1 
 

Contents 
 
Introduction 
The Secret to your Success is Commitment 5 

You’ll never be 100% ready. So do it anyways. 6 

Don’t Fall Into this Trap 6 

Focus on the Foundations 7 

T​he Statistics You Need to Know 8 

Data Science 101 

The 2 Main Data Scientist Roles 8 

Data Analytics VS Data Science 9 

The Data Science Team 

Data Scientist 11 

Data Analyst 11 

Machine Learning Engineer 12 

Software Engineer - ML 12 

Machine Learning Researcher 13 

The Data Science Pipeline 

OSEMN Pipeline 13 

Business Question 14 

O — Obtaining our data 15 

S — Scrubbing / Cleaning our data 15 

E — Exploring / Visualizing our data 15 

M — Modeling our data 16 

N — Interpreting our data 17 

Machine Learning 101 

What is Machine Learning? 18 

2 
 

Applications of Machine Learning 19 

How Do Machines Learn? 19 

Types of Machine Learning 20 

Supervised Machine Learning 20 

Unsupervised Machine Learning 21 

Reinforcement Machine Learning 21 

Machine Learning Algorithms 

Linear Regression 23 

Logistic Regression 24 

K-Nearest Neighbors 25 

Support Vector Machine 26 

Decision Tree 27 

Random Forest 28 

Gradient Boosting Machine 29 

Your Data Science Portfolio 

How to Craft Your Projects 30 

The Projects You Should Do For Jobs 31 

The 6 Types of Projects 32 

The Importance of Kaggle 32 

How to Build Your Resume 33 

How to Create Your LinkedIn Profile 34 

Interview Prep and Templates 

How to Follow Up After an Interview 35 

How to Write a Cover Letter 37 

The Behavioral Interview 

How to Answer Any Behavioral Questions 37 

Most Common Type of Behavioral Questions 38 

3 
 

The Technical Interview 

How to Prepare for the Technical Round 39 

Analytical Portion (10-20 minutes) 40 

Technical Portion (10-20 minutes) 40 

Mock Data And Questions 41 

The Onsite Interview 

How to Prepare for the On-Site Interviews 42 

Final Interview Tips 

Last Minute Advice 43 

What Hiring Managers Want to Know About You 44 

Questions You Should Ask Your Interviewer 44 

Resources 

Datasets 45 

Facebook Groups 46 

Blogs 47 

Job Portals 47 

Recommended Courses 4​8 

4 
 

Introduction 
 

The Secret to your Success is Commitment 

I'm  going  to  put  it  out  there:  I​ f  you're  an  aspiring  data  scientist,  you're definitely going to 
get  stuck  in  your  initial  learning  journey.  ​You'll  have  setbacks​,  you'll  get  confused  with 
new  topics,  and  you'll  have  some  hard  time  applying  what you learned. And it's okay. It's 
part of the process.  
 
But  if  you're  committed  to  take  full  responsibility  for  your  actions,  to  put  in  the  work,  to 
collaborate/share  with  others, to learn from your mistakes, and to not quit, then no matter 
what you do, you're definitely on your way to success.  
 
Everyone  has  been  through  it.  And  if  you  ask  any  great  person  how  they  made  it,  they 
will let you know that it's all about their commitment to the process. ​They never give up.  
 
So  when  you're  going  through  this  course  keep  your  commitment  in  mind.  Start  taking 
action  today,  no matter how big or small. Because a small commitment will lead to action. 
And any ounce of action will bring you closer to your goals.  

You’ll never be 100% ready. So do it anyways.  

You  don't  have  to  wait  6  months  to do a data science project. You don't have to spend 3 
months learning the theory of machine learning before doing a kaggle competition.  
You don't have to know ALL the visualization libraries/tools out there to start an analysis.  
 
There's  a  common mistake where some people may wait till they feel "ready" before they 
start.  The  truth  is:  it'll  never  happen.  ​So instead of "learning" and "waiting", start doing. 
You're  going  to  learn  so  much  more  about  the  theory  and  application  when  you  are  in 
the process of doing the projects.  
 
