Вопросы и ответы по Guesstimate | Simplilearn

Вы когда-нибудь слышали, как кто-то говорит: «Какова ваша лучшая догадка?»? Конечно, неудивительно, что некоторые догадки лучше других. Неважно, плохие они или хорошие, догадки дают нам по крайней мере немного информации, когда мы пытаемся определиться с курсом действий или выбором. Использование догадки в качестве руководства при принятии решений не является идеальным вариантом, но это лучше, чем ничего.

С другой стороны, если догадка достаточно ужасна, возможно, лучше было бы вообще не догадываться! В конце концов, некоторые из нас лучше догадываются, чем другие.

Компании, ищущие специалиста по данным, хотят иметь людей, которые могут делать хорошие предположения, поскольку иногда эта роль требует догадок. Поэтому потенциальные специалисты по данным, проходящие собеседование, должны показать, что у них есть прочное понимание того, как делать предположения, оценки или, объединяя эти два термина, предположительное предположение.

Вот почему сегодня мы рассмотрим самые главные вопросы для предварительного расчета для интервью по науке о данных (и претенденты на должности в схожих, смежных областях!). Если вы хотите стать специалистом по данным, бизнес-аналитиком, архитектором данных или консультантом, вам необходимо ознакомиться с такого рода вопросами.

Но сначала, что такое догадка?

Что такое приблизительная оценка?

Термин «guesstimate» — это гибрид слов «guess» и «estimate». Guesstimates — это приблизительные оценки, основанные на имеющейся ограниченной информации. Guesstimate — это предположение, основанное на информации, а не точный ответ.

Приблизительные оценки имеют следующие пять характеристик:

• Значение: понимание проблемы, выяснение ее цели и того, почему вы хотите ее решить.
• Определение: объяснение, рассматриваемый объект и вход/выход потока процесса.
• Угадывание: размышление и прихождение к выводу
• Оценка: составление сметы на основе цифр, с которыми вам предстоит работать.
• Генерация идеи: принятие концепции и ее реализация с помощью исследований и разработок.

Советы по вопросам приблизительных оценок в науке о данных

Хотя вопросы на догадки не дают точных ответов, вы все равно можете использовать определенные привычки и тактики, которые могут улучшить качество ваших ответов. Помните эти советы:

• Помните, что правильного ответа не существует: поэтому, пожалуйста, не заморачивайтесь поисками точного решения; его не будет.
• Записывайте все: Запишите каждую часть вопроса, и если вопрос требует сегментации, создайте блок-схему, показывающую каждый сегмент. Интервьюер может захотеть увидеть ваш лист расчетов, поэтому не делайте лист неразборчивым или заполненным грубыми расчетами.
• Практикуйтесь в округлении: не беспокойтесь о дробях или десятичных дробях — округляйте числа до ближайшего целого числа.
• Факты превыше чувств. Не полагайтесь на интуицию. Логика и факты (даже если их у вас немного) имеют больший вес, чем то, что вы чувствуете или верите.
• Оставайтесь невозмутимыми: Вам могут задать странный вопрос, но не позволяйте этому сбить вас с толку. На каждый вопрос есть ответ, каким бы странным он ни был.
• Остановитесь на минутку и подумайте: Вы не получаете баллы за скорость. Сделайте паузу и подумайте над вопросом; успокойте свой разум и подумайте рационально.
• Проясните свои мысли, а затем озвучьте их: как только у вас появится возможность рассмотреть все аспекты и использовать все имеющиеся в вашем распоряжении факты, придумайте в голове ответ, а затем выразите его.
• Помните, нет неправильного ответа: эта концепция достаточно важна, чтобы ее повторить. Правильных ответов нет! Если вы отложите ответ до тех пор, пока не придумаете идеальный ответ, вы окажетесь в воде, и интервьюер не будет впечатлен.

Вопросы и ответы по прикидкам

Вот подборка десяти наиболее распространенных вопросов guesstimate для интервью по науке о данных, охватывающих все области знаний, от новичков до опытных профессионалов. Некоторые из вопросов могут охватывать уже рассмотренные концепции, но они включены в любом случае для создания окончательного списка вопросов guesstimate.

1. Что такое приблизительная оценка?

Предположительная оценка — это предположение, основанное на существующей информации; приближение, основанное на доступных данных.

2. Как решить задачу на догадки?

Вы можете решить задачу на догадки, разбив ее на четыре шага:

Во-первых, проясните все неясные термины в запросе.

Во-вторых, разбейте большие числа на более мелкие, более удобные для обработки части.

В-третьих, используйте базовые знания для оценки каждой детали.

Наконец, объедините все части и представьте свои выводы.

3. Приведите несколько примеров вопросов, требующих приблизительного ответа.

Вот несколько типичных вопросов для приблизительной оценки:

Какое количество телефонов Android в настоящее время используется в Дели?

Сколько квадратных дюймов пиццы съедают американцы в день?

Сколько чая пьют жители Соединенного Королевства в день?

Сколько мячей для гольфа поместится в MINI Cooper?

4. Какую функцию выполняют вопросы на догадки в науке о данных?

Во-первых, они помогают оценить способность аналитика данных понимать ситуацию.

Во-вторых, они демонстрируют возможности аналитика данных связывать данные воедино и находить ответ.

В-третьих, они измеряют, насколько хорошо аналитик может расставлять приоритеты или игнорировать различные параметры.

Наконец, они показывают, насколько хорошо аналитик может работать с ограниченными данными.

5. Каковы два метода решения вопросов с приблизительными оценками?

