Top 40+ câu hỏi phỏng vấn Data Scientist phổ biến và gợi ý trả lời

Nội dung bài viết

Data Scientist đóng vai trò nghiên cứu, xây dựng mô hình Machine Learning hay AI để giải quyết các bài toán phức tạp (dự đoán, phân loại, khuyến nghị…). Công việc của họ đòi hỏi kiến thức chuyên sâu về toán thống kê, kỹ năng lập trình và tư duy sáng tạo để thử nghiệm, tinh chỉnh thuật toán ở mức độ cao. Chính vì thế, các buổi phỏng vấn Data Scientist thường rất căng thẳng. Hiểu được vấn đề đó, sau đây là top 40+ câu hỏi phỏng vấn Data Scientist thường gặp ở các buổi phỏng vấn.

Vì nhu cầu tuyển dụng Data Scientist tương đối hạn chế, với phạm vi ứng dụng chuyên sâu, bài viết dưới đây về các câu hỏi phỏng vấn Data Scientist sẽ chỉ mang tính chất tham khảo với gợi ý câu trả lời ngắn gọn. Khuyến khích người đọc nên tự tìm hiểu thêm từ nhiều nguồn khác nhau để nắm bắt trọn vẹn những gì thị trường đang mong đợi ở một Data Scientist.

Các câu hỏi phỏng vấn Data Scientist về nền tảng kỹ thuật

Bạn sử dụng Google Colab hay Vertex AI Workbench như thế nào để chạy và quản lý notebook?

Google Colab: Mô tả cách bạn gắn Google Drive để đọc ghi dữ liệu, cài đặt GPU/TPU (“Runtime” > “Change runtime type”) để tăng tốc huấn luyện. Nhấn mạnh việc bạn sử dụng magic commands (như %time, %memit) để theo dõi hiệu năng.
Vertex AI Workbench: Trình bày cách bạn tạo notebook trên GCP, tích hợp với các dịch vụ khác (Cloud Storage, BigQuery), thiết lập pipeline tự động training và deploy mô hình.

Điểm cộng: Đề cập đến CI/CD cho Data Science, ví dụ dùng Cloud Build + Vertex AI Pipelines, quản lý các bước ETL, training, test và deployment mô hình liên tục.

Bạn tích hợp VSCode với Jupyter Notebook ra sao để phát triển và debug mô hình?

Ở câu này, bạn nên thể hiện mức độ thành thạo trong việc sử dụng một IDE như VSCode, vốn phổ biến trong cộng đồng lập trình. Thao tác với Jupyter Notebook bên trong VSCode cho phép debug linh hoạt và tận dụng nhiều extension Python. Bạn nên bao gồm:

Trình bày cách cài đặt extension “Python” và “Jupyter” trong VSCode, mở .ipynb trực tiếp.
Cho biết bạn thường debug từng cell, đặt breakpoint, theo dõi biến trong “Variables” panel.
Giải thích cách đồng bộ mã nguồn với Git hoặc GitHub để làm việc nhóm.

Bạn quản lý môi trường ảo (conda, pipenv) và xử lý dependency như thế nào?

Data Scientist thường phải xử lý nhiều dự án, mỗi dự án có thể dùng phiên bản thư viện khác nhau. Cách bạn kiểm soát môi trường ảo sẽ quyết định tính ổn định và khả năng tái hiện (reproducibility) của dự án. Sau đây là một số gợi ý:

conda: Hãy nêu quy trình tạo mới môi trường conda (ví dụ conda create -n myenv python=3.9) và cách lưu file environment.yml.
pipenv: Đề cập “Pipfile” và “Pipfile.lock”, cách bạn pin phiên bản thư viện.

Điểm cộng: Khuyến khích đề cập poetry như một lựa chọn hiện đại cho quản lý dependency. Trình bày tầm quan trọng của việc cài đặt trên docker container để chia sẻ môi trường nhất quán.

Viết hàm Python để sắp xếp danh sách (QuickSort, MergeSort), phân tích độ phức tạp

Đây là câu hỏi “kinh điển” để kiểm tra hiểu biết về thuật toán và độ phức tạp tính toán (Big-O). Cho dù sắp xếp đã có sẵn trong Python (list.sort(), sorted()), nhưng hiểu cốt lõi thuật toán rất cần cho các logic phức tạp khác.