It  may  feel  like  you  don't  know  much  now,  but  that's  all  of  us.  We  always  have  so  much 
more  to  learn and so much more to do. ​And if you get stuck, that's totally okay​. Look up 
the solutions on Google, Quora, or Stack-overflow and get it. Rinse and repeat.  
 

5 
 

Make  those  amazing  projects,  tackle  that  kaggle  competition,  and  make  that  killer  app. 
And then share it with us. Share your story, your experience, and your learning so that we 
can all grow together. Because that's what the data community is about.  

Don’t Fall Into this Trap 

But...here is something nobody talks about. A big trap in data science education is: 
● learning data science libraries before learning coding basics 
● learning ML algorithms before learning how to preprocess your data 
● learning deep learning before machine learning 
● learning data viz before understanding the basics of statistical inference 
 
This  is  where  ​most  people  may  spend  months  trying  to  read  a  book,  finish  a  MOOC  or 
learn a topic on YouTube with little retention of the applied topic. Anytime you're learning 
a  new  concept,  you  ​can't  neglect  the  fundamentals  and  always  keep  the  big  picture  in 
mind because: 
● You have to know coding basics before you can even debug the 
implementations of your DS/ML libraries  
● You have to know how to preprocess your data before applying machine 
learning methods accurately  
● You  have  to  know  statistical  inference  before  you  make  sense  of  your 
visualization.  
 
Remember  ​to  don't  just  jump  into  a  course  without  taking  the  time  to ask yourself "why" 
and  "how"  is  this  being  used  (even  this  course).  It's  only  when  you  start  asking  yourself 
questions  about  the  problem  where  you  begin  to  connect  the  dots.  And  by  having  a 
good  foundation  of  the  basics,  those  dots  that  you  connect  with  new  concepts  will  be 
retained a lot longer.  

Focus on the Foundations 

Finally,  if  you're  new  to  data  science  or  machine  learning,  ​it  may  be  tempting  to  learn 
everything as quick as possible.  
 
I  highly  recommend  for  you  to  take  the  time  to  learn  the  basics  of  each  concept  before 
you start implementing:  
1. Summarizing descriptive statistics of your data,  
2. Handling different types of variables (categorical, ordinal, numerical)  
3. Visualizing trends and finding correlations  

6 
 

4. Preprocessing techniques  
5. Train/Test Split & Cross Validation  
6. Types of evaluation metrics 
 
It's  way better to understand one thing really well and move forward slowly than to barely 
understand something and move forward quickly. Everything is built upon each other.  
 
If  you don't have a solid understanding of the foundations: Data cleaning, pre-processing, 
and  visualization  ​then  you're  not  ready  to  move  forward to the more advanced topics of 
feature engineering, hyper parameter tuning, and model selection.  
 
Start  from  the  basics  and  implement  new  concepts  as  you  go.  Learn  the  concept  really 
well  and  then  start  implementing  it.  ​Focus  on  why  it  works  and  when  it's  used.  Repeat 
this  over  and  over.  Before  you  know  it,  you've  probably  built  a whole end-to-end project 
that you should be really proud of.  
 

The Statistics You Need to Know  

I  would  say  the  ​20%  of  statistics  that  accounts  for  80%  of  all  data  science problems can 
be captured by: 
 
1. Statistical  Models  ​Linear  regression,  logistic  regression,  one  multi-purpose  ML 
model like xgboost, and one unsupervised learning algorithm, probably k-means 
2. Basic feature engineering: 
a. Avoiding colinearity 
b. Generating simple transformations of numerical variables 
c. Handling categorical variables (normally one-hot encoding works just fine) 
d. Understanding  which  variables  can actually be used in prediction based on 
timing/business constraints 
3. Evaluating quality of fit 
a. Working on a train/test split dataset 
b. R^2  for  regression  and  accuracy/specificity/recall  for  classification  should 
handle most cases. 
 
Some  people  may  argue  that  this  list  is  not  entirely  correct,  but in a general sense this is 
basically  the  core  statistical  concepts  you  should  know.  Be  familiar  with  this  and  you’ll 
have  a  solid  grasp  on  the  field.  ​The  goal  here  is  to  be  able  to  explain  what  you  have 
done and justify how you did it.  

