DataRoot Labs发布15个数据科学与机器学习作品集项目指南

两位候选人申请同一个初级岗位。第一位有十二个仓库：Titanic 生存预测、MNIST 数字识别、房价预测、一个能回答 PDF 问题的聊天机器人。第二位只有两个。其中一个预测电力需求，展示了模型比"去年同周"这个简单猜测好多少，并列出了模型失败的那些周。审阅者只有五分钟，但能核实第二位候选人的说法。第一位候选人的作品看起来和别人的没什么两样。

本指南列出 15 个数据科学项目和机器学习项目，五个角色各三个。DataRoot Labs 是一家 AI 研究与工程公司，本文基于招聘方从业者公开发表的内容以及对常见建模错误的研究编写，于 2026 年 11 月核查。我们没有自己做调查，也没有找到任何严谨的调查来衡量作品集在招聘中的权重。凡是证据仅来自个人经验的地方，我们会注明。

数据工程和分析工程不在本列表范围内；它们值得单独成篇。

O'Reilly《Designing Machine Learning Systems》的作者 Chip Huyen 在她关于机器学习面试的书中写道，最强的信号是过往经验，而经验包括你独立完成的项目和参加的比赛。曾在 Amazon 担任应用科学家的 Eugene Yan 描述了他如何面试 ML 和 AI 工程师：他会问候选人如何评估一个系统、做了哪些错误分析、做了哪些权衡、以及会改变什么。

我们对这两段叙述的解读是：当你没有工作经历时，作品集能帮你通过简历筛选，并且它提供了面试官会追问的那个项目。一个你能深入讨论的项目，比几个你讲不清楚的项目更有用。所以为一个角色选少量项目，然后把它们做完：

每个项目都说明了要构建什么、可以合法使用的数据、拿什么做对比、以及一个常见错误。数据集许可证于 2026 年 11 月 12 日核查；在你发布自己的作品之前请再核查一次。除非条目中另有说明，这些项目都不需要超过一台笔记本电脑的算力。

分析师的工作主要是查询、连接和清洗数据，然后向需要据此行动的人解释它的含义。这些项目每一个都应该以一条建议收尾。

1. 从混乱的多源数据中回答一个真实问题。用 SQL 连接至少两个数据源，并为非技术读者写出答案。一个示例问题：哪些社区等待噪音投诉被关闭的时间最长，在考虑投诉数量之后这个结论是否仍然成立？纽约市的 311 服务请求每日更新，可与其他城市数据表连接；该市的开放数据 FAQ 声明对 Open Data 的使用没有限制。TidyTuesday 每周发布一个较小的数据集及其原始来源。在给出你自己的解释之前，先拿你的答案与显而易见的解释做对比。常见错误：做一个背后没有问题驱动的仪表盘。

2. 分析一个实验。取有处理组和对照组的数据，选择正确的统计检验，报告效应大小及其不确定性。Upworthy Research Archive 以 CC BY 4.0 许可证收录了 32,487 个标题实验。其作者在 2024 年 6 月报告称，他们发现其中 22% 的测试可能存在问 题，起因是每个版本收到的读者数量不均衡。在你自己的分析中，检查这种不均衡是一个好的第一步。ASOS 也发布了一个其线上实验的数据集，同样采用 CC BY 4.0 许可证。常见错误：报告一个 p 值就完事了。

3. 分析漏斗或留存。从事件级数据入手，展示用户在何处流失，或哪些用户群体回来了。Google 的 GA4 样本数据集包含 Google Merchandise Store 三个月的事件数据。Google 表示 BigQuery 沙盒或免费层就足以探索它，数据用占位值做了混淆处理，内部一致性有限，所以对异常数字要保持怀疑。它没有声明自己的许可证。如果需要不依赖云账号的留存数据，UCI Online Retail II（CC BY 4.0）包含按客户划分的发票，但没有页面浏览或购物车数据。常见错误：在需要统计用户数的时候去统计事件数。

Yan 称机器学习是一门经验学科：工作就是衡量某样东西是否有效。两个习惯贯穿所有三个项目。一个是基线。另一个是避免数据泄漏——当测试数据中的信息渗入训练过程、让分数看起来比实际更好时，就会发生数据泄漏。

4. 围绕一个决策构建预测模型。根据人们会用模型输出做什么来框定模型：给谁打电话、审查哪笔贷款、检查哪台机器。利用美国教育部的 College Scorecard（涵盖各机构的毕业率、债务和收入），你可以预测哪些大学可能毕业率偏低，供一个决定先从哪里查起的机构使用。UCI Bank Marketing（CC BY 4.0）很常见，但教了一个有用的教训：它的 duration 列是最后一次通话的时长，而在决定给谁打电话时你并不知道这个信息。使用它就是泄漏。从基线开始，选择一个能反映各类错误代价的指标，并按细分群体展示模型在哪里失败。常见错误：在某一类很罕见时报告准确率。

（原文较长，此处译出前 6000 字，完整内容请点「打开原文」。）