《数据科学面试通关》详细阐述了与数据科学面试相关的基本解决方案，主要包括探索现代数据科学领域、在数据科学领域寻找工作、 Python编程、数据可视化与数据叙述、使用 SQL查询数据库、 Linux中的 Shell和 Bash脚本编写、使用 Git进行版本控制、用概率和统计挖掘数据、理解特征工程和为建模准备数据、精通机器学习概念、用深度学习构建网络、用 MLOps实现机器学习解决方案、掌握面试环节、协商薪酬等内容。此外，本书还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。
《数据科学面试通关》覆盖数据科学面试所需核心技能，从Python编程到机器学习、深度学习及MLOps，助力您全面提升，成功拿下理想工作。
在当今这个充满活力的技术环境中，对人工智能（AI）和数据科学角色的专业人才的需求激增，数据科学就业市场也日益被各个级别的数据科学和人工智能员工所占据。本书是一本全面的指南，旨在为有志之士和经验丰富的个人提供应对数据科学面试复杂性所需的基本工具和知识。无论你是第一次踏入人工智能领域，还是旨在提升专业技能，本书都提供了一种全面的方法帮助你掌握该领域的基础和尖端内容。
本书涵盖了从使用 Python 和 SQL 编程到统计分析、预建模和数据清洗概念、机器学习（ML）、深度学习、大型语言模型（LLM）和生成式人工智能的广泛关键主题。我们的目标是在深入探讨基础概念的同时，也提供全面的回顾和最新进展。在一个以语言模型和生成式人工智能的颠覆性潜力为标志的时代，不断提升你的技能至关重要。这本书就像指南针，引导读者了解这些变革性技术的复杂性，确保准备好应对它们带来的挑战并把握它们所呈现的机遇。
此外，除了技术实力之外，我们还将深入探讨人工智能职位的面试艺术，就如何在面试中脱颖而出和有效进行薪酬谈判提供了指导。此外，为数据科学职位量身打造一份出色的简历也是至关重要的一步，本书就如何撰写引人注目的简历，在竞争激烈的就业市场中吸引眼球提供独到的见解。随着人工智能重塑各行各业和创新加速发展，现在正是开始或推进数据科学之旅的理想时机。我们诚邀你深入了解这一全面的资源，并踏上掌握数据科学和人工智能动态世界的道路。
适用读者
如果你是一名经验丰富的专业人士，或者是一名需要提高技能的年轻专业人士，或者正在寻找进入令人兴奋的数据科学行业的机会，那么这本书就是为你准备的。
本书内容
在第 1 章中，我们以一个简短但有价值的概述开始我们的旅程，并介绍当前数据科学与人工智能的概况。
第 2 章介绍数据科学角色及其各种类别。
第 3 章介绍 Python 语言中最常见和有用的任务和操作。
第 4 章介绍如何讲述引人入胜的数据故事。
第 5 章深入讲解数据库世界，理解数据库的设计以及如何查询数据库以获取数据。
第 6 章通过 bash 和 shell 命令的力量提高操作系统技能，使你能够与多种技术进行本地或云端的交互。
第 7 章探索 Git 中最有用的命令，用于项目的协作和可重现性。
第 8 章讲解一些相关的概率和统计主题，它们为许多机器学习模型和假设提供了基础内容。
第 9 章利用对描述性统计的理解创建干净、机器可读的数据集。
第 10 章介绍最常用的机器学习算法、假设条件、工作原理以及如何评估它们的性能。
第 11 章更进一步地研究在各种应用中构建和评估神经网络，同时也会涉及人工智能的最新进展。
第 12 章回顾数据科学流程、工具和策略，以有效地设计和实施端到端的机器学习解决方案。
第 13 章讲解在面试过程的每个阶段成功绕过技术和非技术因素的最佳技巧。
第 14 章讲解如何优化收入潜力。
背景知识
为了充分利用本书，读者应该具备 Python、SQL 和统计学的基础知识。然而，如果读者熟悉其他分析语言，如 R，也将从本书中受益。通过复习 SQL、Git、统计学和深度学习等关键数据科学概念，读者将能很好地应对面试过程。
特别说明
在过去几个月里，尤其是本书写作过程中，可用的人工智能技术的普及度呈爆炸式增长。我们鼓励读者在他们的学习旅程中利用人工智能，借助诸如 ChatGPT 这样的工具测试新获得的技能。过去那种为了特定问题在 StackOverFlow 上搜索数小时的日子已经一去不复返了。现在，求助的力量就在你的指尖上。