7 
 

Data Science 101 

 

The 2 Main Data Scientist Roles 

Product  Data  Scientist  -  They  focus  on  the  product.  These  data  scientists  are  more 
tech-savvy  and  are  working  on  building  a  product  for  the  end  user.  You'll  need  to  be 
more versed in development, coding, implementation, and ETL.  
 
Business  Data  Scientist  ​-  They  focus  on  the  insights.  These  data  scientists  are  more 
business-savvy  and  are  focused  on  the  decisions  your  team  make.  You'll  need  to  be 
more  versed  in  communication,  business  understanding,  marketing,  forecasting,  and 
profitability analysis.  
 
All  Data  Scientists  -  ​At  the  end  of  the  day,  each  of  these  two  roles  will  have  one  main 
thing  in  common:  ​they  are  both  problem  solvers.  Your  goal  here  is  to  take  data  and 
solve  a  problem  out  of  it,  using  whatever  tools  and  skills  you  need. You need to be able 
to  perform  an  end-to-end  project  and  solve  real  problems.  This  includes  performing 
statistical  analysis,  communicating  with  stakeholders,  designing  pipelines,  creating 
machine learning models, and etc.  

Data Analytics VS Data Science 

I’ll summarize it in two sentences: 
● Data analytics​ is about using data to explain the ​past​. 
● Data science​ is about using data to explain the ​future​.  
 
The primary responsibilities for Data Scientists are: 
● Use  quantitative  tools  to  uncover  opportunities,  set  team  goals  and  work  with 
cross-functional partners to guide the product roadmap 
● Explore,  analyze  and  aggregate  large  data  sets  to provide actionable information, 
and create intuitive visualizations to convey those results to a broad audience 
● Design  informative  experiments  considering  statistical  significance,  sources  of 
bias, target populations and potential for positive results 
● Collaborate  with  Engineers  on  logging,  product health monitoring and experiment 
design/analysis 
 

8 
 

Data, Analytics role is NOT characterized by the following: 

● Working  in  a  centralized  service  organization,  consulting  and  responding  to 
ad-hoc  requests.  Data  Scientists  in  the  Analytics  org  are  embedded  in  product 
teams  and  expected  to be involved in driving both the high-level direction and the 
day-to-day progress of the team. 
● Specializing  in  ETL,  pipelining,  and  other  data  infrastructure  tasks.  While  it  is 
common  for  Data  Scientists  to  build  and  maintain  some  pipelines,  the  Data 
Engineering team focuses more heavily on this. 
● Taking  an  academic  approach  to  Facebook  data  and  publishing  white  papers. 
That activity typically resides in the Core Data Science team. 
● Building,  training  and  deploying  machine  learning models to production. Although 
a  few  Analytics  roles  will  involve  modeling,  most  production  models  are  handled 
by the Engineering team.  

Summary 
SQL is all about data.  
Statistics is all about inference. 
Data Visualization is all about insight. 
Machine Learning is all about prediction. 
Communication is all about decision making. 
Data science is​ all the above. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

9 
 

The Data Science Team 

 
 
Ideal  data  scientist  is  not  an  expert  in  software  development  and  databases.  You  just 
need  familiarity  with  it.  In  a  big  team  in  industry  its  the  job  of  data  engineers  to  get  you 
the  data,  who are more specialized in databases. Then you also have system admins and 
database  admins  maintaining  that  side  of  things.  Software  developers  work  with devops 
to  integrate  your  algorithms into production. Statistics is probably the #1 thing you should 
know as a data scientist and is the expertise you are bringing to the table which shouldn't 
really expect any other IT staff to know.  
 
The Data Science Team Chart 
 

I. Data Scientist 
The  data  scientist  will  have  a  mix  of  software  engineering,  modeling,  and  business 
analytics.  These  people  will  do  a  similar  role  as  data analysts, but are a step above them 
because  of  their  knowledge  in  machine  learning.  A  good  understanding  of  statistics, 
machine learning, analytics, and communication is key for this role. 
 
