Top 25 pytań rekrutacyjnych z Data Science w 2026 roku

Rynek pracy dla data scientistów pozostaje jednym z najbardziej konkurencyjnych w branży technologicznej. Rekruterzy i hiring managerowie oczekują od kandydatów nie tylko znajomości algorytmów, ale również solidnych podstaw statystycznych, umiejętności pracy z danymi nieustrukturyzowanymi oraz rozumienia pułapek, które mogą zepsuć nawet najlepiej wyglądający model. Poniższy zestaw 25 pytań odzwierciedla tematy najczęściej poruszane na rozmowach kwalifikacyjnych w 2026 roku — zarówno w startupach, jak i w dużych korporacjach technologicznych.

1. Czym różni się podejście bayesowskie od częstościowego (frequentist)?

Podejście częstościowe traktuje prawdopodobieństwo jako graniczną częstość zdarzeń w nieskończonych powtórzeniach eksperymentu. Parametry modelu są stałe, choć nieznane — estymuje się je na podstawie danych. Przedział ufności (confidence interval) opisuje procedurę, która w 95% powtórzeń eksperymentu zawierałaby prawdziwy parametr — nie prawdopodobieństwo, że konkretny przedział go zawiera.

Podejście bayesowskie traktuje parametry jako zmienne losowe z rozkładem a priori, który aktualizuje się po obserwacji danych zgodnie z twierdzeniem Bayesa. Wynikiem jest rozkład a posteriori — przedział kredybilności (credible interval) można interpretować bezpośrednio jako zakres, w którym parametr leży z zadanym prawdopodobieństwem.

# bayesian_vs_frequentist.py
import numpy as np
from scipy import stats

# Frequentist: confidence interval for a mean
data = np.array([23.1, 25.4, 22.8, 24.9, 23.7, 25.1, 24.3])
ci = stats.t.interval(0.95, df=len(data)-1, loc=np.mean(data), scale=stats.sem(data))
print(f"95% CI (frequentist): [{ci[0]:.2f}, {ci[1]:.2f}]")

# Bayesian: posterior with conjugate prior (Normal-Normal)
prior_mean, prior_var = 24.0, 4.0  # prior belief
data_mean, data_var = np.mean(data), np.var(data, ddof=1) / len(data)
# Posterior parameters (conjugate update)
post_var = 1 / (1/prior_var + 1/data_var)
post_mean = post_var * (prior_mean/prior_var + data_mean/data_var)
post_ci = stats.norm.interval(0.95, loc=post_mean, scale=np.sqrt(post_var))
print(f"95% credible interval (Bayesian): [{post_ci[0]:.2f}, {post_ci[1]:.2f}]")

2. Jak działa test dwumianowy (binomial test) i kiedy go stosować?

Test dwumianowy służy do weryfikacji hipotezy o parametrze sukcesu rozkładu dwumianowego. Stosuje się go, gdy dane przyjmują jedną z dwóch wartości (sukces/porażka) i chce się sprawdzić, czy obserwowana proporcja istotnie różni się od wartości oczekiwanej.

Przykład: testowanie, czy moneta jest uczciwa po zaobserwowaniu 8 orłów w 10 rzutach.

# binomial_test.py
from scipy import stats

# Two-sided binomial test: is the coin fair?
result = stats.binomtest(k=8, n=10, p=0.5, alternative='two-sided')
print(f"p-value: {result.pvalue:.4f}")  # 0.1094 (two-sided)
print(f"Reject H0 at alpha=0.05? {result.pvalue < 0.05}")  # False

P-wartość wynosi ~0.109, co oznacza brak podstaw do odrzucenia hipotezy o uczciwej monecie przy poziomie istotności 0.05. Ważne rozróżnienie: brak odrzucenia H0 nie jest równoznaczny z jej potwierdzeniem.

3. Jakie są strategie obsługi brakujących danych?

Brakujące dane można podzielić na trzy kategorie mechanizmów: MCAR (Missing Completely At Random), MAR (Missing At Random) i MNAR (Missing Not At Random). Wybór strategii imputacji zależy od diagnozy mechanizmu.

