На каком языке программирования вы предпочитаете писать код?
Что проверяют
Тот же вопрос, но здесь смотрят на связку языков в конвейере данных. Аналитик и ML-инженер редко живут в одном языке: рядом всегда SQL, иногда кластерная обработка, иногда сервисный код на чужом стеке.
Как отвечать
Назовите Python основным и объясните, почему именно для данных: pandas и polars для табличной обработки, NumPy как общий формат массивов, scikit-learn для классических моделей, PyTorch для нейросетей, ноутбуки для разведки и обычные модули для того, что уходит в продакшн.
Сразу оговорите SQL. Значительная часть работы это выборки, джойны и агрегации, и тащить их в pandas вместо базы дорого по памяти и времени. Умение читать план запроса тут ценится не меньше знания библиотек.
Дальше обозначьте границы:
- R, если задача статистическая и нужны готовые методы проверки гипотез;
- Scala или PySpark, когда данные лежат в кластере и не помещаются в память одной машины;
- Go или Java, если обученную модель заворачивает в сервис команда бэкенда, и вам надо говорить с ними на одном языке.
Полезно добавить про дисциплину: ноутбук это черновик, обучающий пайплайн живёт в репозитории, с фиксацией версий библиотек и случайных сидов, иначе результат не воспроизводится.
Где спотыкаются
Перечисляют библиотеки списком, без привязки к задачам. Список и так есть в резюме, на собеседовании ждут выбора и его причин.
Забывают SQL. На уточнение «а как вы достаёте данные» отвечают «мне выгружают файл», и дальше идёт серия вопросов про объёмы, инкрементальную загрузку и актуальность выгрузки.
Рассказывают про проекты с «высокой точностью» без единой детали. Точность без метрики, базовой линии и описания выборки ничего не значит; один честный пример с числом, которое вы считали сами, работает лучше.