Tools Used: 
● Scikit-Learn, TensorFlow, Pytorch, NumPy, and etc. for modeling 
● SQL for querying data 
● Python or R for business analysis and programming 

10 
 

● Tableau or Excel for data visualization and reporting 

● Git,  Jupyter  Notebook,  and  Command  Line  for  version  control  and 
collaboration 

II. Data Analyst 

The  data  analysts  will  usually  create  reports  for  their  team  and  present  their  findings. 
They  should  have  a  good  understanding  on  how  to  query  from  a  database  and  know 
how  to  monitor/track  different  metrics  and  KPIs.  Communication  is  definitely  key  for  this 
role. 
 
Tools Used: 
● SQL for querying data 
● Python or R for business analysis and programming 
● Tableau or Excel for data visualization and reporting 

III. Machine Learning Engineer 

Machine  Learning  Engineers  normally  focus  on  the  implementation  and  deployment  of 
the  models.  They  will  need  a  good  understanding  on  optimization,  as  well  as  software 
engineering.  They  are  less  focused  on  the  insights  you  get  from  your  models,  but  more 
on the productionalization and application of it.  
 
Tools Used: 
● Scikit-Learn, TensorFlow, Pytorch, NumPy, and etc. for modeling 
● SQL for querying data 
● Python, Java, C++, and etc. for deployment and OOP 
● AWS, GCP, Azure, etc. for cloud technologies 
● Git,  Jupyter  Notebook,  and  Command  Line  for  version  control  and 
collaboration 
● JIRA for issue tracking product 

IV. Software Engineer - ML 

Software  Engineers  bring  in  a  lot  of  programming  and  algorithmic  coding  to  the  table. 
They  focus  more  on  the  underlying  code  and  are  most  likely  all  technical.  They  don’t 
really  work  on  the  models  perse  but  are involved with the deployment and integration of 
it  into  their  product.  These  engineers  focus  on  applications  usually powered by machine 
learning or deep learning.  

11 
 

 
Tools Used: 
● Scikit-Learn, TensorFlow, Pytorch, NumPy, and etc. for modeling 
● SQL for querying data 
● Python, Java, C++, and etc. for deployment and OOP 
● AWS, GCP, Azure, etc. for cloud technologies 
● Git,  Jupyter  Notebook,  and  Command  Line  for  version  control  and 
collaboration 
● JIRA for issue tracking product 

V. Machine Learning Researcher 

Machine  Learning  Researchers  have  a  heavy  focus  on  algorithms,  experimentation, 
optimization,  and  sometimes  deployment.  These  people  have  a  particular  focus  on  their 
domain, such as NLP, speech recognition, and computer vision.  
 
Tools Used: 
● Scikit-Learn, TensorFlow, Pytorch, NumPy, and etc. for modeling 
● SQL for querying data 
● Git,  Jupyter  Notebook,  and  Command  Line  for  version  control  and 
collaboration 
● Papers, Conferences, Reddit, Twitter, and etc. for research and updates 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

12 
 

The Data Science Pipeline 

 

OSEMN Pipeline 
Understanding  the  typical  work  flow  on  how  the  data  science  pipeline  works  is  a crucial 
step  towards  business  understanding  and  problem  solving.  If  you  are  intimidated  about 
how  the  data  science  pipeline  works,  say  no  more.  I'll make this simple for you. I found a 
very  simple  acronym  from  Hilary  Mason  and  Chris  Wiggins  that  you  can  use  throughout 
your data science pipeline. That is O.S.E.M.N. 
 
OSEMN Pipeline 
O — Obtaining our data 
S — Scrubbing / Cleaning our data 
E — Exploring / Visualizing our data will allow us to find patterns and trends 
M — Modeling our data will give us our predictive power as a wizard 
N — Interpreting our data 

Business Question 
So  before  we  even  begin  the  OSEMN  pipeline,  the  most  crucial  and  important  step  that 
we  must  take  into  consideration  is  understanding  what  problem  we’re  trying  to  solve. 
Let’s  say  this  again.  Before  we  even  begin  doing  anything  with  “Data  Science”, we must 
first  take  into  consideration  what  problem  we’re  trying  to  solve.  If  you  have  a  small 
problem  you  want  to  solve,  then  at  most  you’ll  get  a  small  solution.  If  you  have  a  BIG 
problem to solve, then you’ll have the possibility of a BIG solution. 
 