Ví dụ mã giả (QuickSort):

def quicksort(arr):
    if len(arr) <= 1:
        return arr
    pivot = arr[0]
    left = [x for x in arr[1:] if x < pivot]
    right = [x for x in arr[1:] if x >= pivot]
    return quicksort(left) + [pivot] + quicksort(right)

Phân tích độ phức tạp: QuickSort trung bình: O(n * log n), nhưng trường hợp xấu nhất (nếu pivot không tốt) là O(n^2).
Tương tự MergeSort: Thường đảm bảo O(n * log n) ngay cả trong trường hợp xấu nhất.

Bạn hiểu GIL (Global Interpreter Lock) trong Python chứ? Ảnh hưởng đến xử lý đa luồng như thế nào?

GIL ngăn cản nhiều luồng (thread) thực thi bytecode Python cùng lúc trên nhiều CPU core. GIL khiến các thread luân phiên chạy, do đó “đa luồng” trong Python không cải thiện tốc độ cho tasks nặng về CPU.

Giải pháp: Dùng multiprocessing để chạy nhiều process, mỗi process có GIL riêng. Hoặc sử dụng thư viện C (NumPy, TensorFlow) vốn có thể “né” GIL bằng cách xử lý trong C-level.

Nhấn mạnh sự khác biệt giữa CPU-bound (nên dùng multiprocessing) và IO-bound (có thể tận dụng đa luồng).

Khi làm việc với dữ liệu lớn trong pandas, bạn tối ưu hiệu năng bằng vectorization, chunking ra sao?

Với khối lượng dữ liệu lớn (hàng chục GB trở lên), việc load toàn bộ lên RAM là bất khả thi. Chính vì thế, cách bạn quản lý tài nguyên hạn chế là vô cùng quan trọng. Gợi ý:

Vectorization: Dùng các hàm của pandas/NumPy (ví dụ: df[‘column’] * 2) thay vì vòng lặp for. Theo khuyến nghị, vectorized operations có thể nhanh hơn gấp nhiều lần.
Chunking: Sử dụng pd.read_csv(…, chunksize=…) để đọc tuần tự, xử lý từng phần trước khi ghép lại.
Đề cập một số công cụ hoặc giải pháp thay thế: Dask, Modin, Polars để tối ưu dữ liệu lớn.

Khi nào chọn NumPy thay vì pandas?

NumPy: Phù hợp cho mảng nhiều chiều (ndarray) và xử lý ma trận tốc độ cao. Thường được dùng trong các tác vụ khoa học như linear algebra, signal processing.
pandas: Mạnh về dữ liệu dạng bảng (DataFrame), hỗ trợ nhiều chức năng phân tích, groupby, merge. Dễ dàng thao tác khi số cột, dòng lớn, hoặc khi cần index.

Nếu bạn cần thao tác phức tạp trên cột (DataFrame), pandas là lựa chọn số 1. Còn nếu chỉ đơn giản là tính toán vector, ma trận, NumPy gọn nhẹ hơn.

Đọc thêm: Các thư viện phổ biến trong Python và trường hợp sử dụng

Cách bạn xây dựng pipeline ML với scikit-learn từ tiền xử lý đến đánh giá mô hình?

Data Scientist cần bảo đảm tính nhất quán của quy trình tiền xử lý và huấn luyện. Việc gộp tất cả bước vào Pipeline của scikit-learn giúp tránh lỗi (leakage) và tăng tính tái sử dụng.

Gợi ý câu trả lời:

Trình bày quy trình: train_test_split() -> Tạo pipeline (ví dụ: StandardScaler -> OneHotEncoder -> Mô hình).
Giải thích cách bạn dùng cross_validate() hoặc GridSearchCV trên pipeline để đồng thời tune hyperparameters của scaler, encoder, mô hình.
Nêu lợi ích: Khi pipeline “fit” trên training set, nó học và lưu các tham số (như mean, std của scaler), rồi dùng đúng những tham số đó cho test set, tránh rò rỉ dữ liệu.

