Вопросы на собеседовании Data Science: что спрашивают новичков

Собеседование Data Science проверяет не только знание Python и машинного обучения. У новичков обычно смотрят базу: как человек понимает данные, умеет ли писать SQL, знает ли статистику, может ли объяснить модель простыми словами и понимает ли свои учебные проекты.

Главная ошибка начинающих - готовиться только по списку алгоритмов. На реальном собеседовании могут спросить не «расскажите формулу градиентного спуска», а «что вы будете делать, если в данных много пропусков», «почему ваша модель переобучилась» или «как объяснить результат бизнесу».

В этой статье разберём, какие вопросы задают на собеседовании Data Science новичкам, как к ним готовиться и что важно показать, чтобы пройти отбор увереннее.

Что проверяют на собеседовании Data Science

Junior Data Scientist редко ждут глубокого production-опыта. Но от новичка хотят увидеть крепкую базу и адекватное мышление.

Обычно проверяют:

• понимание роли Data Scientist;
• базовый Python;
• SQL;
• работу с таблицами и Pandas;
• статистику;
• математику на базовом уровне;
• основы машинного обучения;
• понимание метрик качества;
• умение делать EDA;
• разбор проектов из портфолио;
• логику решения практических задач.

Собеседование может состоять из нескольких этапов: скрининг с HR, техническое интервью, тестовое задание, разбор проекта, встреча с командой или руководителем.

Если вы ещё не до конца понимаете роль специалиста, сначала посмотрите материал кто такой Data Scientist. Это поможет связать вопросы собеседования с реальными задачами профессии.

Какие блоки вопросов бывают

Вопросы на собеседовании Data Science удобно разделить на несколько блоков.

Блок	Что проверяют	Пример вопроса
Python	Базовый код, функции, структуры данных, библиотеки	Чем список отличается от словаря?
SQL	Умение получать и агрегировать данные	Как посчитать количество заказов по каждому клиенту?
Статистика	Средние, распределения, гипотезы, выборки	Чем медиана отличается от среднего?
Математика	Функции, вероятность, линейная алгебра, производные	Зачем в ML нужна производная?
Machine Learning	Алгоритмы, переобучение, признаки, метрики	Что такое переобучение и как с ним бороться?
EDA	Проверка данных до модели	Что вы сделаете после получения нового датасета?
Проекты	Практический опыт и самостоятельность	Почему вы выбрали эту модель в проекте?
Кейсы	Логика решения бизнес-задачи	Как предсказать отток клиентов?

Для junior-уровня важнее не заучить идеальные ответы, а уметь объяснять ход мысли: что вы проверяете, почему выбираете такой подход и какие ограничения видите.

Вопросы про профессию и мотивацию

Часть собеседования может быть не технической. Работодатель хочет понять, почему вы выбрали Data Science, насколько осознанно пришли в профессию и чего ждёте от работы.

Почему вы хотите работать в Data Science?

Плохой ответ: «Потому что там большие зарплаты и сейчас это модно».

Лучше ответить через интерес к задачам:

• нравится работать с данными;
• интересно искать закономерности;
• хочется строить модели и проверять гипотезы;
• интересна связь аналитики, программирования и бизнеса;
• есть учебные проекты, где понравился процесс.

Можно сказать так: «Мне интересно работать с задачами, где нужно не просто написать код, а понять данные, найти закономерность и предложить решение. В учебных проектах мне особенно понравились EDA, построение моделей и разбор ошибок».

Чем занимается Data Scientist?

Ожидают, что вы понимаете профессию не как «человек, который обучает нейросети», а шире.

Хороший ответ:

Data Scientist собирает и анализирует данные, проводит EDA, проверяет гипотезы, строит модели машинного обучения, оценивает качество результата и объясняет выводы команде или бизнесу.

Чем Data Scientist отличается от аналитика данных?

Краткий ответ: аналитик данных чаще объясняет, что произошло и почему, а Data Scientist дополнительно может строить прогнозные модели и автоматизировать решения на основе данных.

Здесь важно не говорить, что одна профессия «лучше» другой. Они пересекаются, но отличаются фокусом.

Вопросы по Python

Python - один из главных инструментов Data Science. На собеседовании у новичков обычно проверяют не сложную разработку, а уверенное понимание базового синтаксиса и работу с данными.