Najczęstsze strategie to:

• Imputacja medianą/średną — szybka, ale niszczy korelacje między zmiennymi
• Imputacja KNN — zachowuje lokalną strukturę danych
• Imputacja iteracyjna (MICE) — modeluje każdą zmienną jako funkcję pozostałych
• Dodanie wskaźnika braków — zachowuje informację o samym wzorcu brakujących danych

# missing_data_strategies.py
import pandas as pd
from sklearn.impute import KNNImputer, SimpleImputer
from sklearn.experimental import enable_iterative_imputer
from sklearn.impute import IterativeImputer

df = pd.DataFrame({
    'age': [25, 30, None, 45, None, 38],
    'income': [50000, None, 70000, 90000, 60000, None],
    'score': [85, 90, 78, None, 88, 92]
})

# Strategy 1: KNN imputation (preserves local structure)
knn_imp = KNNImputer(n_neighbors=2)
df_knn = pd.DataFrame(knn_imp.fit_transform(df), columns=df.columns)

# Strategy 2: Iterative imputation (MICE-like, models each feature)
iter_imp = IterativeImputer(max_iter=10, random_state=42)
df_iter = pd.DataFrame(iter_imp.fit_transform(df), columns=df.columns)

# Strategy 3: Add missingness indicator (preserves signal in the pattern)
df['income_missing'] = df['income'].isna().astype(int)
print(df_knn.round(1))

4. Czym jest target encoding i jak zapobiec wyciekowi danych?

Target encoding zastępuje wartości kategoryczne średną zmiennej docelowej dla danej kategorii. Jest szczególnie skuteczny przy zmiennych z dużą kardynalnością (wiele unikalnych wartości), gdzie one-hot encoding tworzyłby setki kolumn.

Główne zagrożenie to wyciek danych (data leakage) — jeśli encoding oblicza się na całym zbiorze przed walidacją krzyżową, model widzi informacje z zestawu testowego. Rozwiązaniem jest enkodowanie wewnątrz pętli cross-validation:

# target_encoding.py
import pandas as pd
import numpy as np
from sklearn.model_selection import KFold

def target_encode_kfold(df, col, target, n_splits=5):
    """Target encoding with K-fold regularization to prevent leakage."""
    encoded = pd.Series(index=df.index, dtype=float)
    global_mean = df[target].mean()
    kf = KFold(n_splits=n_splits, shuffle=True, random_state=42)

    for train_idx, val_idx in kf.split(df):
        # Compute means only from training fold
        means = df.iloc[train_idx].groupby(col)[target].mean()
        encoded.iloc[val_idx] = df.iloc[val_idx][col].map(means)

    # Fill categories unseen in training fold with global mean
    encoded.fillna(global_mean, inplace=True)
    return encoded

df = pd.DataFrame({
    'city': ['Paris', 'Lyon', 'Paris', 'Marseille', 'Lyon', 'Paris',
             'Marseille', 'Lyon', 'Paris', 'Marseille'],
    'hired': [1, 0, 1, 0, 1, 1, 0, 0, 1, 1]
})
df['city_encoded'] = target_encode_kfold(df, 'city', 'hired')
print(df[['city', 'city_encoded', 'hired']])

5. Jakich metryk używać przy niezbalansowanych klasach?

Dokładność (accuracy) jest myłącą metryką przy silnie niezbalansowanych zbiorach — model przewidujący zawsze klasę większościową osiąga 95% accuracy przy stosunku 95:5, nie ucząc się niczego użytecznego.

Zalecane metryki to:

• Precision i Recall — szczególnie istotne, gdy koszty błędów I i II rodzaju są różne
• F1-score — harmoniczna średnia precision i recall
• ROC AUC — miara zdolności rankingowej modelu, niezależna od progu decyzyjnego
• Average Precision (AUPRC) — pole pod krzywą precision-recall, bardziej informatywne przy silnej niezbalansowaniu

# imbalanced_metrics.py
from sklearn.metrics import (
    classification_report, precision_recall_curve,
    average_precision_score, roc_auc_score
)
import numpy as np

# Simulated predictions on imbalanced data
np.random.seed(42)
y_true = np.array([0]*950 + [1]*50)  # 95/5 imbalance
y_scores = np.random.beta(2, 5, 1000)  # predicted probabilities
y_scores[y_true == 1] += 0.3  # positive class scores slightly higher
y_scores = np.clip(y_scores, 0, 1)
y_pred = (y_scores > 0.5).astype(int)

print(classification_report(y_true, y_pred, digits=3))
print(f"ROC AUC: {roc_auc_score(y_true, y_scores):.3f}")
print(f"Average Precision (AUPRC): {average_precision_score(y_true, y_scores):.3f}")

6. Co to jest wyciek danych (data leakage) i jak mu zapobiegać?

Wyciek danych następuje, gdy informacje z zestawu testowego lub ze zmiennej docelowej przenikają do procesu uczenia modelu, powodując sztucznie zawyżone wyniki walidacji. Model osiąga doskonałe wyniki na zbiorze testowym, ale zawodzi w produkcji.