Метод сверху вниз. Начните с максимально возможной вселенной (частью которой является предполагаемая оценка), примените наборы условий и фильтров, сокращая числа вселенной до чего-то, что подходит для оценки.

Метод снизу вверх. Начните с статистики низкого уровня и постепенно продвигайтесь к ответу. Например, если вы хотите узнать ежемесячный доход продавца, вам нужно узнать его недельный доход, а затем умножить результат на 4.

6. Объясните три различных предположения, основанных на вашем подходе к решению.

Эти три типа:

Подход на уровне домохозяйств: этот подход рассматривает приблизительные оценки на уровне домохозяйств.

Подход, основанный на данных о населении: этот подход решает вопросы, связанные с приблизительными оценками численности населения, например, пытается выяснить, сколько людей проживает в определенном районе.

Структурный подход: этот подход позволяет делать приблизительные оценки для таких ситуаций, как определение количества транспортных средств, проезжающих по определенному мосту каждый день.

7. Как бы вы определили, сколько пользователей iPhone в Соединенном Королевстве?

Во-первых, уточните, что вопрос касается всех моделей iPhone. Во-вторых, определите численность населения. В Великобритании проживает около 67 миллионов человек, из которых около 40 процентов — дети и пожилые люди, поэтому мы их не будем учитывать. Это значит, что у нас осталось 40 200 000 потенциальных пользователей iPhone.

Поскольку iPhone, как правило, дороги, мы далее исключим всех, кто ниже среднего класса. Около 25 процентов населения Великобритании относится к категории среднего класса, а 6 процентов — к высшему классу. Это дает нам 12 462 000 потенциальных пользователей iPhone. Согласно текущей статистике, доля iPhone на мировом рынке составляет 22 процента, что дает окончательный предполагаемый результат в 8 844 000.

8. Сколько носков вам придется достать из пакета, в котором находятся синие и красные носки, чтобы получить пару одинаковых носков?

Допустим, вы тянетесь и достаете красный носок, затем синий. Поскольку третья попытка даст вам еще один красный или синий носок, у вас будет ваша пара. Итак, вам нужно три попытки.

9. Сколько человек проживает в вашем многоквартирном доме?

В вашем городе стандартная конфигурация квартир — 10-этажные здания, на каждом этаже по 20 квартир. Это 200 квартир.

В среднестатистической квартире проживает четыре человека. Так что на первый взгляд, ваша догадка будет 800 человек. Но не так быстро! Общепринятая точка зрения гласит, что 10 процентов квартир в здании не заняты! Так что это значит, что вы догадались, что в вашем здании проживает 720 человек.

10. Сколько чашек кофе выпивают американцы в Нью-Йорке в месяц?

Давайте начнем с того, что установим, что люди пьют меньше чашек кофе по выходным, потому что им не нужен кофеин для работы. Далее нам нужно посмотреть население Нью-Йорка, которое составляет около 9 миллионов человек.

Давайте теперь предположим, что 20 процентов этих людей — дети, а вы не хотите давать детям кофеин! Итак, из оставшегося числа 30 процентов пьют кофе каждый день, 20 процентов пьют кофе время от времени, а 10 процентов вместо этого пьют чай.

Теперь предположим, что те, кто пьет кофе ежедневно, могут выпивать по три чашки кофе в день, а те, кто пьет кофе время от времени, довольствуются всего двумя чашками в неделю. Вот разбивка формулы:

Ежедневно пьющие кофе: 3 x 0,2 x 7 = 4,2

Любители кофе изредка: 1 x 0,2 x 1 = 0,2

Любители чая: 0

Всего: ежедневно + иногда + любители чая = 4,4 чашки в день

В месяц = ​​4 x 4,4 x 7,2 миллиона = 126 720 000 чашек кофе в месяц. Это очень много кофе!

Выберите правильный курс

Курсы Simplilearn по науке о данных обеспечивают всестороннее понимание ключевых концепций, инструментов и методов науки о данных. Благодаря признанной в отрасли сертификации, практическим проектам и обучению под руководством экспертов наши курсы помогают учащимся получить навыки, необходимые для успеха в мире, управляемом данными. Повысьте свою карьеру с Simplilearn сегодня!

Хотите стать специалистом по анализу данных?

Наш мир работает на данных, и потребность в специалистах по данным сейчас больше, чем когда-либо. Если вы хотите построить карьеру специалиста по данным, Simplilearn поможет вам начать. Магистерский курс Data Scientist, проводимый совместно с IBM, повышает ваши карьерные устремления в области науки о данных и предоставляет вам необходимую подготовку и навыки мирового класса для достижения успеха в этой области. Курс предлагает обширную подготовку по самым востребованным навыкам в области науки о данных и машинного обучения, включая практическое знакомство с такими важными инструментами и технологиями, как Python, R, Tableau, и концепциями машинного обучения. Вы можете стать экспертом в области науки о данных, глубоко погрузившись в нюансы интерпретации данных, освоив такие технологии, как машинное обучение, и освоив мощные навыки программирования, призванные вывести вашу карьеру в области науки о данных на новый уровень.

В соответствии с Стеклянная дверь, Специалисты по данным в Индии могут получать среднюю годовую зарплату в размере ₹1 000 000. Glassdoor также сообщает, что специалисты по данным в Соединенных Штатах могут получать среднюю годовую зарплату в размере 110 000 долларов США.

Так что не откладывайте! Посетите Simplilearn сегодня и начните плодотворную, захватывающую карьеру в области науки о данных с нашей программой аспирантуры Caltech по науке о данных!