Подробный маршрут по языку есть в статье Python для Data Science. Ниже - типовые вопросы.

Какие типы данных есть в Python?

Обычно достаточно назвать базовые:

• int - целые числа;
• float - числа с плавающей точкой;
• str - строки;
• bool - логический тип;
• list - список;
• tuple - кортеж;
• dict - словарь;
• set - множество.

Важно не просто перечислить, а понимать, где что применяется. Например, словарь удобен для хранения пар «ключ - значение», а список - для упорядоченной коллекции элементов.

Чем list отличается от tuple?

List - изменяемый тип данных. В него можно добавлять элементы, удалять их и менять значения.

Tuple - неизменяемый тип. После создания его нельзя изменить.

На собеседовании могут спросить, зачем нужен tuple, если есть list. Ответ: кортеж полезен, когда данные не должны изменяться, а также может использоваться как ключ в словаре, если содержит только неизменяемые элементы.

Чем list отличается от dict?

List хранит элементы по порядку и обращается к ним по индексу. Dict хранит пары «ключ - значение» и позволяет быстро получать значение по ключу.

Пример:

• list - список заказов;
• dict - данные клиента: имя, город, сумма покупок, статус.

Что такое функция в Python?

Функция - это блок кода, который выполняет определённую задачу и может использоваться повторно.

В Data Science функции нужны, чтобы не копировать одинаковые действия: очистку данных, расчёт метрик, обработку признаков, построение графиков.

Что такое lambda-функция?

Lambda - это короткая анонимная функция. Её часто используют для простых операций, например при обработке столбцов в Pandas.

Но на собеседовании лучше не показывать любовь к lambda везде. В реальном коде читаемость важнее краткости.

Что такое Pandas и зачем он нужен?

Pandas - библиотека Python для работы с табличными данными. Она помогает загружать данные, фильтровать строки, группировать значения, искать пропуски, объединять таблицы и считать метрики.

Типовые задачи Pandas:

• загрузить CSV;
• посмотреть первые строки;
• проверить пропуски;
• сгруппировать данные;
• посчитать среднее или сумму;
• объединить таблицы;
• подготовить данные для модели.

Что такое DataFrame?

DataFrame - основная структура данных в Pandas. Это таблица со строками и столбцами, похожая на Excel-таблицу или таблицу из базы данных.

В Data Science DataFrame используют для анализа данных, EDA, очистки и подготовки признаков.

Вопросы по SQL

SQL проверяют почти на каждом собеседовании Data Science. Даже если модель строится на Python, данные часто лежат в базах.

Что такое SQL?

SQL - язык запросов к базам данных. Он нужен, чтобы получать данные, фильтровать строки, объединять таблицы, группировать значения и считать метрики.

Чем WHERE отличается от HAVING?

WHERE фильтрует строки до группировки.

HAVING фильтрует результат после GROUP BY.

Пример: если нужно выбрать только заказы за 2026 год - используем WHERE. Если нужно показать только клиентов, у которых больше 5 заказов после группировки, - используем HAVING.

Какие JOIN вы знаете?

Нужно понимать основные типы:

• INNER JOIN - возвращает только совпадающие строки из двух таблиц;
• LEFT JOIN - возвращает все строки из левой таблицы и совпадения из правой;
• RIGHT JOIN - возвращает все строки из правой таблицы и совпадения из левой;
• FULL JOIN - возвращает все строки из обеих таблиц;
• CROSS JOIN - декартово произведение строк.

На практике чаще всего спрашивают INNER JOIN и LEFT JOIN.

Как найти дубли в таблице?

Один из вариантов - сгруппировать данные по ключевым полям и оставить группы, где количество строк больше 1.

Например, если нужно найти повторяющиеся email, логика такая: GROUP BY email, затем HAVING COUNT(*) > 1.

Как посчитать количество заказов по каждому пользователю?

Нужно сгруппировать таблицу заказов по user_id и посчитать COUNT(order_id).

На собеседовании важно объяснить логику: один пользователь может иметь много заказов, поэтому группируем по пользователю и считаем количество заказов внутри каждой группы.

Что такое оконные функции?

Оконные функции позволяют считать значения по группе строк, не схлопывая таблицу как GROUP BY.

Примеры задач:

• пронумеровать заказы клиента;
• найти предыдущую покупку;
• посчитать накопительную сумму;
• ранжировать пользователей по выручке;
• сравнить текущую строку с предыдущей.