Ask yourself: 
● How can we translate data into dollars? 
● What impact do I want to make with this data? 
● What business value does our model bring to the table? 
● What will save us lots of money? 
● What can be done to make our business run more efficiently? 
 
Knowing  this  fundamental  concept  will  bring  you  far  and  lead  you  to  greater  steps  in 
being  successful  towards  being  a  Data  Scientist.  No  matter  how  well  your  model 
predicts,  no matter how much data you acquire, and no matter how OSEMN your pipeline 

13 
 

is…  your  solution  or  actionable  insight  will  only  be  as  good  as  the  problem  you  set  for 
yourself. 
 
“Good  data  science  is  more  about  the  questions  you  pose  of  the  data  rather  than  data 
munging and analysis”​ — Riley Newman 
 
 
O — Obtaining our data 
You  cannot do anything as a data scientist without even having any data. As a rule 
of  thumb,  there  are  some  things  you  must  take into consideration when obtaining 
your  data.  You  must  identify  all  of  your  available  datasets  (which  can  be  from  the 
internet  or  external/internal  databases).  You  must  extract  the  data  into  a  usable 
format (.csv, json, xml, etc..) 
 
Skills Required: 
● Database Management: MySQL, PostgresSQL,MongoDB 
● Querying Relational Databases 
● Retrieving Unstructured Data: text, videos, audio files, documents 
● Distributed Storage: Hadoops, Apache Spark/Flink 
 
 
S — Scrubbing / Cleaning our data 
This  phase  of  the  pipeline  should  require  the  most  time  and  effort.  Because  the 
results  and  output  of  your  machine  learning  model  is  only  as  good  as  what  you 
put into it. Basically, garbage in garbage out. Your objective here is to examine the 
data,  understand every feature you’re working with, identify errors, missing values, 
and corrupt records, clean the data, and replace and/or fill missing values. 
 
Skills Required: 
Scripting language: Python, R, SAS 
Data Wrangling Tools: Python Pandas, R 
Distributed Processing: Hadoop, Map Reduce / Spark 
 
 
E — Exploring / Visualizing our data 
Now  during  the  exploration  phase,  we  try to understand what patterns and values 
our  data  has.  We’ll  be  using  different  types  of  visualizations  and  statistical testing 

14 
 

to  back  up  our  findings.  This  is  where  we  will  be  able  to  derive  hidden  meanings 
behind our data through various graphs and analysis. Go out and explore! 
 
Your  objective  here  is  to  find  patterns  in  your  data  through  visualizations  and 
charts  and  to  extract  features  by  using  statistics  to  identify  and  test  significant 
variables.  
 
Skills Required: 
● Python: Numpy, Matplotlib, Pandas, Scipy 
● R: GGplot2, Dplyr 
● Inferential statistics 
● Experimental Design 
● Data Visualization 
 
 
M — Modeling our data 
Models  are  general  rules  in  a  statistical  sense.Think  of  a  machine  learning  model 
as  tools  in  your  toolbox.  You will have access to many algorithms and use them to 
accomplish  different  business  goals.  The  better  features  you  use  the  better  your 
predictive  power  will  be.  After  cleaning  your  data  and  finding  what  features  are 
most  important,  using  your  model  as  a  predictive  tool  will  only  enhance  your 
business decision making. 
 
Your objective here is to perform in-depth analytics by creating predictive models.  
Machine  learning  algorithms  may  be  better  at  predicting,  detecting,  and 
processing patterns than you. But they can't reason. And that's where you com in! 
 