Các câu hỏi phỏng vấn Data Scientist về phương pháp Machine Learning & Deep Learning

Phân biệt supervised, unsupervised, reinforcement learning với ví dụ thực tế

Supervised: Có nhãn (label). Ví dụ: dự đoán giá nhà, phân loại email spam.
Unsupervised: Không có nhãn. Ví dụ: phân cụm khách hàng (cluster), tìm anomaly (bất thường) trong dữ liệu.
Reinforcement: Agent tự học qua phần thưởng/phạt. Ví dụ: tối ưu chiến lược marketing hoặc AI chơi game (cờ vua, cờ vây).

Điểm cộng: Liên hệ tình huống công ty: “Chúng tôi có dự án phân loại churn user (supervised) hoặc group khách hàng theo hành vi (unsupervised).”

Bạn xử lý overfitting bằng regularization, early stopping, data augmentation như thế nào?

Regularization: L1 (Lasso) giúp zero hóa trọng số, L2 (Ridge) làm trọng số “nhỏ” hơn. Dùng dropout nếu là Neural Network.
Early stopping: Khi huấn luyện Deep Learning, dừng train sớm nếu “val_loss” không giảm hoặc tăng trở lại.
Data augmentation: Đặc biệt cho hình ảnh (flip, rotate, crop) hay văn bản (thêm nhiễu từ đồng nghĩa). Tăng sự đa dạng của dữ liệu mà không tốn chi phí thu thập mới.

Giải thích ý nghĩa của cross-validation và lý do nên dùng

Cross-validation là một trong những kỹ thuật cốt lõi để đánh giá mô hình ổn định. Nếu bạn không nắm, dễ dẫn đến đánh giá mô hình sai hoặc quá lạc quan. Ưu điểm của Cross-validation là giúp giảm phương sai của ước tính; đặc biệt quan trọng khi dataset hạn chế.

Cross-validation cắt dữ liệu thành K “fold”, lần lượt huấn luyện trên (K-1) fold và test trên fold còn lại, trung bình kết quả.

Điểm cộng: Nhấn mạnh phân biệt các loại CV (K-fold, Stratified K-fold, Leave-One-Out).

Khi nào bạn dùng random forest, gradient boosting (XGBoost, LightGBM)?

Các mô hình cây (tree-based) rất phổ biến, cho kết quả tốt ở hầu hết các bài toán tabular. Trường hợp sử dụng:

Random Forest: Dùng khi bạn muốn giải pháp ổn định, ít nhạy với nhiễu. Cấu trúc bootstrap aggregating (bagging) giúp giảm overfitting.
Gradient Boosting (XGBoost, LightGBM): Mang tính chủ động, tăng cường (boost) dần dựa trên residual. Thường cho kết quả chính xác hơn nếu bạn tune hyperparameter đúng cách, nhưng dễ overfit hơn.

Điểm cộng: Bạn có thể nêu cả CatBoost, tốt cho dữ liệu có nhiều categorical features.

Khi nào sử dụng deep learning (TensorFlow, PyTorch)?

Deep Learning hữu ích cho dữ liệu phi cấu trúc (ảnh, văn bản, âm thanh) với khối lượng lớn. Nếu dataset nhỏ, mô hình ML truyền thống (tree-based, linear) có thể đạt hiệu quả cao hơn, đồng thời đỡ tốn tài nguyên. Một số tổ chức chỉ dùng DL khi “bắt buộc”, vì chi phí phần cứng (GPU) khá cao.

Kinh nghiệm hyperparameter tuning (GridSearch, RandomSearch, Bayesian Optimization)

Việc chọn phương pháp tuning phù hợp sẽ tối ưu thời gian tính toán. Các công ty không muốn lãng phí hàng nghìn giờ GPU vào GridSearch “mù quáng”.

GridSearch: Tìm kiếm toàn bộ tổ hợp tham số (thường với dataset nhỏ).
RandomSearch: Chọn ngẫu nhiên, tiết kiệm thời gian, khả năng bắt được vùng tham số tối ưu tương đương GridSearch (theo nghiên cứu Bergstra & Bengio).
Bayesian Optimization (optuna, Hyperopt): Tận dụng thông tin từ các phép thử trước đó để chọn tham số kế tiếp một cách “thông minh” hơn. Thường hiệu quả với DL.

