cda

全国校区

您的位置:首页 > 学生感言 > 在CDA学成之后,终于拿到了我的理想offer!

在CDA学成之后,终于拿到了我的理想offer!

2019-08-23


上海57期数据分析就业班学员


姓名:谭同学
毕业院校:湖南大学
专业:软件工程
入职信息:上海某汽车公司,数据分析师,薪资保密,上海

各位同学大家好,很荣幸接到李智老师的邀请,分享一些个人的收获给大家。以下是本人面试完,到最终拿到期望offer后的一些心得体会,希望可以给大家提供一些帮助!
根据本人的面试经验,本文主要做些课堂补充。


数据岗位大体分为两类:1业务数据分析;2数据建模


1、 业务数据分析技能:Tableau+数据思维


数据思维:漏斗、留存、指标体系都是最为基本的,想要高薪需要具体业务的分析和推进思路,这方面我至今不到火候,就不班门弄釜了

2、 数据建模


个人把模型方面分为三部分
2.1第一部分:监督算法模型主力:回归模型+决策树+集成算法模型
金融岗爱问
2.1.1回归模型
损失函数L1,L2及其区别、逻辑回归公式推导
2.1.2集成算法模型(风投爱问)
随机森林、GBDT、XGB,特点+意义
2.2第二部分:监督补充sank(svm+ann+nb+knn)
SVM公式推导
2.3第三部分:非监督算法模型:关联+聚类
2.3.1关联
apriori可以拓展到推荐模型,结合协同过滤知识点一并交流(市场对推荐模型有偏好,问得多)
2.3.2聚类
kmeans的算法步骤:迭代地确定簇心,调整簇数据,直至簇心稳定
kmeans分箱是非监督分箱的一种

3、特征工程


处理缺失、异常值、共线性、数据不平衡性、编码、归一化、分箱、降维。。。。

缺失值:83法,小于30%填补+大于80%考虑删除+之间可独立成一项
异常值:盖帽法
不平衡性:过采样+欠采样(各自的处理方案最好心里有数,可以适当做一定的拓展阅读)
归一化:提高模型收敛速度和精度
分箱:分为监督分箱+非监督分箱(分别有哪些,心里要有数)
降维:分为线性降维+非线性降维(分别有哪些,心里要有数)
按上述展开方案,特征工程这块就能聊很久,可使简历上的项目生动形象

4、相关问题


这些算是我的直接面经吧,答案都在课堂+自我拓展里,准备不到位免不了到场卡壳
4.1特征工程耗时70%,你们都做了什么?
4.2写一下逻辑回归的推导公式
4.3写一下SVM的推导公式
4.4逻辑回归交叉熵公式?
4.5决策树熵增益公式?GINI公式?
4.6评分卡
4.6.1为什么要对原始数据进行卡方分箱?不可以直接使用原始数据吗?
4.6.2降维的方法有哪些?你知道PCA的原理吗?
4.7写一下apriori支持度、置信度、提升度公式?你还知道其他指标吗?
4.8bagging、boosting的区别?

最后,非常感谢CDA的这个学习平台,学习期间收获颇多,同时也感谢同学和各位老师们提供的帮助,希望CDA越来越好,可以培育出更多的优秀分析师!!!

完 谢谢观看

分享
收藏

OK