Najczęstsze przyczyny wycieku:

• Skalowanie lub imputacja obliczana na całym zbiorze przed podziałem na train/test
• Zmienne zawierające informacje z przyszłości (leakage temporalny)
• Zmienne bezpośrednio skorelowane ze zmienną docelową po czasie zdarzenia

Rozwiązaniem jest enkapsulacja wszystkich kroków preprocessingu w obiekcie Pipeline:

# leakage_prevention.py
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.impute import SimpleImputer
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.model_selection import cross_val_score
import numpy as np

X = np.random.randn(1000, 10)
y = (X[:, 0] + X[:, 1] > 0).astype(int)

# WRONG: fit scaler on all data, then cross-validate
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)  # leakage: test fold info in scaling

# CORRECT: pipeline ensures preprocessing fits only on training folds
pipeline = Pipeline([
    ('imputer', SimpleImputer(strategy='median')),
    ('scaler', StandardScaler()),
    ('model', GradientBoostingClassifier(n_estimators=100, random_state=42))
])
scores = cross_val_score(pipeline, X, y, cv=5, scoring='roc_auc')
print(f"AUC (no leakage): {scores.mean():.3f} +/- {scores.std():.3f}")

7. Jak działa mechanizm self-attention w transformerach?

Mechanizm self-attention pozwala każdemu tokenowi sekwencji zwrócić uwagę na wszystkie inne tokeny, ucząc się kontekstowych zależności. Dla każdego tokenu tworzone są trzy wektory: Query (Q), Key (K) i Value (V) — przez projekcje liniowe wejścia.

Oceny uwagi obliczane są jako iloczyn skalarny Q i K, skalowany przez pierwiastek z wymiaru kluczy (d_k), a następnie normalizowany funkcją softmax. Wynik mnoży się przez V, uzyskując reprezentację uwzględniającą kontekst całej sekwencji. Skalowanie przez pierwiastek z d_k zapobiega zanikaniu gradientów przy dużych wymiarach.

# self_attention.py
import torch
import torch.nn.functional as F

def self_attention(x, d_k):
    """Scaled dot-product self-attention from scratch."""
    # x shape: (batch_size, seq_len, d_model)
    batch_size, seq_len, d_model = x.shape

    # Linear projections for Q, K, V
    W_q = torch.randn(d_model, d_k) * 0.1
    W_k = torch.randn(d_model, d_k) * 0.1
    W_v = torch.randn(d_model, d_k) * 0.1

    Q = x @ W_q  # (batch, seq_len, d_k)
    K = x @ W_k
    V = x @ W_v

    # Scaled dot-product attention
    scores = Q @ K.transpose(-2, -1) / (d_k ** 0.5)  # (batch, seq_len, seq_len)
    weights = F.softmax(scores, dim=-1)  # attention weights
    output = weights @ V  # (batch, seq_len, d_k)

    return output, weights

# Example: 1 batch, 4 tokens, 8-dim embeddings
x = torch.randn(1, 4, 8)
out, attn = self_attention(x, d_k=8)
print(f"Output shape: {out.shape}")    # (1, 4, 8)
print(f"Attention weights:\n{attn[0].detach().numpy().round(3)}")

8. Jak znaleźć drugi najwyższy wynik w SQL?

Zapytania o drugi (lub n-ty) najwyższy rekord to klasyczny sprawdzian znajomości SQL. Rekruterzy cenią rozwiązania działające poprawnie przy duplikatach wartości i z podziałem na grupy (np. per departament).