Для junior-уровня не всегда требуют глубокое владение оконными функциями, но понимание будет плюсом.

Вопросы по статистике

Статистика - обязательная база для Data Science. Она помогает понимать данные, проверять гипотезы и не делать выводы на глаз.

Если этот блок слабый, стоит отдельно разобрать материал статистика для Data Science.

Чем среднее отличается от медианы?

Среднее - это сумма значений, делённая на их количество.

Медиана - значение посередине отсортированного ряда.

Главная разница: среднее чувствительно к выбросам, медиана устойчивее.

Пример: если в группе зарплаты 50 000, 60 000, 65 000 и 500 000 ₽, среднее будет сильно завышено. Медиана лучше покажет типичный уровень.

Что такое дисперсия и стандартное отклонение?

Дисперсия показывает, насколько значения разбросаны относительно среднего.

Стандартное отклонение - более удобная форма разброса, потому что измеряется в тех же единицах, что и исходные данные.

Простыми словами: эти показатели помогают понять, насколько значения стабильны или сильно отличаются друг от друга.

Что такое распределение?

Распределение показывает, как часто встречаются разные значения.

Например, распределение заказов может показать, что большинство покупок небольшие, но есть редкие крупные заказы. Это важно для выбора метрик, обработки выбросов и построения моделей.

Что такое корреляция?

Корреляция показывает связь между двумя показателями. Если один показатель растёт вместе с другим, между ними может быть положительная корреляция. Если один растёт, а другой падает - отрицательная.

Важно: корреляция не доказывает причинно-следственную связь.

Например, продажи мороженого и кондиционеров могут расти одновременно, но причина не в том, что мороженое заставляет покупать кондиционеры. На оба показателя может влиять жара.

Что такое p-value?

p-value помогает оценить, насколько наблюдаемый результат похож на случайный при условии, что нулевая гипотеза верна.

Для новичка важно не заучить сложное определение, а понимать смысл: p-value помогает решить, достаточно ли данных, чтобы считать отличие статистически значимым.

Что такое доверительный интервал?

Доверительный интервал показывает диапазон, в котором с определённой уверенностью может находиться истинное значение.

Например, если конверсия по выборке равна 5%, реальная конверсия может быть не ровно 5%, а находиться в некотором диапазоне.

Что такое A/B-тест?

A/B-тест - это эксперимент, где сравнивают два варианта: например, старую и новую версию страницы, письма, кнопки или алгоритма.

Обычно аудиторию делят на две группы:

• группа A видит старый вариант;
• группа B видит новый вариант.

После этого сравнивают метрику: конверсию, выручку, клики, удержание или другой показатель.

На собеседовании могут спросить, какие ошибки бывают в A/B-тестах. Частые ошибки: слишком маленькая выборка, ранняя остановка теста, пересечение групп, сезонность, неправильная метрика.

Вопросы по математике

На junior-собеседовании обычно не требуют университетских доказательств. Но важно понимать базовые идеи: вероятность, функции, производные, линейную алгебру и оптимизацию.

Общий маршрут есть в статье математика для Data Science.

Зачем в Data Science нужна линейная алгебра?

Линейная алгебра нужна для работы с векторами и матрицами. В Data Science таблицу данных часто можно представить как матрицу, а объект - как вектор признаков.

Например, клиент может быть описан набором признаков: возраст, количество покупок, средний чек, дни с последнего заказа. Такой набор можно представить как вектор.

Что такое вектор?

Вектор - это набор чисел. В Data Science вектор часто описывает объект через признаки.

Например, пользователь может быть представлен вектором: возраст, количество заказов, средний чек, количество визитов.

Что такое матрица?

Матрица - это таблица чисел. В Data Science матрицей может быть датасет: строки - объекты, столбцы - признаки.

Зачем нужны производные?

Производная показывает, как меняется функция. В машинном обучении производные помогают оптимизировать модель, то есть уменьшать ошибку.

Простыми словами: модель пробует менять параметры так, чтобы ошибка становилась меньше. Производная помогает понять, в какую сторону двигаться.

Что такое градиентный спуск?

Градиентный спуск - метод оптимизации, который помогает модели находить параметры с меньшей ошибкой.

