隨著大數據概念的火熱，數據科學家這一職位應時而出，那么成為數據科學家要滿足什么條件?或許我們可以從國外的數據科學家面試問題中得到一些參考，下面是77個關于數據分析或者數據科學家招聘的時候會常會的幾個問題，供各位同行參考。

　　1、你處理過的最大的數據量?你是如何處理他們的?處理的結果。

　　2、告訴我二個分析或者計算機科學相關項目?你是如何對其結果進行衡量的?

　　3、什么是：提升值、關鍵績效指標、強壯性、模型按合度、實驗設計、2/8原則?

　　4、什么是：協同過濾、n-grams, map reduce、余弦距離?

　　5、如何讓一個網絡爬蟲速度更快、抽取更好的信息以及更好總結數據從而得到一干凈的數據庫?

　　6、如何設計一個解決抄襲的方案?

　　7、如何檢驗一個個人支付賬戶都多個人使用?

　　8、點擊流數據應該是實時處理?為什么?哪部分應該實時處理?

　　9、你認為哪個更好：是好的數據還是好模型?同時你是如何定義“好”?存在所有情況下通用的模型嗎?有你沒有知道一些模型的定義并不是那么好?

　　10、什么是概率合并(AKA模糊融合)?使用SQL處理還是其它語言方便?對于處理半結構化的數據你會選擇使用哪種語言?

　　11、你是如何處理缺少數據的?你推薦使用什么樣的處理技術?

　　12、你最喜歡的編程語言是什么?為什么?

　　13、對于你喜歡的統計軟件告訴你喜歡的與不喜歡的3個理由。

　　14、SAS, R, Python, Perl語言的區別是?

　　15、什么是大數據的詛咒?

　　16、你參與過數據庫與數據模型的設計嗎?

　　17、你是否參與過儀表盤的設計及指標選擇?你對于商業智能和報表工具有什么想法?

　　18、你喜歡TD數據庫的什么特征?

　　19、如何你打算發100萬的營銷活動郵件。你怎么去優化發送?你怎么優化反應率?能把這二個優化份開嗎?

　　20、如果有幾個客戶查詢ORACLE數據庫的效率很低。為什么?你做什么可以提高速度10倍以上，同時可以更好處理大數量輸出?

　　21、如何把非結構化的數據轉換成結構化的數據?這是否真的有必要做這樣的轉換?把數據存成平面文本文件是否比存成關系數據庫更好?

　　22、什么是哈希表碰撞攻擊?怎么避免?發生的頻率是多少?

　　23、如何判別mapreduce過程有好的負載均衡?什么是負載均衡?

　　24、請舉例說明mapreduce是如何工作的?在什么應用場景下工作的很好?云的安全問題有哪些?

　　25、(在內存滿足的情況下)你認為是100個小的哈希表好還是一個大的哈希表，對于內在或者運行速度來說?對于數據庫分析的評價?

　　26、為什么樸素貝葉斯差?你如何使用樸素貝葉斯來改進爬蟲檢驗算法?

　　27、你處理過白名單嗎?主要的規則?(在欺詐或者爬行檢驗的情況下)

　　28、什么是星型模型?什么是查詢表?

　　29、你可以使用excel建立邏輯回歸模型嗎?如何可以，說明一下建立過程?

　　30、在SQL, Perl, C++, Python等編程過程上，待為了提升速度優化過相關代碼或者算法嗎?如何及提升多少?

　　31、使用5天完成90%的精度的解決方案還是花10天完成100%的精度的解決方案?取決于什么內容?

　　32、定義：QA(質量保障)、六西格瑪、實驗設計。好的與壞的實驗設計能否舉個案例?

　　33、普通線性回歸模型的缺陷是什么?你知道的其它回歸模型嗎?

　　34、你認為葉數小于50的決策樹是否比大的好?為什么?

　　35、保險精算是否是統計學的一個分支?如果不是，為何如何?

　　36、給出一個不符合高斯分布與不符合對數正態分布的數據案例。給出一個分布非常混亂的數案例。

　　37、為什么說均方誤差不是一個衡量模型的好指標?你建議用哪個指標替代?

　　38、你如何證明你帶來的算法改進是真的有效的與不做任何改變相比?你對A/B測試熟嗎?

　　39、什么是敏感性分析?擁有更低的敏感性(也就是說更好的強壯性)和低的預測能力還是正好相反好?你如何使用交叉驗證?你對于在數據集中插入噪聲數據從而來檢驗模型的敏感性的想法如何看?