-- second_highest_salary.sql
-- Approach: correlated subquery counting distinct higher salaries
SELECT d.department_name, e.employee_name, e.salary
FROM employees e
JOIN departments d ON e.department_id = d.id
WHERE (
    SELECT COUNT(DISTINCT e2.salary)
    FROM employees e2
    WHERE e2.department_id = e.department_id
      AND e2.salary > e.salary
) = 1
ORDER BY d.department_name;

Podejście z podzapytaniem korelowanym jest przenośne między silnikami baz danych. Alternatywnie można użyć funkcji okna DENSE_RANK() z klauzulą QUALIFY (BigQuery, Snowflake) lub wyrażeń CTE — warto znać obie wersje.

9. Czym różnią się map, apply i transform w bibliotece pandas?

Trzy metody służą do stosowania funkcji na danych w pandas, lecz działają na różnych poziomach abstrakcji:

• map — operacja element-wise wyłącznie na obiektach Series; służy do podstawiania wartości ze słownika lub przekształceń skalarnych
• apply — stosuje dowolną funkcję wzdłuż osi DataFrame lub na elementach Series; elastyczny, ale wolniejszy od wektoryzowanych operacji
• transform — jak apply w kontekście groupby, ale zwraca obiekt o tym samym kształcie co wejście; przydatny do broadcastowania statystyk grupowych

# pandas_operations.py
import pandas as pd

df = pd.DataFrame({
    'team': ['A', 'A', 'B', 'B', 'A'],
    'score': [10, 20, 30, 40, 50]
})

# map: element-wise on Series
df['team_upper'] = df['team'].map({'A': 'Alpha', 'B': 'Beta'})

# apply: arbitrary function per row
df['score_label'] = df['score'].apply(lambda x: 'high' if x > 25 else 'low')

# transform: group-level, same shape output (broadcasts back)
df['team_mean'] = df.groupby('team')['score'].transform('mean')
df['score_normalized'] = df.groupby('team')['score'].transform(
    lambda x: (x - x.mean()) / x.std()
)
print(df)

10. Jak interpretować wartości SHAP?

Wartości SHAP (SHapley Additive exPlanations) wywodzą się z teorii gier kooperacyjnych. Każda wartość SHAP dla danej cechy i obserwacji reprezentuje wkład tej cechy w odchylenie predykcji od globalnej średniej modelu.

Globalne znaczenie cech oblicza się jako średną wartość bezwzględną SHAP po wszystkich obserwacjach. W przeciwieństwie do feature importance opartego na nieczystosći węzłów drzewa, SHAP jest spójny i addytywny — spełnia matematyczne aksjomaty sprawiedliwego podziału wkładu.

# feature_importance_shap.py
import shap
import xgboost as xgb
from sklearn.datasets import make_classification

# Generate synthetic dataset
X, y = make_classification(n_samples=1000, n_features=10,
                           n_informative=5, random_state=42)

# Train XGBoost model
model = xgb.XGBClassifier(n_estimators=100, random_state=42, eval_metric='logloss')
model.fit(X, y)

# SHAP explanation
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X)

# Global importance: mean absolute SHAP value per feature
import numpy as np
importance = np.abs(shap_values).mean(axis=0)
for i in np.argsort(importance)[::-1]:
    print(f"Feature {i}: {importance[i]:.4f}")

11. Co to jest kompromis bias-variance (bias-variance tradeoff)?

Błąd generalizacji modelu rozkłada się na trzy składowe: bias (systematyczny błąd wynikający z uproszczeń modelu), wariancja (wrażliwość na fluktuacje danych treningowych) oraz nieredukowany szum danych.

Modele o wysokim biasie — przykładem jest regresja liniowa stosowana do nieliniowych zależności — underfitują: systematycznie chybiają niezależnie od rozmiaru zbioru treningowego. Modele o wysokiej wariancji — np. głębokie drzewa decyzyjne bez regularyzacji — overfitują: doskonale dopasowują dane treningowe, ale nie generalizują na nowych danych. Regularyzacja, przycinanie drzew (pruning), dropout oraz metody ensemble to główne narzędzia zarządzania tym kompromisem.

12. Jak działa gradient boosting i czym różni się od random forest?

Random forest buduje drzewa decyzyjne niezależnie — każde na losowej próbie bootstrapowej i losowym podzbiorze cech — a predykcję uśrednia (technika bagging). Redukuje wariancję, lecz nie bias poszczególnych drzew.