Можно объяснить так: у нас есть функция ошибки, и модель постепенно двигается в сторону её уменьшения.

Вопросы по машинному обучению

Machine Learning - центральный блок собеседования Data Science, но новичку важно не заучивать десятки алгоритмов, а понимать базовые принципы.

Что такое машинное обучение?

Машинное обучение - это подход, при котором алгоритм учится на данных и затем делает прогнозы или классификацию для новых объектов.

Например, модель может учиться на истории клиентов и предсказывать, кто с высокой вероятностью уйдёт.

Чем обучение с учителем отличается от обучения без учителя?

Обучение с учителем используется, когда есть правильные ответы - целевая переменная.

Примеры:

• предсказать цену квартиры;
• определить, уйдёт клиент или нет;
• классифицировать письмо как спам или не спам.

Обучение без учителя используется, когда правильных ответов нет. Модель сама ищет структуру в данных.

Примеры:

• сегментация клиентов;
• кластеризация товаров;
• поиск похожих объектов.

Чем регрессия отличается от классификации?

Регрессия предсказывает число: цену, спрос, выручку, количество заказов.

Классификация предсказывает категорию: уйдёт клиент или нет, письмо спам или не спам, отзыв позитивный или негативный.

Что такое переобучение?

Переобучение - ситуация, когда модель слишком хорошо запомнила обучающие данные, но плохо работает на новых данных.

Признак переобучения: качество на train высокое, а на test заметно хуже.

Как бороться с переобучением?

Способы:

• разделить данные на train, validation и test;
• использовать кросс-валидацию;
• упростить модель;
• добавить регуляризацию;
• удалить шумные признаки;
• собрать больше данных;
• контролировать глубину деревьев и сложность алгоритма.

Что такое train и test?

Train - данные, на которых модель обучается.

Test - данные, на которых проверяют, как модель работает на новых примерах.

Если проверять модель на тех же данных, на которых она училась, качество может быть завышено.

Что такое кросс-валидация?

Кросс-валидация - способ проверить модель на разных разбиениях данных. Датасет делится на несколько частей, модель несколько раз обучается и проверяется на разных фолдах.

Это помогает получить более устойчивую оценку качества.

Вопросы по метрикам моделей

Метрики показывают, насколько хорошо работает модель. На собеседовании важно понимать, что разные задачи требуют разных метрик.

Что такое accuracy?

Accuracy - доля правильных ответов модели.

Но accuracy может быть плохой метрикой при дисбалансе классов.

Например, если мошеннических операций всего 1%, модель может всегда говорить «не мошенничество» и получить accuracy 99%, но не решить задачу.

Что такое precision?

Precision показывает, какая доля объектов, отмеченных моделью как положительные, действительно положительные.

Эта метрика важна, когда ложные срабатывания стоят дорого.

Что такое recall?

Recall показывает, какую долю всех реальных положительных объектов модель нашла.

Эта метрика важна, когда опасно пропустить нужный объект.

Что такое F1-score?

F1-score - это метрика, которая объединяет precision и recall. Она полезна, когда нужно учитывать оба типа ошибок.

Что такое MAE и RMSE?

MAE - средняя абсолютная ошибка. Она показывает средний размер ошибки модели.

RMSE - корень из средней квадратичной ошибки. Эта метрика сильнее штрафует крупные ошибки.

Обе метрики часто используют в задачах регрессии.

Как выбрать метрику?

Метрику выбирают под задачу.

Задача	Какие метрики могут подойти
Прогноз цены	MAE, RMSE, MAPE
Классификация без сильного дисбаланса	Accuracy, F1-score
Антифрод	Precision, Recall, F1-score, ROC-AUC
Отток клиентов	ROC-AUC, Recall, Precision, Lift
Медицинский скрининг	Recall, Precision, ROC-AUC - с учётом клинического контекста

Главное - объяснить, почему выбранная метрика подходит задаче.

Вопросы по EDA и подготовке данных

EDA - разведочный анализ данных. Этот блок часто проверяют через практические вопросы.

Что вы сделаете, когда получите новый датасет?

Хороший ответ должен включать план:

1. Понять задачу и смысл данных.
2. Посмотреть размер таблицы.
3. Изучить столбцы и типы данных.
4. Проверить пропуски.
5. Проверить дубли.
6. Найти выбросы.
7. Посмотреть распределения.
8. Проверить связи между признаками.
9. Изучить целевую переменную, если она есть.
10. Сформулировать первые гипотезы.

