← 返回知识库总览

数据科学 (DS) 知识图谱

这是根据您的云端 Memory 动态生成的系统级技能树。通过掌握以下知识节点,您将构建起通往 DS / DA / PA 等职位的坚实桥梁。

获取完整云端知识体系 🚀
DS
DA
PA
正在扫描 Memory 构建图谱...
🏢

目标公司面试实战攻略

针对顶级科技公司与细分核心岗位的实战解析。高级订阅用户可获取云端专属 Prompt 以配合本地/云端 Agent 进行交互式面试特训。

♾️
♾️

Meta 面经考核指南

覆盖职位

Data Scientist - 产品决策 (Product Analyst)Data Scientist - 核心数据科学 (Core DS)Research Scientist - 实验设计

核心考察维度

核心考核产品指标体系设计、A/B 测试细节(第一类与第二类错误、样本量计算、网状效应)、Causal Inference (因果推断) 的非实验方法。面试注重商业敏锐度(Product Sense)。

备考突破策略 (Tips)

  • 掌握社交网络效应引起的样本溢出偏差及解决方法(如集群随机化分组)。
  • 熟悉使用 Double Machine Learning 或 Synthetic Control 等因果推断非实验建模技巧。
  • 准备系统化拆解 Meta 核心产品(如 Reels)关键北极星指标衰减时的原因分析框架。

🤖 云端知识 Agent 交互指令 (Prompt)

/talentme query Meta DS cluster randomization network effects and Reels metric drop case
📅

资料与教程更新日志

2026-06-24Quantitative Analyst (v2.0)
🔍Google

更新了《Google QA 经典方差缩减教程》:增加了 CUPED 方法中利用自变量修正方差时,多重线性偏回归系数推导的详细白板演示公式。

2026-06-23Data Scientist (v1.5)
💳Stripe

更新了《Stripe 信用卡风控欺诈检测评估体系》:新增了关于代价敏感学习 (Cost-sensitive) 损失矩阵权重的贝叶斯推导与决策树微调方案。

2026-06-21Data Scientist (v1.8)
♾️Meta

更新了《Meta A/B测试与社交网络实验污染应对》:加入了在同一网络拓扑结构下,基于自我中心的聚类随机化分组实验偏差分析与数学证明。

2026-06-17Data Scientist (v1.1)
🏢TikTok

更新了《Uplift Modeling 营销转化因果评估》:补充了 Causal Forest 算法分裂准则在预测异质性因果效应时的细节图示与理论。

2026-06-12merchant pricing (v1.0)
💳Stripe

新增了《Stripe 核心商户定价与弹性曲线分析》:给出了基于贝叶斯多层回归对细分市场中长尾商家费率弹性的概率估计模型指南。

本地知识库架构指南 (Local Template Modules)

配合上方云端技能树,当您在本地使用 MCP 初始化知识库时,会自动生成以下 6 大核心模块。您可以根据这些模块构建专属的本地知识引擎。点击卡片展开领域专属内容解析。

🏢

目标公司 (Companies)

展开详情

用于整理心仪公司的背景调查、核心业务、技术栈以及往期面经收集。比如可以将 OpenAI 或 Google 的面试风格做专门分类。

■ ToC 互联网大厂如 Meta, Netflix。注重极其严谨的 A/B 测试、用户增长 (Growth) 与产品迭代分析。
■ B2B / SaaS 公司注重客户生命周期价值 (LTV) 分析、流失率 (Churn) 以及商业变现策略。
💼

职位解析 (Roles)

展开详情

展示各个目标职位 (如 AS, MLE, DS) 的 Job Description、能力模型解析以及常考题型分布。

■ DS-Product (产品数据科学家)侧重产品分析、A/B Testing 实验设计、核心指标体系建立与归因分析。
■ DS-Algorithm/Modeling侧重机器学习预测模型 (如流失率预测、LTV 预估)、因果推断 (Causal Inference)。
■ DE (Data Engineer)侧重数据流水线 (Data Pipeline) 构建,ETL 流程,数据仓库架构设计与优化。
🎤

面试记录 (Interviews)

展开详情

追踪并记录每一次真实面试的实战复盘。包括面试官背景、遇到的难点问题以及自我改进的反馈总结。

■ 面试复盘模版包含 面试官背景、每一轮的问题原题、我当时的回答、以及可改进之处。
■ 录音/转录总结可将面试转录稿直接通过 MCP 喂给 Agent,由 Agent 自动提取总结。
🛠️

核心项目 (Projects)

展开详情

使用 STAR 原则深度剖析您的个人工作项目,整理系统架构 trade-offs,为简历深挖 (Deep Dive) 做好准备。

■ S (Situation)业务背景与核心痛点分析。
■ T (Task)预期的量化目标与指标。
■ A (Action)技术选型权衡 (Trade-offs),攻克的最大技术难点。
■ R (Result)最终落地的量化收益表现。
■ Deep Dive 预演如果流量大 10 倍,该如何重新设计系统?
📝

简历履历 (Resumes)

展开详情

专门用来追踪和更新您的不同版本简历 (如 General版、算法定制版),以及平时积累的 Bullet Points 高光素材。

■ 多版本维护针对不同方向 (如偏工程 vs 偏研究) 维护定制版简历。
■ 高光素材库平时日常工作中积攒的 Bullet Points 随时记录,避免写简历时无从下笔。
📚

技术基础 (Tech Fundamentals)

展开详情

包含您的整体知识体系骨架。从数据结构、高并发系统设计到 AI 领域前沿知识 (如 LLM, RAG),在此沉淀系统化笔记。

■ 统计学与 A/B 测试假设检验,p-value,统计功效 (Power),实验设计陷阱防范。
■ SQL & 数据处理复杂 Window Function,性能调优,Pandas/Spark 大数据处理。
■ 机器学习基础回归,分类,聚类,树模型 (XGBoost/LightGBM) 的原理与调参。