Các câu hỏi phỏng vấn Data Scientist về đánh giá & lựa chọn mô hình

Cách chọn metric phân loại (accuracy, precision, recall, F1, AUC)?

Một số tiêu chí chọn metrics:

Accuracy: Khi dữ liệu cân bằng và sai số có chi phí tương đương.
Precision & Recall: Khi chi phí sai sót loại nào đó (False Positive/Negative) cao. Ví dụ: phát hiện gian lận thẻ tín dụng (cần Recall cao).
F1-Score: Trung hòa precision và recall, phù hợp khi dữ liệu mất cân bằng.
AUC: “Kháng” được thay đổi của threshold, xem toàn bộ performance của mô hình.

Với hồi quy, khi dùng MSE, MAE, RMSE, R²?

MSE: Nhạy cảm hơn với outlier, phạt lỗi lớn rất nặng.
MAE: Lấy trung bình sai số tuyệt đối, bớt nhạy với outlier.
RMSE: Căn bậc hai của MSE, cùng đơn vị với giá trị thực.
R²: Đo lường mức độ mô hình giải thích được phương sai của dữ liệu. Giá trị càng gần 1 thì mô hình càng tốt.

Làm thế nào để so sánh và chọn mô hình tốt nhất?

Gợi ý một số cách để so sánh và chọn mô hình:

Sử dụng nhiều metric: accuracy, F1, confusion matrix… tùy bài toán.
Kiểm tra tính ổn định bằng cross-validation.
Cân nhắc “trade-off” giữa độ chính xác, tốc độ predict, tài nguyên. Ví dụ, mô hình phức tạp (XGBoost) có thể chính xác hơn nhưng tốn thời gian inference.

AIOps là gì và tại sao quan trọng?

Thị trường hiện nay nhắc nhiều đến AIOps như một giải pháp tối ưu hạ tầng, tự động hóa giám sát. AIOps là một ứng dụng AI/ML để giám sát, chẩn đoán và tối ưu hạ tầng CNTT.

AIOps giúp giảm công sức quản trị, tự động phát hiện sự cố (outages) và cảnh báo.

Điểm cộng: Nêu ví dụ về log analytics, anomaly detection cho hệ thống server.

CI/CD cho ML: tự động hóa training, testing, deploy mô hình như thế nào?

Jenkins/GitLab CI/GitHub Actions: Tạo pipeline, khi “push” code lên Git, tự động chạy test, huấn luyện mô hình với dữ liệu test, so sánh metric, nếu tốt thì deploy.
Dùng container hóa (Docker), Helm chart để triển khai lên Kubernetes.
Tích hợp MLflow hoặc Weights & Biases để theo dõi siêu tham số và kết quả.

Theo dõi hiệu năng mô hình trong production (MLflow, Vertex AI Model Monitoring)?

Sau khi deploy, mô hình có thể gặp drift dữ liệu, cần tái huấn luyện. Đặc biệt quan trọng với mô hình online (luôn nhận data mới), cần “scheduled retraining”.

MLflow tracking: Lưu trữ metric, artifacts, “model registry”.
Vertex AI Model Monitoring: Tự động theo dõi phân phối dữ liệu đầu vào/đầu ra, cảnh báo khi có “drift”.

Kinh nghiệm deploy mô hình với Docker, Kubernetes?

Trình bày cách viết Dockerfile, ví dụ cài đặt Python 3.9, copy mã nguồn, cài thư viện từ requirements.txt.
Đưa hình ảnh (image) lên Docker Hub hoặc GCR (Google Container Registry), sau đó triển khai “Deployment” trên Kubernetes.
Đề cập best practice: Healthcheck, readiness probe, horizontal pod autoscaling (HPA) cho dịch vụ mô hình.