Что делать с пропусками?

Сначала нужно понять, почему они появились.

Варианты обработки:

• удалить строки, если пропусков мало и они случайны;
• заполнить средним, медианой или модой;
• заполнить отдельной категорией;
• использовать модельное заполнение;
• оставить признак пропуска как отдельный сигнал.

Важно не удалять пропуски автоматически. Иногда отсутствие значения само несёт смысл.

Что делать с выбросами?

Сначала нужно понять, выброс - это ошибка или редкое реальное событие.

Если это ошибка, её можно исправить или удалить. Если это важное событие, его нужно изучить отдельно.

Например, заказ на 500 000 ₽ может быть ошибкой, а может быть реальным крупным заказом.

Что такое утечка данных?

Утечка данных - ситуация, когда в модель попадает информация, которая не будет доступна в момент реального прогноза.

Пример: модель должна предсказывать отток клиента заранее, но в признаки попадает дата закрытия аккаунта. На обучении модель покажет отличное качество, но в реальности такой признак использовать нельзя.

Вопросы по проектам в портфолио

Проекты - один из главных блоков для новичка. Если коммерческого опыта мало, собеседующий будет внимательно разбирать учебные работы.

Почему вы выбрали этот проект?

Лучше отвечать через задачу и навык.

Например: «Я выбрал проект по оттоку клиентов, потому что он похож на реальную бизнес-задачу: нужно найти пользователей с риском ухода, провести EDA, подготовить признаки, построить классификационную модель и оценить качество».

Какие данные вы использовали?

Нужно объяснить:

• откуда данные;
• что означает одна строка;
• какие признаки были в таблице;
• что было целевой переменной;
• какие ограничения есть у датасета.

Какие проблемы были в данных?

Хорошо, если вы можете назвать конкретные проблемы:

• пропуски;
• дубли;
• выбросы;
• дисбаланс классов;
• странные значения;
• категориальные признаки;
• неинформативные столбцы.

Почему вы выбрали эту модель?

Не нужно говорить: «Потому что она дала лучший результат» без объяснения.

Лучше ответить так:

«Я начал с простой базовой модели, чтобы получить baseline. Затем сравнил несколько алгоритмов по выбранной метрике. Итоговая модель дала лучший баланс качества и интерпретируемости».

Какие метрики вы использовали?

Нужно объяснить, почему метрика подходит задаче.

Например, для задачи оттока клиентов accuracy может быть недостаточно, если классы несбалансированы. Можно использовать ROC-AUC, recall, precision или F1-score - в зависимости от бизнес-цели.

Какие ограничения есть у вашего проекта?

Это важный вопрос. Он показывает зрелость мышления.

Можно сказать:

• данные учебные и могут отличаться от реальных;
• нет информации о части факторов;
• модель не проверялась в production;
• не оценивался экономический эффект;
• качество может измениться на новых данных;
• нужно больше данных для устойчивых выводов.

Практические кейсы на собеседовании

На собеседовании могут дать не только теоретические вопросы, но и мини-кейс. Здесь проверяют логику решения.

Кейс: как предсказать отток клиентов?

Хороший ответ:

1. Уточнить, что считается оттоком.
2. Определить горизонт прогноза: неделя, месяц, квартал.
3. Собрать данные по активности, покупкам, обращениям, платежам и поведению.
4. Провести EDA.
5. Подготовить признаки.
6. Разделить данные на train и test.
7. Выбрать baseline-модель.
8. Сравнить несколько моделей.
9. Выбрать метрики.
10. Проверить ошибки и ограничения.
11. Подумать, как бизнес будет использовать прогноз.

Кейс: почему упала конверсия?

Здесь не нужно сразу строить модель. Сначала аналитика.

Что проверить:

• период падения;
• источники трафика;
• изменения в рекламе;
• изменения на сайте или в приложении;
• воронку по шагам;
• технические ошибки;
• сезонность;
• сегменты пользователей;
• устройства и браузеры;
• изменения в продукте или цене.

Кейс: как сделать рекомендательную систему?

Нужно уточнить, что рекомендуем: товары, фильмы, курсы, статьи или услуги.

