Тест: подходит ли вам профессия «Data Scientist»?
Этот тест моделирует реальные рабочие ситуации, с которыми сталкивается Data Scientist: от очистки грязных данных до защиты моделей перед бизнесом. Ваши ответы покажут, насколько ваш стиль мышления и действий соответствует требованиям профессии.
Зачем проходить тест на профессию «Data Scientist»?
Выбор профессии — одно из важнейших решений в жизни. Этот бесплатный онлайн-тест поможет определить, обладаете ли вы ключевыми качествами для работы Data Scientist.
За 3 минуты вы получите:
- Оценку пригодности к профессии по шкале от 0 до 100%
- Разбор сильных сторон и зон роста
- Персональные рекомендации по развитию
- Актуальную информацию о зарплате: 200 000 ₽
- Подборку проверенных курсов для обучения профессии
Тест основан на анализе требований работодателей к специалистам уровня Junior и Middle. Результаты носят рекомендательный характер и помогут сделать осознанный выбор.
🎯
🎮 Квест: Профессия «Data Scientist»
Пройдите мини-игру из 10 заданий и узнайте, подходит ли вам эта профессия. Получите оценку пригодности и персональные рекомендации.
- 🎯 Оценка пригодности по шкале от 0 до 100%
- 🧩 Разбор сильных сторон и зон роста
- 🏆 Подборка курсов для обучения
Вопросы и ответы о тесте на профессию «Data Scientist»
Вы получили датасет с продажами за 2 года. В колонке 'возраст клиента' 15% пропусков, а в 'сумма покупки' есть отрицательные значения. Бизнес просит срочно построить прогноз оттока. Ваши действия?
Варианты ответа: Сначала изучу природу пропусков и аномалий: возможно, отрицательные значения — это возвраты, а пропуски в возрасте можно восстановить по другим признакам. Затем выберу метод импутации и обработаю выбросы, зафиксировав все допущения., Удалю все строки с пропусками и отрицательными значениями, чтобы быстро обучить модель на чистых данных., Заполню пропуски средним возрастом, а отрицательные суммы заменю на ноль и сразу перейду к обучению модели..
Вы обучили модель прогнозирования оттока с accuracy 95%, но на новых данных через месяц качество упало до 70%. Заказчик недоволен. Ваши действия?
Варианты ответа: Проанализирую распределение признаков на новых данных, проверю data drift, пересмотрю валидационную стратегию и добавлю мониторинг модели в продакшене., Переобучу модель на новых данных и снова замерю accuracy, не углубляясь в причины падения., Спишу падение на сезонность и предложу заказчику подождать ещё месяц, пока данные не стабилизируются..
Маркетинг просит объяснить, почему модель рекомендует снизить бюджет на канал X, который исторически приносил много клиентов. У вас есть только глобальные feature importance. Ваши действия?
Варианты ответа: Применю SHAP или LIME для интерпретации предсказаний на уровне конкретных наблюдений, чтобы показать, какие факторы влияют на решение модели по каналу X., Скажу, что модель — чёрный ящик, но доверять ей можно, так как метрики на тесте высокие., Предложу маркетингу просто не менять бюджет, раз исторически канал работал хорошо..
Вам нужно объединить данные из SQL-базы (транзакции) и API CRM (профили клиентов) для обучения модели. В CRM 30% клиентов отсутствуют в транзакциях. Ваши действия?
Варианты ответа: Проведу исследовательский анализ, чтобы понять, случайны ли пропуски. Если нет — создам признак 'отсутствие транзакций' и использую left join, чтобы сохранить всех клиентов., Использую inner join, чтобы оставить только клиентов с транзакциями, — так данные будут полнее., Заполню отсутствующие транзакции средними значениями по всей базе, чтобы не терять клиентов..
Вы построили модель кредитного скоринга. Бизнес хочет автоматически отказывать клиентам с вероятностью дефолта > 0.7. Но среди отказов оказывается много платёжеспособных клиентов. Ваши действия?
Варианты ответа: Проанализирую матрицу ошибок и бизнес-стоимость ложноположительных и ложноотрицательных решений, предложу оптимальный порог с учётом прибыли и рисков., Оставлю порог 0.7, так как это стандартная практика, и предложу переобучить модель на более свежих данных., Снижу порог до 0.5, чтобы отказывать меньшему числу клиентов, даже если вырастут риски..