Gradient boosting buduje drzewa sekwencyjnie. Każde kolejne drzewo uczy się na residuałach poprzedniego — formalnie minimalizuje funkcję straty w przestrzeni funkcji metodą gradientu. Redukuje zarówno bias, jak i wariancję, ale jest bardziej wrażliwy na overfitting i wymaga starannego doboru hiperparametrów: learning rate, głębokości drzew i współczynnika subsampling. Popularne implementacje to XGBoost, LightGBM i CatBoost.

13. Czym jest regularyzacja L1 i L2 oraz kiedy którą stosować?

Regularyzacja L1 (Lasso) dodaje do funkcji straty karę proporcjonalną do sumy wartości bezwzględnych wag modelu. Generuje rozwiązania rzadkie (sparse) — część wag zeruje się, realizując automatyczną selekcję cech. Przydatna w scenariuszach, gdy zakłada się, że większość cech jest nieistotna.

Regularyzacja L2 (Ridge) penalizuje sumę kwadratów wag. Nie zeruje wag, ale redukuje je równomiernie, dobrze radząc sobie z multikolinealnością. Rozwiązanie analityczne istnieje zawsze — brak problemów z osobliwością macierzy Hessego.

Elastic Net łączy obie kary za pomocą parametru mieszającego alfa. Stosowana przy dużej liczbie wzajemnie skorelowanych cech, gdy sama Lasso jest niestabilna.

14. Jak przeprowadzić poprawną walidację krzyżową dla szeregów czasowych?

Standardowa k-fold cross-validation przetasowuje dane losowo. Przy szeregach czasowych prowadzi to do wycieku — model trenuje na danych z przyszłości względem foldu testowego, przez co wyniki walidacji są zbyt optymistyczne.

Poprawne podejście to time-series split z expanding window lub sliding window: zbiór treningowy zawsze poprzedza w czasie zbiór walidacyjny. Scikit-learn udostępnia TimeSeriesSplit, który implementuje expanding window. Warto ustawić parametr gap między foldem treningowym a testowym, aby unikać wycieków wynikających z autokorelacji między sąsiednimi próbkami.

15. Co to jest Principal Component Analysis (PCA) i kiedy warto go stosować?

PCA to technika redukcji wymiarowości, która przekształca cechy na ortogonalne składowe główne — liniowe kombinacje oryginalnych zmiennych — w kolejności malejącej wyjaśnianej wariancji. Pierwsza składowa wyjaśnia maksymalną wariancję, każda kolejna jest ortogonalna do poprzednich.

PCA stosuje się przed algorytmami wrażliwymi na przekleństwo wymiarowości, do wizualizacji w 2D/3D (w połączeniu z t-SNE lub UMAP), do usuwania szumu przez rzutowanie na podprzestrzeń głównych składowych oraz jako preprocessing przed klasteryzacją. Ograniczenia: PCA jest metodą liniową, wrażliwą na skalę (wymaga uprzedniej standaryzacji) i trudną do interpretacji po transformacji przestrzeni cech.

16. Jak działa algorytm k-means i jakie są jego ograniczenia?

Algorytm k-means minimalizuje sumaryczną sumę kwadratów odległości punktów od centroidów przypisanych klastrów (inercję). Iteruje naprzemiennie: przypisuje punkty do najbliższego centroidu (krok E), a następnie aktualizuje centroidy jako środki ciężkości przypisanych punktów (krok M). Algorytm zbiega do lokalnego, nie globalnego minimum.

Główne ograniczenia: zakłada kuliste klastry o podobnej gęstości i rozmiarze; jest wrażliwy na inicjalizację (rozwiązanie: k-means++ z mądrym inicjowaniem centroidów); jest wrażliwy na wartości odstające; wymaga wcześniejszego określenia liczby klasterów k. Dla złożonych kształtów klastrów lepsze są algorytmy DBSCAN (wykrywa klastry dowolnego kształtu i identyfikuje szum) lub Gaussian Mixture Models (miękkie przypisanie, klastry eliptyczne).

17. Czym jest oversampling i undersampling przy niezbalansowanych danych?

Przy silnie niezbalansowanych klasach sam dobór metryk to za mało — często konieczna jest korekta na poziomie danych lub algorytmu.

Undersampling losowo usuwa przykłady klasy większościowej, zmniejszając rozmiar zbioru treningowego. Prosta i szybka metoda, jednak traci informację zawartą w usuniętych próbkach.