Machine Learning Analogy 
Think  of  Machine  learning  algorithms  as  us  (students).  Just  like  students,  all  of  the 
algorithms  learn  differently.  Each  has  their  own  sets  of  qualities  and  way  of  learning. 
Some  algorithms  learn  faster,  while  others  learn  slower.  Some  algorithms  are  lazy 
learners  (i.e.  KNN)  while  others  are  eager  learners.  Some  algorithms  learn  from 
parametric  data  (i.e.  Linear  Regression)  while  others  learn  from  non-parametric  data  (i.e. 
Decision  Trees).  Just  like students, some algorithms perform better for a certain problem, 
whereas  others  may  perform  better  on  another,  i.e.  linearly  separable  vs  non-linearly 
separable  problems.  Just  like  students,  these  algorithms  learn  through  various  patterns 
and  relationships  from  the  data.  That's  why  it's  important  to  perform  EDA  and 
visualizations  because  if  you  don't  see  a  pattern,  you're  model  won't  as  well.  Just  like 

15 
 

students,  if  you  give  an  algorithm  garbage  information  to  learn,  then  it  won't  perform  as 
good.  That's  why  it's  important  to choose your features correctly and that each has some 
relationship  to  the  problem.  So  remember,  choose  the  algorithm  that  is  the  most 
appropriate  for  your  problem.  Because  there  is  no  "best"  learner  but  there  is  always  the 
"right" learner.  
 
"Machines  can predict the future, as long as the future doesn't look too different from the 
past." 
 
Skills Required: 
● Machine Learning: Supervised/Unsupervised algorithms 
● Evaluation methods: MSE, Precision/Recall, ROC/AUC 
● Machine Learning Libraries: Python (Sci-kit Learn) / R (CARET) 
● Linear algebra & Multivariate Calculus 
 
 
N — Interpreting our data 
The  most  important  step  in  the  pipeline  is  to understand and learn how to explain 
your  findings  through  communication. Telling the story is key, don’t underestimate 
it.  It’s  about  connecting  with  people,  persuading  them,  and  helping  them.  The  art 
of  understanding  your  audience  and  connecting  with  them  is  one  of the best part 
of data storytelling. 
 
The power of emotion 
Emotion  plays  a  big  role  in  data  storytelling.  People  aren’t  going  to  magically 
understand  your  findings.  The  best  way  to  make  an  impact  is  telling  your  story 
through  emotion.  We  as  humans  are  naturally  influenced  by  emotions.  If  you  can 
tap  into  your  audiences’  emotions, then you my friend, are in control. When you’re 
presenting  your  data,  keep  in  mind  the  power  of  psychology.  The  art  of 
understanding  your  audience  and connecting with them is one of the best parts of 
data storytelling. 
The  objective  you  should  have  for  yourself  is  to  be  able  to  identify  business 
insights,  relate  back  to  the  business  problem,  visualize  your  findings  accordingly, 
keeping it simple and priority driven, and to tell a clear and actionable story.  
 
Skills Required: 
● Business Domain Knowledge 
● Data Visualization Tools: Tableau, D3.JS, Matplotlib, GGplot, Seaborn 

16 
 

● Communication: Presenting/Speaking & Reporting/Writing 

 
Conclusion  
Data  is  not  about  statistics,  machine  learning,  visualization,  or  wrangling.  ​Data  is  about 
understanding.  Understanding  the  problem  and  how  you  can  solve  it  using  data  with 
whatever  tools  or  techniques  you  choose.  Understand  your  problem.  Understand  your 
data. ​And the rest will follow.  
 
Most  of  the  problems  you  will  face  are,  in  fact,  engineering  problems.  Even  with  all  the 
resources  of  a  great  machine  learning  god,  most  of  the  impact  will  come  from  great 
features, not great machine learning algorithms.  
 
 
So, the basic approach is: 
● Make sure your pipeline is solid end to end 
● Start with a reasonable objective 
● Understand your data intuitively 
● Make sure that your pipeline stays solid 
 
 
 
 
 
 
 
 
 

 
 
 
 

17 
 

Machine Learning 101 

 

What is Machine Learning? 

Machine  Learning  involves  a  computer  to  recognize  patterns  by  examples,  rather  than 
programming it with specific rules. These patterns are found within Data. 
 
Machine = Your machine or computer  
Learning = Finding patterns in data 
 
Machine  Learning  is  about:  Creating  algorithms  (a  set  of  rules)  that  learns  from  complex 
functions (patterns) from data to make predictions on it. 
 
In  short,  Machines  can  predict  the  future,  as  long  as  the  future doesn’t look too different 
from the past. 
 
