【摘要】发现假数据科学家的20个问题现在，数据科学家是21世纪最性感的职业，每个人都希望分一块蛋糕。这表示会有一些装腔作势的数据人士。这些人称

 发现假数据科学家的20个问题

现在，数据科学家是21世纪最性感的职业，每个人都希望分一块蛋糕。

这表示会有一些装腔作势的数据人士。这些人称自己为数据科学家，但他们并不掌握对应的技能。

这个问题的出现不一定是因为欺骗的目的。数据科学是全新的，且缺乏具有广泛共识的职位描述，意味着很多人只因为处理数据就认为自己是数据科学家。

“假的数据科学家往往是某个特定学科的专家，并且坚持他们的学科是唯一真正的数据科学。这种信念没有抓住数据科学的要点，数据科学涉及到应用全部科学工具和技术（数学、计算机、可视化、分析、统计、实验、问题定义、模型构建和验证等等）以得到来自数据的发现、洞察和价值。”

——Kirk Borne，Booz Allen Hamilton的首席数据科学家和RocketDataScience.org的创始人

第一种发现假数据科学家的方法是了解你应该寻找的技能。知道数据科学家、数据分析师和数据工程师之间的不同之处很重要，尤其是如果你打算雇佣这些不常见的人时。

为了帮助对数据科学家由真到假（或者被误导的）排序，我们提出了一个20道题的列表，你可以在面试数据科学家时问问他们。

解释什么是正则化，以及它为什么有用。

你最欣赏哪些数据科学家？哪些相关的创业公司？

如何验证一个用多元回归生成的对定量结果变量的预测模型。

解释准确率和召回率。它们和ROC曲线有什么关系？

如何证明你对一个算法的改进确实比什么都不做更好？

什么是根本原因分析？

你是否熟悉价格优化、价格弹性、库存管理、竞争情报？举例说明。

什么是统计检定力？

解释什么是重抽样方法和它们为什么有用。并说明它们的局限。

有太多假阳性或太多假阴性哪个相比之下更好？说明原因。

什么是选择偏倚，为什么它很重要以及如何避免它。

举例说明如何使用实验设计回答有关用户行为的问题。

“长”数据和“宽”数据有什么不同之处？

你用什么方法确定一篇文章（比如报纸上的）中公布的统计数字是错误的或者是为了支持作者观点，而不是关于某主题正确全面的事实信息？

解释Edward Tufte“图表垃圾”的概念。

你会如何筛查异常值？如果发现它会怎样处理？

如何使用极值理论、蒙特卡洛模拟或其他数学统计（或别的什么）正确估计非常罕见事件的可能性？

推荐引擎是什么？它如何工作？

解释什么是假阳性和假阴性。为什么区分它们非常重要？

你使用什么工具进行可视化？你对Tableau/R/SAS（用来作图）有何看法？如何有效地在一幅图表（或一个视频）中表示五个维度？

“一名‘真正的’数据科学家了解如何应用数学和统计，如何使用合理的实验设计构建和验证模型。掌握IT技能但没有统计技能只会让你成为一个造手术刀的外科医生那样的数据科学家”