Preparación por profesión
Entrevista de Científico de Datos: preguntas y respuestas.
Evaluación de modelos, incertidumbre y validez experimental.
Preguntas
Preguntas técnicas para practicar en voz alta
- 01
¿Qué es el compromiso entre sesgo y varianza?
Un sesgo alto produce underfitting por un modelo demasiado limitado; una varianza alta produce overfitting al seguir ruido. Equilíbralos con capacidad, regularización, datos representativos y validación no vista.
Leer el desglose completo - 02
¿Cómo validas un modelo de machine learning?
Valida con una división que refleje el uso futuro, evita fugas por entidad y tiempo, elige métricas ligadas a la decisión, compara baseline, estima incertidumbre, revisa segmentos y reserva un test final intacto.
Leer el desglose completo - 03
¿Qué es la fuga de datos en machine learning?
Hay fuga cuando features o preprocesamiento contienen información no disponible al predecir o derivada del objetivo. Infla la validación y falla en producción; divide antes de ajustar cualquier transformación aprendida.
Leer el desglose completo - 04
¿Cómo abordas feature engineering?
Parte del momento de predicción y del mecanismo de dominio, crea solo features disponibles entonces, trata faltantes y tiempo, ajusta transformaciones en training, mide valor incremental y monitoriza estabilidad y coste.
Leer el desglose completo - 05
¿Cómo gestionas clases desbalanceadas?
Usa métricas como precision-recall y error ponderado en vez de accuracy, conserva prevalencia realista en validación, ajusta el umbral y aplica pesos o resampling solo dentro de folds de entrenamiento.
Leer el desglose completo - 06
¿Cómo eliges entre modelos candidatos?
Elige modelos por rendimiento fuera de muestra en la métrica de negocio, incertidumbre, calibración, robustez por segmento, latencia, explicabilidad, mantenimiento y coste, no por un único mejor score.
Leer el desglose completo - 07
¿Cómo diseñas un experimento de data science?
Define pregunta causal, población, tratamiento, control, métrica principal, guardrails, efecto, potencia, unidad de aleatorización, duración y análisis antes de ver resultados; controla asignación e interferencias.
Leer el desglose completo - 08
¿Cómo explicas una predicción de modelo?
Explica una predicción con uso previsto, baseline, features influyentes y dirección, incertidumbre y límites. Usa atribución local con cautela, valídala contra el modelo y no presentes correlación como causa.
Leer el desglose completo - 09
¿Cómo conectas métricas de modelo con valor de negocio?
Vincula salidas del modelo a una decisión, umbral, tasa de acción, beneficio de aciertos, coste de errores, latencia y cobertura; evalúa valor esperado y guardrails con prevalencia realista.
Leer el desglose completo - 10
¿Cómo evalúas riesgos éticos en un modelo?
Evalúa quién puede sufrir daño, sesgo de representación y etiquetas, diferencias por grupos, privacidad, explicabilidad, abuso, feedback loops y apelación; documenta controles, propietarios, monitorización y condiciones de parada.
Leer el desglose completo