Вопросы на собеседовании для Data Scientist (2026)
Собеседования data scientist охватывают широкую область: вероятность и статистика, основы machine learning, SQL и манипуляции с данными, продуктовый/аналитический кейс, и поведенческие вопросы. Точная пропорция зависит от того, тяготеет ли роль к аналитике, ML-инжинирингу или исследованиям, поэтому прояснить фокус роли заранее — уже хороший сигнал.
В вопросах ниже интервьюеров интересует строгость и коммуникация. Можете ли вы точно рассуждать о статистическом понятии, выбрать правильную модель для задачи и обосновать её, написать корректный SQL, и перевести размытый бизнес-вопрос в измеримый анализ? Указывать допущения и объяснять компромиссы важно не меньше, чем итоговая цифра.
Практикуйтесь объяснять технические понятия просто, как если бы это было для нетехнического стейкхолдера. Большая часть этой работы — и большая часть интервью — это сделать надёжный анализ понятным для тех, кто будет на его основе действовать.
Вопросы на собеседовании для Data Scientist и как на них отвечать
1. Объясните компромисс между смещением (bias) и дисперсией (variance).
Подход: Определите оба источника ошибки, затем свяжите их со сложностью модели: простые модели недообучаются (высокое смещение), сложные переобучаются (высокая дисперсия). Свяжите с конкретными рычагами — регуляризация, больше данных, кросс-валидация — и разложением общей ошибки.
2. Что такое p-value, и о чём оно не говорит?
Подход: Определите как P(данные столь же экстремальные | нулевая гипотеза верна). Ключевое слово 'не': это не вероятность того, что гипотеза верна, и статистическая значимость ≠ практическая важность. Упомянуть частые неправильные интерпретации — это сигнал.
3. Как бы вы справились с несбалансированным датасетом для классификации?
Подход: Начните с метрики (accuracy вводит в заблуждение; используйте precision/recall, F1, AUC-PR). Затем техники: ресемплинг (SMOTE, undersampling), веса классов, настройка порога. Подчеркните оценку на реальном распределении.
4. Когда вы бы использовали random forest вместо gradient boosting?
Подход: Противопоставьте bagging (параллельный, снижает дисперсию, устойчив к переобучению) и boosting (последовательный, снижает смещение, выше точность, но более чувствителен к тюнингу). Упомяните стоимость обучения и компромиссы интерпретируемости.
5. Напишите SQL-запрос для поиска второй по величине зарплаты в каждом отделе.
Подход: Используйте оконную функцию: DENSE_RANK() OVER (PARTITION BY dept ORDER BY salary DESC), с фильтром rank = 2. Обсудите разницу в обработке совпадений между RANK, DENSE_RANK и ROW_NUMBER.
6. Как вы обнаруживаете и обрабатываете выбросы?
Подход: Отличайте ошибки данных от подлинных экстремальных значений. Методы: IQR, z-оценка, пороги по домену, визуализация. Решение, которое нужно проговорить: удаление реального сигнала может сместить модель — исследуйте, прежде чем удалять.
7. Спроектируйте A/B-тест для нового алгоритма рекомендаций.
Подход: Определите гипотезу, основную метрику и защитные метрики (guardrails). Рассчитайте размер выборки на основе MDE и мощности. Рассмотрите единицу рандомизации, эффекты новизны, и момент остановки. Заранее зарегистрируйте критерий успеха.
8. Объясните, как бы вы оценивали модель, которая хорошо работает offline, но плохо в продакшене.
Подход: Исследуйте distribution shift, train/serve skew, утечку (leakage) в offline-данных, и циклы обратной связи. Предложите мониторинг и shadow-деплой. Проверяется системное мышление.
9. Какая разница между регуляризацией L1 и L2?
Подход: L1 (Lasso) вызывает разреженность (sparsity) и выполняет отбор признаков; L2 (Ridge) плавно уменьшает коэффициенты. Объясните геометрически, почему углы L1 обращают веса в ноль, и когда предпочтительна каждая из них.
10. Расскажите о случае, когда ваш анализ изменил бизнес-решение.
Подход: STAR. Покажите вопрос, ваш метод, и, что критически важно, коммуникацию, которая привела к действию. Оцифруйте результат. Data scientist'ов, которые не могут влиять на решения, не нанимают.
Получайте помощь в реальном времени на вашем собеседовании data scientist
Во время живого собеседования по data science Natively транскрибирует вопрос и может показать нужное определение, формулу или шаблон SQL в реальном времени на вашем устройстве — полезно, когда нервы заставляют знакомое понятие на миг выскользнуть из головы.
