость привлечения клиента?»
Microsoft
- «Создайте алгоритм, который проверяет, является ли заданное слово палиндромом»
- «В сумке шесть шариков, один из них — белый. У вас есть 100 попыток достать один из них. После каждой попытки вы встряхиваете сумку и кладете шарик обратно. С какой вероятностью вы достанете белый шарик хотя бы один раз?»
Apple
- «Есть миллионы пользователей, каждый из которых совершил сотни транзакций при наличии десятков тысяч продуктов. Как сгруппировать эти данные так, чтобы извлечь из этого пользу?»
IBM
- «Как вы решаете проблему недостающих данных?»
- «Оперируя пользовательскими данными Twitter, как вы будете оценивать уровень вовлеченности?»
У американцев было исследование, согласно которому оказывается, что если работник стал наиболее часто посещать зубного врача в последнее время то он готовится к смене места работы (выбирает деньги по страховке - вроде так это объяснялось).
Комментарий удален модератором
Кароче в майкрософт всех берут.
Это на Intern JavaScript Plugin Developer for Visual Studio.
да ;) постановка задач отличается от умения "решать вопросы" к умению "ставить вопросы" ...
Хихи Data Science это здорово, но что мне больше всего в этой сфере нравится. Здесь нет и не будет дилетантов, потому как сама профессия подразумевает работу на предсказуемый результат, а понять знает ли человек основные методики анализа можно на первом собеседовании и по портфолио.
И никогда в этой области не будет переизбытка кадров, ведь от соискателя требуется не просто заучивание чужих алгоритмов, а аналитическое мышление, которое дано далеко не всем.
Комментарий удален модератором
Комментарий удален модератором
Комментарий удален модератором
Комментарий удален модератором
Комментарий удален модератором
Комментарий удален модератором
Комментарий удален модератором
Сначала спашивают какую-то хуйню, а потом сажают в кубик отвечать на дурацкие вопросы пользователей или править чужие баги
«У вас самолет до Сиэттла. Вы хотите знать, стоит ли захватить зонтик. Вы звоните трем случайным друзьям из Сиэттла и каждого из них спрашиваете, идёт ли дождь. Каждый друг с вероятностью 2/3 скажет правду и с вероятностью 1/3 соврёт. Все трое сообщают, что на улице дождь. Какова вероятность, что в Сиэттле действительно идёт дождь?»
Какова вероятность, что все трое одновременно соврали и на улице ясно? 1/3 * 1/3 * 1/3 = 1/27 Итого 26/27, что дождь.
Но более интересным был бы второй вопрос: откуда вы получили сведения о соотношении правды и лжи в словах 3 случайных друзей в Сиэттле? ))))
Вопрос был не про вероятно ость того, сколько совпали, а про вероятность того, что на самом деле идёт дождь. Если все трое говорят одно и то же про одно событие, то не может быть так, что часть из них лжёт. Лгут либо все, либо никто.
Согласен)
«Какова вероятность, что все трое одновременно соврали и на улице ясно? 1/3 * 1/3 * 1/3 = 1/27 Итого 26/27, что дождь.»
В 26/27 также входят варианты, когда только часть сказала правду.
А так у нас все либо соврали (1/27)
либо все сказали правду (2/3 * 2/3 * 2/3 = 8 / 27).
И того всего подходящих 9/27, из них гарантируют дождь 8/27.
То есть ответ: (8/27) / ( 1/27 + 8/27) == 8/9.
Там либо дождь, либо ясно, поэтому если все 3 сказали, что дождь, то все 3 либо соврали, либо сказали правду...
либо все сказали правду (2/3 * 2/3 * 2/3 = 8 / 27)."
Я не то же самое написал?
А чего минусуем?:))
Я отвечу-школьники везде.
В общем, нужно писать в Фейсбук и требовать рассудить спор)))
Почему вы полагаете, что события остаются независимыми? Ведь если первый сказал правду, вероятность того, что второй и третий не соврали - 100%. Итого дождь идет с вероятностью 2/3.
Поправьте, если что-то неверно посчитал.
Потому что по условию задачи друзья отвечали независимо друг от друга. Дополнительное условие о том, что все ответили одинаково возникает в середине эксперимента, поэтому надо считать относительную вероятность.
8/9 только в предположении, что события дождь/не дождь равновероятны. В общем случае это не так.
Мне кажется, я год назад читал такую же статью. И 2. И 3.
Комментарий удален модератором
В смысле ответ к задаче с шарами, если я правильно понял условие.
Можно сделать проще - посчитать вероятность того, что за 100 попыток белый шарик не будет вытянут ни разу(всегда будем вытягивать черный шарик) - (5/6)^100, тогда вероятность того, что белый шарик будет вытянут хотя бы 1 раз - 1-(5/6)^100 и практически равна единице.
Да, конечно, так проще, затупил я. Не работать мне в Майкрософте, короче.
"Не работать мне в Майкрософт специалистом по Data Science" - так точнее =)
В остальном же ничего не потеряно =)
Комментарий удален модератором
Вобщем, Лейбниц был бы весьма кстати этим компаниям.
А Паскаль и Ферма так просто назаменимы.
Одна глупость накладывается на другую и входит в другую. В результате "Исследование поведения" и "Прогноз поведения".
Комментарий удален модератором
Комментарий удален модератором