So sánh Vertex AI, AWS Sagemaker, Azure ML

Vertex AI (GCP): Tích hợp BigQuery, Dataflow rất “mượt”, pipeline GUI/SDK dễ build.
AWS Sagemaker: Cộng đồng lớn, nhiều built-in algorithm. Quen thuộc với hệ sinh thái AWS (S3, Lambda, Athena).
Azure ML: Hỗ trợ tốt .NET/C#, tích hợp sẵn với các sản phẩm Microsoft, pipeline cài đặt từ UI/CLI.

Quản lý versioning mô hình, rollback khi kết quả xấu hơn

Việc quản lý các phiên bản mô hình để tránh việc mô hình triển khai xong thì “hỏng” mà không thể quay lại phiên bản cũ.

Gợi ý một số cách quản lý phiên bản mô hình:

MLflow Models/Model Registry: Mỗi lần train xong, bạn “register model”, gán version, mô tả metric.
Vertex AI Model Registry: Tương tự, bạn có thể giữ nhiều phiên bản, deploy song song để test.
Git-tag mô hình, lưu artifacts (file .pkl, .sav) trong Git LFS, hoặc bucket cloud. Khi cần rollback, chỉ việc lấy lại phiên bản cũ.

Phát hiện data drift, concept drift và cách chỉnh sửa mô hình?

Dữ liệu luôn biến động. Mô hình huấn luyện cũ có thể không còn tốt với dữ liệu mới. Chính vì thế để xử lý, bạn có thể lên lịch retrain (hàng tuần/tháng), hoặc phát hiện drift “theo ngưỡng” -> tự động trigger pipeline.

Data drift: Phân phối đặc trưng đầu vào thay đổi. So sánh trung bình, phương sai, histogram với dữ liệu train ban đầu.
Concept drift: Mối quan hệ giữa đầu vào và nhãn thay đổi. Ví dụ, nhu cầu khách hàng khác đi theo mùa, theo xu hướng.

Canary testing, blue-green deployment cho mô hình ML?

Để đánh giá kinh nghiệm DevOps nâng cao, cách bạn triển khai mô hình mới mà vẫn giữ an toàn cho hệ thống. Gợi ý một số cách:

Canary testing: Deploy phiên bản mô hình mới song song với cũ, chuyển 5-10% traffic vào mô hình mới, theo dõi kết quả. Nếu tốt, tăng dần lên 100%. Nếu xấu, rollback.
Blue-green deployment: Tương tự, nhưng chạy song song 2 version (blue, green), switch traffic “cứng” khi sẵn sàng.

Các câu hỏi phỏng vấn Data Scientist về LLM & Generative AI (GPT-4, Gemini…)

GPT-4, Gemini khác gì mô hình ngôn ngữ truyền thống?

LLM là xu hướng hiện tại, vậy thì sự khác biệt giữa LLM so với các RNN/LSTM/Transformer cỡ nhỏ là gì?

GPT-4, Gemini: Kích thước mô hình khổng lồ (hàng chục đến hàng trăm tỷ tham số), khả năng few-shot/zero-shot learning.
Mô hình truyền thống (LSTM): Thường nhỏ, huấn luyện cho tác vụ cụ thể (ví dụ: dịch ngôn ngữ). Không linh hoạt như LLM.

Prompt engineering là gì? Tối ưu prompt cho GPT-4 như thế nào?

Prompt engineering được xem là “nghệ thuật” để đạt output chất lượng từ mô hình generative AI. Prompt engineering là thiết kế câu lệnh đầu vào (prompt) chính xác, chặt chẽ, cung cấp đủ ngữ cảnh để mô hình hiểu yêu cầu.

Kỹ thuật Prompt engineering:

Format: Yêu cầu output dưới dạng JSON, bullet points, v.v.
Few-shot examples: Cho mô hình thấy vài ví dụ mẫu.
Chain-of-thought: Hướng dẫn mô hình suy nghĩ từng bước.

Điểm cộng: Nhấn mạnh tầm quan trọng của thử nhiều prompt và đo lường chất lượng đầu ra.

Vì sao nên fine-tune LLM trên dữ liệu riêng bằng LoRA, QLoRA?