Oversampling zwiększa reprezentację klasy mniejszościowej. SMOTE (Synthetic Minority Over-sampling Technique) generuje syntetyczne próbki przez interpolację między istniejącymi przykładami mniejszościowymi w przestrzeni cech — bardziej efektywne niż proste powielanie. Alternatywą algorytmiczną jest parametr class_weight='balanced' w scikit-learn, skalujący karę za błędy proporcjonalnie do odwrotności częstości klas.

18. Na czym polega różnica między modelem generatywnym a dyskryminatywnym?

Modele dyskryminatywne uczą się bezpośrednio rozkładu warunkowego P(Y|X) — granicy decyzyjnej między klasami. Przykłady: regresja logistyczna, SVM, sieci neuronowe klasyfikujące. Zazwyczaj osiągają wyższą dokładność klasyfikacji przy wystarczającej ilości danych.

Modele generatywne uczą się wspólnego rozkładu P(X, Y) = P(X|Y) × P(Y), modelując mechanizm generowania danych dla każdej klasy. Przykłady: Naive Bayes, Gaussian Mixture Models, GAN, VAE. Pozwalają na generowanie nowych próbek, lepiej działają przy małych zbiorach danych i umożliwiają wykrywanie anomalii przez ocenę prawdopodobieństwa przykładu.

19. Jak działa algorytm backpropagation?

Backpropagation to algorytm efektywnego obliczania gradientów funkcji straty względem wszystkich parametrów sieci neuronowej, wykorzystujący regułę łańcuchową (chain rule) rachunku różniczkowego.

Przepływ obliczeń przebiega w dwóch krokach: forward pass — obliczenie wyjścia sieci i wartości funkcji straty na podstawie bieżących wag; backward pass — propagacja gradientów od warstwy wyjściowej do wejściowej, aktualizując gradient każdej warstwy jako iloczyn gradientu z wyższej warstwy i lokalnej pochodnej aktywacji. Kluczowa optymalizacja: dynamiczne grafy obliczeniowe (jak w PyTorch) umożliwiają cache'owanie aktywacji z forward pass, unikając redundantnych obliczeń w backward pass.

20. Czym jest dropout i jak zapobiega overfittingowi?

Dropout to technika regularyzacji, która podczas treningu losowo zeruje aktywacje neuronów z prawdopodobieństwem p (typowo 0.2–0.5). W praktyce każdy mini-batch trenuje efektywnie inną, losowo zubożoną architekturę sieci.

Mechanizm zapobiegania overfittingowi: sieć nie może polegać na żadnym konkretnym neuronie (co-adaptation), co zmusza ją do uczenia redundantnych i bardziej ogólnych reprezentacji. Podczas inferencji dropout jest wyłączony, a aktywacje skalowane przez czynnik (1 - p) — lub wagi trenowane przez 1/(1-p), zależnie od implementacji (inverted dropout). W głębszych warstwach konwolucyjnych dropout jest mniej skuteczny — tam lepsze rezultaty osiąga batch normalization.

21. Co to jest attention mechanism i czym różni się self-attention od cross-attention?

Mechanizm uwagi (attention) pozwala modelowi dynamicznie ważyć różne części wejścia przy generowaniu każdego elementu wyjścia. Zastąpił rekurencyjne przetwarzanie w LSTM i GRU, umożliwiając równoległe obliczenia na całej sekwencji.

Self-attention: wektory query, key i value pochodzą z tej samej sekwencji — tokeny rozmawiają ze sobą wewnątrz jednej sekwencji (np. w enkoderze transformera modelu BERT). Cross-attention: query pochodzi z jednej sekwencji (np. dekodera), natomiast key i value z innej (np. enkodera) — mechanizm łączący reprezentacje dwóch sekwencji, kluczowy w architekturach seq2seq stosowanych w tłumaczeniu maszynowym i generowaniu tekstu.

22. Jak ewaluować model regresji?

Podstawowe metryki ewaluacji modeli regresji:

• MAE (Mean Absolute Error) — średnia bezwzględna różnica między predykcją a wartością rzeczywistą; odporna na wartości odstające, intuicyjna interpretacja
• MSE (Mean Squared Error) — penalizuje duże błędy kwadratowo; różniczkowalna wszędzie, standardowa w optymalizacji
• RMSE — pierwiastek MSE, wyrażony w tej samej jednostce co zmienna docelowa
• R² — frakcja wyjaśnionej wariancji (zakres 0–1, wyższe wartości lepsze); porównuje model z prostą średnią
• MAPE — procentowy błąd bezwzględny; niestabilny przy wartościach bliskich zeru

Wybór metryki zależy od kontekstu biznesowego: przy wartościach odstających preferuje się MAE lub Huber loss; przy porównaniu modeli na różnych zbiorach danych — MAPE lub znormalizowane RMSE.