本书的作者也利用生成式人工智能辅助处理一些次要的编辑任务和创建代码示例。然而，请放心，本书内容是由人类编写的，并且由我们规划了书中包含的内容。在这个新时代，我们只是想让读者了解我们如何使用了这些工具。
莱昂德拉·R·冈萨雷斯是微软的数据科学家，也是科技初创公司 CulTRUE 的首席数据官，拥有在科技、娱乐和广告领域 10 年的经验。在她的学术生涯中，她完成了与谷歌、亚马逊、NBC 和 AT&T 的教育合作。
第 1 篇 进入数据科学领域
第1章 探索现代数据科学领域 3
1.1 数据科学是什么 3
1.2 探索数据科学过程 5
1.2.1 数据收集 5
1.2.2 数据探索 5
1.2.3 数据建模 6
1.2.4 模型评估 6
1.2.5 模型部署和监控 6
1.3 分析数据科学的不同类型 6
1.3.1 数据工程师 8
1.3.2 仪表板和可视化专家 8
1.3.3 机器学习专家 9
1.3.4 领域专家 10
1.4 审视数据科学的职业路径 10
1.4.1 传统型数据科学家 11
1.4.2 领域专家型数据科学家 11
1.4.3 非传统路径数据科学家 12
1.5 解决经验瓶颈问题 13
1.5.1 学术经验 14
1.5.2 工作经验 15
1.6 理解预期的技能和能力 16
1.6.1 硬技能（技术技能） 17
1.6.2 软技能（沟通技能） 19
1.7 探索数据科学的演变 20
1.7.1 新模型 20
1.7.2 新环境 20
1.7.3 新计算 21
1.7.4 新应用 21
1.8 本章小结 22
1.9 参考文献 22
第2章 在数据科学领域寻找工作 23
2.1 寻找第一份数据科学工作 23
2.1.1 准备前行 24
2.1.2 寻找招聘板 25
2.1.3 构建出色的作品集 29
2.1.4 申请工作 31
2.2 制作金牌简历 33
2.2.1 完美简历的神话 34
2.2.2 理解自动化简历筛选 34
2.2.3 打造有效的简历 35
2.2.4 格式和组织 36
2.2.5 使用正确的术语 37
2.3 准备获得面试机会 39
2.3.1 摩尔定律 39
2.3.2 研究、研究、再研究 40
2.3.3 品牌塑造 42
2.4 本章小结 42
2.5 参考文献 43
第 2 篇 操控和管理数据
第3章 Python编程 47
3.1 变量、数据类型和数据结构 47
3.2 Python 中的索引 52
3.3 字符串操作 52
3.3.1 初始化字符串 53
3.3.2 字符串索引 53
3.4 使用 Python 控制语句和列表推导 57
3.4.1 条件语句 57
3.4.2 循环语句 58
3.4.3 列表推导 59
3.5 使用用户定义的函数 61
3.5.1 用户定义的函数的语法 61
3.5.2 使用用户定义的函数进行操作 62
3.5.3 熟悉 lambda 函数 63
3.5.4 创建优秀的函数 65
3.6 在 Python 中处理文件 67
3.7 使用 pandas 整理数据 68
3.7.1 处理缺失数据 69
3.7.2 选择数据 70
3.7.3 排序数据 74
3.7.4 合并数据 75
3.7.5 使用 groupby()进行聚合 76
3.8 本章小结 81
3.9 参考文献 82
第4章 数据可视化与数据叙述 83
4.1 理解数据可视化 83
4.1.1 条形图 84
4.1.2 折线图 85
4.1.3 散点图 87
4.1.4 直方图 87
4.1.5 密度图 88
4.1.6 分位数-分位数图（Q-Q 图） 89
4.1.7 箱线图 90
4.1.8 饼图 91
4.2 调查行业工具 93
4.2.1 Power BI 93
4.2.2 Tableau 93
4.2.3 Shiny 93
4.2.4 ggplot2（R） 93
4.2.5 Matplotlib（Python） 94
4.2.6 Seaborn（Python） 94
4.3 开发仪表板、报告和关键绩效指标 95
4.4 开发图表和图形 97
4.4.1 条形图Matplotlib 97
4.4.2 条形图Seaborn 99
4.4.3 散点图Matplotlib 100
4.4.4 散点图Seaborn 102
4.4.5 直方图Matplotlib 103
4.4.6 直方图Seaborn 104
4.5 应用基于情景的叙事 106
4.6 本章小结 109
第5章 使用SQL查询数据库 110