Дальше можно рассуждать так:

• собрать историю просмотров, покупок, оценок или кликов;
• понять, какие данные есть по пользователям и объектам;
• построить простой baseline;
• сравнить популярные рекомендации, похожие товары и персональные рекомендации;
• выбрать метрики качества;
• проверить результат через A/B-тест.

Вопросы от HR

HR может спрашивать не технические детали, а мотивацию, ожидания и коммуникацию.

Почему вы ушли в Data Science?

Ответ должен быть честным и связанным с задачами профессии. Можно упомянуть интерес к данным, аналитике, моделям, Python и практическим задачам.

Какие зарплатные ожидания?

Лучше заранее изучить рынок и понимать реалистичную вилку для своего уровня. Можно сказать диапазон и добавить, что готовы обсуждать условия в зависимости от задач, команды и формата работы.

Ориентиры по доходу смотрите в статье зарплата Data Scientist.

Готовы ли вы выполнить тестовое задание?

Для junior-уровня тестовые задания встречаются часто. Нормально уточнить объём, срок, формат результата и будет ли обратная связь.

Как вы относитесь к критике кода или проекта?

Хороший ответ: вы готовы к обратной связи, потому что в Data Science качество решения часто улучшается после обсуждения с командой, проверки данных и пересмотра гипотез.

Что спрашивают у Junior Data Scientist чаще всего

Для новичка особенно часты вопросы по базе и проектам.

Тема	Частый вопрос
Python	Чем list отличается от tuple?
Pandas	Как найти пропуски в DataFrame?
SQL	Чем WHERE отличается от HAVING?
Статистика	Чем медиана отличается от среднего?
ML	Что такое переобучение?
Метрики	Когда accuracy может быть плохой метрикой?
EDA	Что делать с пропусками и выбросами?
Проект	Почему вы выбрали эту модель?
Кейс	Как бы вы предсказали отток клиентов?

Если вы можете спокойно ответить на эти вопросы и разобрать свои проекты, база для первого собеседования уже есть.

Как подготовиться к собеседованию Data Science

Подготовку лучше строить не хаотично, а по блокам.

1. Повторить Python: типы данных, функции, списки, словари, Pandas.
2. Решить 20-30 SQL-задач на SELECT, JOIN, GROUP BY, HAVING и оконные функции.
3. Повторить статистику: среднее, медиана, дисперсия, корреляция, гипотезы, A/B-тесты.
4. Разобрать базовое машинное обучение: регрессия, классификация, кластеризация, переобучение, train/test.
5. Повторить метрики: accuracy, precision, recall, F1, ROC-AUC, MAE, RMSE.
6. Подготовить рассказы по каждому проекту.
7. Прорешать несколько практических кейсов.
8. Сформулировать свои зарплатные ожидания.
9. Подготовить вопросы работодателю.

Если нужен структурированный путь с проектами и подготовкой к трудоустройству, можно посмотреть лучшие курсы по Data Science.

Хотите подготовиться к Data Science-собеседованиям системно?

Сравните программы, где есть Python, SQL, статистика, машинное обучение, проекты для портфолио, карьерная поддержка и подготовка к интервью.

Смотреть лучшие курсы по Data Science

Как рассказывать о проекте на собеседовании

Проект лучше рассказывать по понятной структуре.

1. Задача: что нужно было решить.
2. Данные: откуда они, что означают строки и столбцы.
3. EDA: какие проблемы нашли.
4. Подготовка: что сделали с пропусками, выбросами, категориями.
5. Модель: какие варианты сравнивали.
6. Метрика: почему выбрали именно её.
7. Результат: что получилось.
8. Ограничения: где модель может ошибаться.
9. Что улучшить: какие шаги сделали бы дальше.

Такой рассказ показывает, что вы понимаете не только код, но и весь процесс решения задачи.

Какие вопросы задать работодателю

Собеседование - это не только проверка кандидата. Вы тоже выбираете команду.

Можно спросить:

• Какие задачи будет решать Junior Data Scientist?
• Есть ли наставник или ревью решений?
• Какие данные используются в команде?
• Какие инструменты и стек приняты?
• Есть ли production-модели или больше исследовательских задач?
• Как оценивается качество работы?
• Какие метрики важны для бизнеса?
• Как устроено взаимодействие с аналитиками, инженерами и продуктом?
• Какие ожидания на первые 3 месяца?