23. Czym jest feature store i dlaczego jest istotny w produkcyjnym ML?

Feature store to scentralizowane repozytorium cech, obliczanych i zarządzanych w spójny sposób na potrzeby wielu modeli uczenia maszynowego. Rozwiązuje fundamentalny problem niespojności między środowiskiem treningowym a produkcyjnym (training-serving skew) — jedną z najczęstszych przyczyn degradacji jakości modeli po wdrożeniu.

Kluczowe funkcje: offline store dla historycznych cech (trening i backtesting), online store dla cech o niskim opóźnieniu (inferencja w czasie rzeczywistym), wersjonowanie cech i modeli, rejestr metadanych oraz możliwość ponownego użycia cech przez wiele modeli. Popularne rozwiązania to Feast (open-source), Tecton, Hopsworks i Vertex AI Feature Store.

24. Co to jest MLOps i jakie problemy rozwiązuje?

MLOps (Machine Learning Operations) to zestaw praktyk i narzędzi łączących rozwój modeli ML z ich wdrażaniem i utrzymaniem w produkcji, analogicznie do roli DevOps w inżynierii oprogramowania.

Główne wyzwania adresowane przez MLOps:

• Reprodukowalność — śledzenie eksperymentów, wersjonowanie danych i kodu (MLflow, DVC, Weights & Biases)
• Continuous Training — automatyczne retrenowanie modeli przy dryftowaniu danych wejściowych
• Monitoring — wykrywanie data drift i model drift w produkcji w czasie rzeczywistym
• CI/CD dla ML — automatyzacja testowania i wdrażania modeli przez pipelines i strategie canary deployment
• Feature consistency — zapewnienie spójności inżynierii cech między trenowaniem a serwowaniem

25. Jak wykryć i reagować na data drift w produkcji?

Data drift (covariate shift) następuje, gdy rozkład danych wejściowych w produkcji zmienia się względem rozkładu danych treningowych. Concept drift to zmiana samej relacji między wejściem a wyjściem — P(Y|X) jest inne niż w momencie trenowania.

Metody detekcji dryftu:

• Statystyczne testy: test Kołmogorowa-Smirnowa dla zmiennych ciągłych, Population Stability Index (PSI), chi-kwadrat dla zmiennych kategorycznych
• Monitoring dystrybucji: śledzenie percentyli, średnych i odsetka wartości null per feature w czasie
• Monitoring wydajności: spadek mierzalnych metryk biznesowych (CTR, konwersje, precyzja oznaczeń) jako pośredni sygnał degradacji modelu

Strategia reagowania zależy od diagnozy przyczyny: przy sezonowym lub cyklicznym drifcie — modele regularnie retrenowane na świeżych danych lub time-based instance weighting; przy trwałej zmianie struktury danych — przebudowanie procesu feature engineering i potencjalnie zmiana architektury modelu.

Podsumowanie

Przygotowanie do rozmowy kwalifikacyjnej z data science wymaga opanowania szerokiego spektrum zagadnień: od fundamentów statystycznych i inżynierii cech, przez ewaluację modeli i obsługę niezbalansowanych danych, po architekturę transformerów i praktyki produkcyjnego MLOps. Pytania omówione w niniejszym artykule regularnie pojawiają się na rozmowach zarówno w polskich firmach technologicznych, jak i w globalnych korporacjach prowadzących rekrutację zdalną.

Kluczowy wniosek dla kandydatów: rekruterzy doce niają nie tylko znajomość teorii, ale przede wszystkim rozumienie typowych pułapek — wycieku danych, my lących metryk przy niezbalansowanych klasach, training-serving skew czy błędnej walidacji na szeregach czasowych. Najlepszym przygotowaniem jest regularna praktyka z implementacjami od podstaw, analiza przypadków, w których modele zawodzą, oraz budowanie portfolio projektów demonstrujących zrozumienie pełnego cyklu życia modelu w produkcji.