5.1 介绍关系数据库 110
5.2 掌握 SQL 基础知识 112
5.2.1 SELECT 语句 113
5.2.2 WHERE 子句 113
5.2.3 ORDER BY 子句 114
5.3 使用 GROUP BY 和 HAVING 聚合数据 116
5.3.1 GROUP BY 子句 116
5.3.2 HAVING 子句 118
5.4 使用 CASE WHEN 创建字段 119
5.5 分析子查询和 CTE 120
5.5.1 SELECT 子句中的子查询 121
5.5.2 FROM 子句中的子查询 122
5.5.3 WHERE 子句中的子查询 123
5.5.4 HAVING 子句中的子查询 125
5.5.5 区分公用表表达式（CTE）和子查询 125
5.6 使用连接合并表格 128
5.6.1 内连接 128
5.6.2 左连接和右连接 131
5.6.3 全外连接 133
5.6.4 多表连接 134
5.7 计算窗口函数 135
5.7.1 OVER、ORDER BY、PARTITION 和 SET 135
5.7.2 LAG 和 LEAD 138
5.7.3 ROW_NUMBER 140
5.7.4 RANK 和 DENSE_RANK 140
5.7.5 使用日期函数 142
5.8 处理复杂查询 143
5.9 本章小结 147
第6章 Linux中的Shell和Bash脚本编写 148
6.1 操作系统简介 148
6.2 导航系统目录 149
6.2.1 介绍基本命令行提示符 150
6.2.2 理解目录类型 151
6.3 文件和目录操作 152
6.4 使用 Bash 进行脚本编写 155
6.5 介绍控制语句 157
6.6 创建函数 160
6.7 数据处理和管道 162
6.8 使用 cron 164
6.9 本章小结 165
第7章 使用Git进行版本控制 167
7.1 介绍仓库 167
7.2 创建仓库 168
7.2.1 克隆现有的远程仓库 169
7.2.2 从头开始创建本地仓库 169
7.2.3 将本地仓库和远程仓库关联 170
7.3 详解数据科学家的 Git 工作流程 172
7.4 在数据科学中使用 Git 标签 174
7.4.1 理解 Git 标签 175
7.4.2 作为数据科学家使用标签 175
7.5 理解常见操作 175
7.6 本章小结 178
第 3 篇 探索人工智能
第8章 用概率和统计挖掘数据 181
8.1 用描述性统计描述数据 181
8.1.1 测量中心趋势 181
8.1.2 测量变异性 183
8.2 介绍总体和样本 184
8.2.1 定义总体和样本 185
8.2.2 代表性样本 185
8.2.3 减少抽样误差 186
8.3 理解中心极限定理 188
8.3.1 中心极限定理 188
8.3.2 证明正态性假设 188
8.4 用抽样分布塑造数据 191
8.4.1 概率分布 191
8.4.2 均匀分布 192
8.4.3 正态分布和学生 t 分布 192
8.4.4 二项分布 193
8.4.5 泊松分布 194
8.4.6 指数分布 194
8.4.7 几何分布 195
8.4.8 威布尔分布 196
8.5 假设检验 198
8.5.1 理解单样本 t 检验 198
8.5.2 理解双样本 t 检验 199
8.5.3 理解配对样本 t 检验 199
8.5.4 理解方差分析和多元方差分析 200
8.5.5 卡方检验 201
8.5.6 A/B 测试 201
8.6 理解Ⅰ 型错误和Ⅱ型错误 203
8.6.1 Ⅰ 型错误（假阳性） 204
8.6.2 Ⅱ型错误（假阴性） 205
8.6.3 寻求平衡 205
8.7 本章小结 206
8.8 参考文献 207
第9章 理解特征工程和为建模准备数据 208
9.1 理解特征工程 208
9.1.1 避免数据泄漏 209
9.1.2 处理缺失数据 209
9.1.3 数据缩放 212
9.2 应用数据转换 213
9.2.1 引入数据转换 213
9.2.2 对数转换 215
9.2.3 幂次转换 216
9.2.4 Box-Cox 转换 217
9.2.5 指数转换 219
9.3 处理分类数据和其他特征 220
9.3.1 独热编码 220