LLM rất lớn, chi phí fine-tuning toàn bộ mô hình là khổng lồ. LoRA (Low-Rank Adaptation) là xu hướng mới để tiết kiệm tài nguyên bằng cách đưa thêm ma trận hạng thấp (low-rank) vào các layer để học trọng số. Thay vì cập nhật toàn bộ, ta chỉ cập nhật các thành phần nhỏ hơn. Giảm mạnh số tham số.

Còn QLoRA là sự kết hợp LoRA với quantization (nén mô hình thành 4-bit hoặc 8-bit). Thường giảm đến 80% dung lượng so với fine-tuning truyền thống.

LoRA và QLoRA tạo điều kiện fine-tune LLM trên GPU tầm trung (16GB – 24GB) thay vì GPU A100 đắt đỏ.

Áp dụng LLM cho chatbot nội bộ, phân loại văn bản, tóm tắt tài liệu ra sao?

Chatbot nội bộ: Sử dụng GPT API, fine-tune để hiểu “ngôn ngữ công ty” hoặc tài liệu nội bộ, sau đó deploy.
Phân loại văn bản: Dùng LLM để extract feature, sau đó feed vào classifier. Hoặc “prompt” LLM để phân loại trực tiếp.
Tóm tắt nội dung: Sử dụng prompt “tóm tắt tài liệu này dưới 200 từ”. Quan tâm đến token limit, chi phí API.

Vì sao nên sử dụng phương pháp nén mô hình (quantization, pruning) để triển khai LLM?

Nhiều công ty không có hạ tầng GPU lớn nên nén mô hình trên môi trường tài nguyên hạn chế là giải pháp thiết thực. Môt số phương pháp nén mô hình:

Quantization: Biểu diễn trọng số bằng 8-bit, 4-bit thay vì 16-bit (FP16) hoặc 32-bit (FP32). Có thể giảm 50-75% dung lượng, nhưng cần kiểm tra ảnh hưởng chất lượng.
Pruning: Cắt bớt các trọng số không cần thiết.

Kết hợp chúng để đạt mô hình nhỏ, nhanh hơn cho inference trên CPU/GPU cấu hình khiêm tốn.

Kết hợp LLM với ứng dụng thực tế: Tích hợp LLM API (OpenAI, PaLM) vào pipeline DS thế nào?

Thường dùng RESTful API hoặc Python SDK để gửi prompt.
Phân tích output (JSON hoặc text), parse sang dataframe, kết hợp với pipeline ML khác nếu cần.
Chú ý đến chi phí token, latency, bảo mật (API key).

Các câu hỏi phỏng vấn Data Scientist về Data Preprocessing & Feature Engineering

Khi nào xử lý dữ liệu thiếu bằng mean imputation, median hay mô hình dự đoán?

Mean imputation: Dễ triển khai nhưng bị ảnh hưởng nếu dữ liệu bị skew hoặc outlier.
Median imputation: Ít bị outlier tác động, phù hợp dữ liệu lệch mạnh.
Mô hình dự đoán: Huấn luyện mô hình riêng để ước tính giá trị thiếu (chẳng hạn, KNN imputer, regression). Chính xác hơn nhưng phức tạp và tốn tài nguyên.

Làm thế nào để phát hiện và xử lý outlier?

IQR (1.5x IQR rule): Tính Q1, Q3, lấy ngưỡng.
Isolation Forest: Mô hình “tree-based” để phát hiện outlier theo góc nhìn phân vùng dữ liệu.
DBSCAN: Phát hiện outlier bằng mật độ điểm lân cận.
Xử lý outlier: Loại bỏ, hoặc winsorization (cắt ngưỡng), hoặc đánh dấu (flag) để mô hình biết cách “xử lý” chúng.

Chuẩn hóa dữ liệu (StandardScaler, MinMaxScaler) tác động đến mô hình?

StandardScaler: Chuyển dữ liệu về mean=0, std=1. Phù hợp dữ liệu có phân phối gần với gaussian.
MinMaxScaler: Co dữ liệu về khoảng [0, 1]. Thường dùng cho các mô hình ANN hoặc khi muốn dữ liệu ở dạng không âm.
Dù là phương pháp nào, thực hiện trên tập huấn luyện rồi áp dụng y chang trên tập test.

Tạo feature từ dữ liệu thô như thế nào?