Хорошие вопросы показывают, что вы думаете не только о вакансии, но и о реальной работе.

Частые ошибки новичков на собеседовании

Заучивать определения без понимания

Собеседующий быстро заметит, если кандидат знает термин, но не может привести пример. Лучше объяснять простыми словами и связывать с практикой.

Не знать свои проекты

Если проект есть в резюме, вы должны уметь объяснить каждый шаг: данные, EDA, модель, метрики, ошибки и ограничения.

Говорить, что модель «просто лучше»

Нужно объяснять, по какой метрике лучше, почему эта метрика выбрана и какие есть ограничения.

Игнорировать SQL

Даже если вы хорошо знаете Python, слабый SQL может испортить впечатление. Данные часто нужно получать из баз.

Переоценивать свой уровень

Лучше честно сказать, что вы знаете базу и готовы учиться, чем заявлять senior-навыки после пары учебных проектов.

Не задавать вопросы

Если кандидат вообще ничего не спрашивает, может показаться, что ему неинтересны задачи, команда и процессы.

Мини-чеклист перед собеседованием

• Я могу объяснить, чем занимается Data Scientist.
• Я повторил Python и Pandas.
• Я решил SQL-задачи на JOIN, GROUP BY и HAVING.
• Я понимаю среднее, медиану, дисперсию, корреляцию и p-value.
• Я могу объяснить регрессию, классификацию и переобучение.
• Я понимаю accuracy, precision, recall, F1, MAE и RMSE.
• Я могу рассказать каждый проект по структуре.
• Я знаю ограничения своих проектов.
• Я подготовил вопросы работодателю.
• Я понимаю свои зарплатные ожидания.

Краткий вывод

На собеседовании Data Science новичков обычно спрашивают Python, SQL, статистику, математику, основы машинного обучения, метрики, EDA, проекты и практические кейсы.

Чтобы пройти интервью, недостаточно заучить определения. Важно уметь рассуждать: как вы проверяете данные, почему выбираете метрику, что делаете с пропусками, как оцениваете модель и как объясняете результат.

Самая сильная подготовка - это база плюс проекты. Если вы понимаете свои работы, можете объяснить ошибки и ограничения, уверенно пишете SQL и знаете основы ML, шансы пройти junior-собеседование заметно выше.

Читайте также

• Кто такой Data Scientist и чем он занимается
• Сколько зарабатывает Data Scientist
• Python для Data Science
• Математика для Data Science
• Статистика для Data Science
• Лучшие курсы по Data Science

FAQ

Какие вопросы задают на собеседовании Data Science новичкам?

Новичков чаще всего спрашивают Python, SQL, Pandas, статистику, основы математики, машинное обучение, метрики качества, EDA, проекты из портфолио и простые практические кейсы.

Нужно ли знать SQL для собеседования Data Science?

Да. SQL часто проверяют даже у Junior Data Scientist, потому что данные в компаниях обычно лежат в базах. Нужно знать SELECT, WHERE, GROUP BY, JOIN, HAVING и желательно оконные функции.

Какие вопросы по Python задают Data Scientist?

Могут спросить типы данных, списки, словари, функции, lambda, работу с файлами, основы Pandas, DataFrame, фильтрацию, группировки и обработку пропусков.

Что спрашивают по статистике?

Частые темы: среднее, медиана, дисперсия, стандартное отклонение, распределения, корреляция, p-value, доверительные интервалы, проверка гипотез и A/B-тесты.

Какие вопросы по машинному обучению задают новичкам?

Обычно спрашивают регрессию, классификацию, обучение с учителем и без учителя, train/test, переобучение, кросс-валидацию, метрики качества и выбор модели.

Как подготовить проекты к собеседованию?

По каждому проекту нужно уметь объяснить задачу, данные, EDA, обработку признаков, выбранную модель, метрики, результат, ограничения и идеи для улучшения.

Что делать, если не знаешь ответ на вопрос?

Лучше честно сказать, что вы не уверены, и попробовать рассуждать. На junior-уровне часто оценивают не только готовый ответ, но и ход мысли.

Как быстро подготовиться к собеседованию Data Science?

Повторите Python, SQL, статистику, базовое машинное обучение, метрики и свои проекты. Затем прорешайте несколько кейсов: отток клиентов, падение конверсии, прогноз спроса и выбор метрики.