9.3.2 标签编码 221
9.3.3 目标编码 223
9.3.4 计算字段 224
9.4 执行特征选择 226
9.4.1 特征选择的类型 227
9.4.2 递归特征消除 227
9.4.3 L1 正则化 228
9.4.4 基于树的特征选择 228
9.4.5 方差膨胀因子 229
9.5 处理不平衡数据 230
9.5.1 理解不平衡数据 230
9.5.2 处理不平衡数据 231
9.6 降低维度 231
9.6.1 主成分分析 232
9.6.2 奇异值分解 232
9.6.3 t-SNE 233
9.6.4 自编码器 233
9.7 本章小结 234
第10章 精通机器学习概念 236
10.1 介绍机器学习工作流程 236
10.1.1 问题陈述 238
10.1.2 模型选择 238
10.1.3 模型调整 238
10.1.4 模型预测 238
10.2 监督机器学习 239
10.2.1 回归与分类 239
10.2.2 线性回归回归 240
10.2.3 逻辑回归 244
10.2.4 k-最近邻（k-NN） 246
10.2.5 随机森林 248
10.2.6 极端梯度提升（XGBoost） 252
10.3 无监督机器学习 254
10.3.1 K-means 255
10.3.2 具有噪声的基于密度的聚类应用（DBSCAN） 257
10.3.3 其他聚类算法 260
10.3.4 评估聚类 261
10.4 总结其他值得注意的机器学习模型 262
10.5 理解偏差-方差权衡 263
10.6 超参数调整 265
10.6.1 网格搜索 265
10.6.2 随机搜索 265
10.6.3 贝叶斯优化 266
10.7 本章小结 267
第11章 用深度学习构建网络 268
11.1 介绍神经网络和深度学习 268
11.2 讨论权重和偏差 271
11.2.1 权重介绍 271
11.2.2 偏差介绍 271
11.3 使用激活函数激活神经元 273
11.3.1 常见激活函数 273
11.3.2 选择合适的激活函数 275
11.4 剖析反向传播 276
11.4.1 梯度下降 276
11.4.2 什么是反向传播 276
11.4.3 损失函数 277
11.4.4 梯度下降步骤 278
11.4.5 梯度消失问题 278
11.5 使用优化器 281
11.5.1 优化算法 281
11.5.2 网络调整 282
11.6 理解嵌入 284
11.6.1 词嵌入 284
11.6.2 训练嵌入 284
11.7 列出常见的网络架构 285
11.7.1 常见网络 285
11.7.2 工具和包 287
11.8 介绍 GenAI 和 LLM 288
11.8.1 揭示语言模型 288
11.8.2 Transformer 和自注意力 289
11.8.3 迁移学习 290
11.8.4 GPT 应用 291
11.9 本章小结 293
第12章 用MLOps实现机器学习解决方案 294
12.1 引入 MLOps 294
12.2 理解数据采集 297
12.3 学习数据存储的基础知识 298
12.4 审查模型开发 299
12.5 模型部署的打包 300
12.5.1 确定要求 300
12.5.2 虚拟环境 301
12.5.3 环境管理的工具和方法 301
12.6 使用容器部署模型 302
12.7 验证和监控模型 304
12.7.1 验证模型部署 304
12.7.2 模型监控 305
12.7.3 思考治理 306
12.8 使用 Azure ML 的 MLOps 307
12.9 本章小结 307
第 4 篇 获得工作
第13章 掌握面试环节 311
13.1 掌握与招聘人员的早期互动 311
13.2 掌握不同的面试阶段 314
13.2.1 招聘经理阶段 314
13.2.2 技术面试 315
13.2.3 编码问题 316
13.2.4 小组面试阶段 319
13.3 本章小结 319
13.4 参考文献 320
第14章 协商薪酬 321
14.1 理解薪酬格局 321
14.2 谈判报价 322
14.2.1 谈判考虑因素 322
14.2.2 回应报价 323
14.2.3 最大可谈判薪酬和情境价值 324
14.3 本章小结 329
14.4 最后的话 330
书单推荐