Feature engineering có thể nâng chất lượng mô hình vượt trội hơn cả việc thay đổi thuật toán.

Dữ liệu thời gian: Tách giờ, ngày, tháng, seasonality. Tạo cột “ngày trong tuần”, “ngày lễ” v.v.
Dữ liệu văn bản: TF-IDF, BERT embeddings, n-gram.
Dữ liệu hình ảnh: Sử dụng CNN pre-trained (ResNet, VGG) để lấy đặc trưng.

Feature selection & extraction: PCA, LDA, t-SNE, UMAP, khi nào chọn phương pháp nào?

PCA, LDA: Mục đích giảm chiều (dimensionality reduction), PCA không quan tâm nhãn, LDA tập trung tối đa hóa khoảng cách giữa các lớp.
t-SNE, UMAP: Chủ yếu cho việc visualization trong không gian 2D/3D. t-SNE mạnh để “nhóm” các điểm tương đồng, nhưng chậm hơn UMAP.

Khi giải thích, nhấn mạnh việc phải scale dữ liệu trước khi dùng PCA.

Làm thế nào để xử lý dữ liệu văn bản hoặc dữ liệu hình ảnh?

Văn bản: Tokenization, stemming/lemmatization, stopwords. Sử dụng transformer (BERT, GPT) để trích xuất embedding.
Hình ảnh: Transfer learning với ResNet/EfficientNet, fine-tune layer cuối. Nhớ đề cập augmentation (flip, crop).

Đưa ra các ví dụ cụ thể từ kinh nghiệm dự án, nếu có.

Các câu hỏi phỏng vấn Data Scientist về tư duy giải quyết vấn đề & ứng dụng thực tế

Dữ liệu không cân bằng (imbalanced data): SMOTE, class weighting?

SMOTE: Synthetic Minority Over-sampling Technique, tạo ra các mẫu synthetic cho lớp thiểu số.
Random oversampling: Nhân bản ngẫu nhiên các mẫu thiểu số, nguy cơ overfit.
class_weight: Trong XGBoost hay sklearn, tăng trọng số cho lớp thiểu số.
Nêu ưu, nhược điểm: SMOTE “sáng tạo” mẫu mới nhưng có thể tạo nhiễu nếu dữ liệu quá phức tạp.

Nếu mô hình kém hiệu quả, tìm nguyên nhân (dữ liệu, mô hình, tính năng) thế nào?

Kiểm tra chất lượng dữ liệu: Có missing? outlier? Sai định dạng?
Kiểm tra hyperparameters: Quá “nhỏ” (underfitting) hoặc “lớn” (overfitting)?
Kiểm tra feature: Thiếu tính năng quan trọng, hay sử dụng không đúng (ví dụ: encode sai)?
Cuối cùng: Thực hiện ablation study, xóa bớt tính năng để xem độ quan trọng.

Đánh đổi giữa độ chính xác và thời gian inference, tài nguyên tính toán?

Trình bày ví dụ: Mô hình NLP phức tạp (BERT lớn) cho accuracy cao hơn 1-2% nhưng thời gian inference gấp đôi, có thể không đáng so với mô hình nhẹ như DistilBERT.
Tối ưu HPC (High Performance Computing) nếu cần, hoặc triển khai mô hình “dịch vụ A/B” để lựa chọn.

Minh họa quy trình từ dữ liệu thô đến mô hình sản xuất trong một dự án cụ thể

Ví dụ: Thu thập dữ liệu sensor từ thiết bị IoT -> Tiền xử lý (loại missing, convert format) -> Feature engineering (trích xuất tính năng thời gian, trung bình, phương sai) -> Training mô hình cảnh báo lỗi (Random Forest) -> Đóng gói Docker -> Triển khai lên cloud (AWS EC2, GCP, v.v.) -> Monitor logs và re-train khi cần.

NLP: Fine-tune BERT, GPT cho phân loại văn bản, trích xuất thực thể

Chuẩn bị dữ liệu: Chia batch, kiểm tra token length, xử lý out-of-vocab, token special [CLS], [SEP].
Setting hyperparameters: Learning rate từ 2e-5 đến 5e-5, batch size tùy vào GPU.
So sánh HF Trainer với PyTorch Lightning: HF Trainer hỗ trợ pipeline nhanh, Lightning dễ tùy biến.

