Facebook数据科学面试：广告投放与审查策略解析

“fb onsite.pdf”是一份关于数据科学面试的Facebook面试经验分享，包含了与数据挖掘、机器学习、面试和MySQL等相关技术的问题和解答。这份资料对于准备Facebook或其他类似公司的面试非常有帮助。 1. 广告投放策略分析 在这个问题中，讨论了两种不同的广告插入方法。第一种方法是在每个帖子中有4%的概率被广告替代，而第二种方法是在每25个帖子中随机选择一个作为广告。面试者被问到在查看100个帖子和广告的情况下，哪种方法期望看到的广告数量更多，方差有何差异。答案是期望数量相同，但第二种方法的方差更小，因为其分布更集中。计算用户看到超过预期两倍广告的概率时，可以使用伯努利分布，对于第一种方法，也可以通过正态分布近似，但要注意当样本量较小（np<5）时，正态近似可能不准确。 2. 懒惰评审员与优秀评审员 这个问题涉及两类评审员，优秀的评审员有p%的概率评价广告为好，(1-p)%的概率评价为差；懒惰的评审员则总是评价为好。如果70%的评审员是优秀的，30%是懒惰的，求广告被评为差的概率。若3个广告被评价为好，求它们是由优秀评审员评价的概率。此外，还涉及到评论每日分布的中位数和95th百分位数的分布情况。 3. Datacamp统计课程面试题 这部分可能涉及条件概率的变体问题，通常这类题目会测试面试者对概率论和统计学中的高级概念理解，例如条件概率、贝叶斯定理等。 4. 随机会议安排 面试的另一个问题可能涉及到k个会议的随机安排。这类问题可能会测试面试者的概率计算能力和对随机过程的理解，如泊松过程或二项分布。 这些面试问题旨在评估候选人在数据科学领域的实际应用能力，包括概率统计、数据分析、随机过程和模型构建等关键技能。准备面试时，除了深入理解这些概念，还需要能够将它们应用于解决实际问题，如广告投放策略优化、数据审核效率分析等。同时，熟悉SQL（如MySQL）也是数据科学家的重要技能，可能在面试中涉及数据库查询和数据处理的题目。