Nhấn mạnh cách bạn đánh giá: F1-score, confusion matrix.

Time Series: Khi nào dùng ARIMA, LSTM, Transformer-based Time Series?

ARIMA: Tốt cho dữ liệu ít, xu hướng + mùa vụ đơn giản, kinh nghiệm cũ trong dự báo kinh tế.
LSTM: Tận dụng “bộ nhớ dài” cho chuỗi thời gian phức tạp, có thể mô hình hóa quan hệ giữa các mốc xa nhau.
Transformer-based (Informer, Autoformer): Mạnh với chuỗi rất dài, khử dần độ mất thông tin khi sequence quá lớn. Tuy nhiên, phức tạp, cần nhiều tài nguyên.

Mẹo trả lời các câu hỏi phỏng vấn Data Scientist

Dưới đây là một số “tip” quan trọng để chuẩn bị cho buổi phỏng vấn Data Scientist:

Xây dựng Portfolio

Thực hiện các dự án thực tế (Kaggle, GitHub), tập trung vào những bài toán có tính ứng dụng cao.
Chú ý mô tả rõ ràng mục tiêu, dữ liệu, kỹ thuật, kết quả trong hồ sơ để nhà tuyển dụng thấy được năng lực phân tích và triển khai của bạn.

Củng cố kiến thức lý thuyết

Rà soát lại các khái niệm cơ bản về thống kê (regression, distribution, p-value), machine learning (model training, overfitting) và thuật toán.
Ôn lại các công cụ như pandas, NumPy, scikit-learn, TensorFlow/PyTorch, và cả các workflow MLOps (CI/CD, Docker, Kubernetes).

Luyện phỏng vấn giả lập (Mock Interview)

Tự đặt câu hỏi hoặc rủ bạn bè đặt câu hỏi về những chủ đề từ cơ bản đến nâng cao.
Ghi hình (nếu có thể) để nhận ra điểm yếu trong giao tiếp, cách diễn đạt.

Hiểu rõ quy trình phát triển mô hình

Chuẩn bị giải thích một case study (từ thu thập dữ liệu -> tiền xử lý -> chọn mô hình -> triển khai -> giám sát).
Nêu ví dụ cụ thể về tình huống bạn phải xử lý data drift, model drift hay tối ưu hiệu năng.

Nắm bắt xu hướng công nghệ

Cập nhật các tính năng mới của LLM (GPT-4, Gemini), khả năng tích hợp Generative AI trong pipeline DS.
Tìm hiểu thêm về các giải pháp AIOps/MLOps trên cloud (Vertex AI, AWS Sagemaker, Azure ML).

Thái độ và phong cách trả lời

Bình tĩnh, chân thành khi phản hồi các câu hỏi. Nếu không rõ đáp án, hãy nêu cách bạn sẽ tiếp cận vấn đề thay vì đoán bừa.
Trình bày ý tưởng mạch lạc: mở đầu (khái quát vấn đề), triển khai (phân tích), kết luận (nhấn mạnh kết quả).

Tổng kết câu hỏi phỏng vấn Data Scientist

Có thể nói, Data Scientist là một trong những vị trí được săn đón nhiều nhất trong thời đại AI và dữ liệu lớn. Với bộ câu hỏi phỏng vấn Data Scientist trên, có thể thấy rằng để chinh phục thành công vòng phỏng vấn, bạn không chỉ cần hiểu vững những nền tảng như Python, Machine Learning hay MLOps, mà còn phải thể hiện khả năng tư duy giải quyết vấn đề và cập nhật các công nghệ mới nhất (LLM, Generative AI).

Với sự chuẩn bị kỹ lưỡng về kiến thức, dự án thực tế và kỹ năng thuyết trình, bạn sẽ gia tăng đáng kể cơ hội thành công trong các buổi phỏng vấn Data Scientist. Chúc bạn tự tin chinh phục nhà tuyển dụng và mở ra nhiều cơ hội nghề nghiệp hấp dẫn trong tương lai!