Essentially, it can be summarized in 3 Steps: 
1. It takes some data 
2. Finds pattern from the data 
3. Predicts new pattern from the data 

Applications of Machine Learning 

Before we get started, here is a quick overview of what machine learning is capable of: 
● Healthcare​: Predicting patient diagnostics for doctors to review 
● Social  Network​:  Predicting  certain  match  preferences  on  a  dating  website  for 
better compatibility 
● Finance​: Predicting fraudulent activity on a credit card 
● E-commerce​: ​Predicting customer churn 
● Biology​: Finding patterns in gene mutations that could represent cancer 
 

18 
 

How Do Machines Learn? 

To  keep  things  simple,  just  know  that  ​machines  “learn”  by  finding  patterns  in  similar 
data.  Think  of  data  as  information  you  acquire  from  the  world.  The  more  data given to a 
machine, the “smarter” it gets. 
 
But  not all data are the same. Imagine you're a pirate and your life mission was to find the 
buried  treasure  somewhere  on  the  island.  In  order  to  find  the  treasure,  you're  going  to 
need  sufficient  amount  of  information.  Like  data,  this  information  can  either  lead  you  to 
the  right  direction  or  the  wrong  direction.  ​The  better  the  information/data  that  is 
obtained,  the  more  uncertainty  is  reduced,  and  vice  versa.  So  it's  important  to  keep  in 
mind the type of data you're giving to your machine to learn. 
 
Nonetheless,  after  a  sufficient  amount  of  data  is  given,  then  the  machine  can  make 
predictions.  ​Machines  can  predict  the  future,  as  long  as  the  future  doesn’t  look  too 
different from the past. 
 
Machine  “learns”  really  by  using  old  data  to  get  information  about  what's  the  most 
likelihood  that  will  happen.  If  the  old  data  looks  a  lot  like  the  new  data,  then  the  things 
you  can  say  about  the  old  data  will  probably be relevant to the new data. It’s like looking 
back to look forward. 
 

Types of Machine Learning 

There are three main categories of machine learning: 
 
1.  Supervised  learning:  The  machine  learns  from  labeled  data.  Normally,  the  data  is 
labeled by humans. 
2.  Unsupervised  learning: The machine learns from unlabeled data. Meaning, there is no 
“right”  answer  given  to  the  machine  to  learn,  but  the  machine  must  hopefully  find 
patterns from the data to come up with an answer. 
3. Reinforcement learning:​ ​The machine learns through a reward-based system. 
 

19 
 

Supervised Machine Learning 

Supervised learning is the most common and studied type of learning because it is easier 
to  train  a  machine  to  learn  with  labeled  data  than  with  unlabeled  data.  Depending  on 
what  you  want  to  predict,  supervised  learning  can  be  used  to  solve  two  types  of 
problems: regression or classification. 
 
Regression 
If  you  want  to  predict  continuous  values,  such  as  trying  to  predict  the  cost  of a house or 
the  weather  outside  in  degrees,  you  would  use  regression.  This type of problem doesn’t 
have a specific value constraint because the value could be any number with no limits. 
 
Classification 
If  you  want  to  predict  discrete  values,  such  as  classifying  something into categories, you 
would  use  classification. A problem like, "Will he make this purchase" will have an answer 
that  falls  into  two  specific  categories:  yes  or  no.  This  is  also  called  a binary classification 
problem. 
 

Unsupervised Machine Learning 

Since  there  is  no  labeled  data  for  machines  to  learn  from,  the  goal  for  unsupervised 
machine  learning  is  to  detect  patterns  in  the  data  and  to  group  them.  Unsupervised 
learning  are  machines  trying  to  learn  “on  their  own”without  help.  Imagine  someone 
throwing  you  piles  of  data  and  says  “Here  you  go  boy,  find  some  patterns  and  group 
them out for me. Thanks and have fun.” 
 
Depending  on  what  you  want  to  group  together,  unsupervised  learning  can  group  data 
together by: clustering or association. 
 
Clustering Problem 
Unsupervised  learning  tries  to  solve  this  problem  by  looking  for  similarities in the data. If 
there  is  a  common  cluster  or  group,  the  algorithm  would  then  categorize  them  in  a 
certain  form.  An  example  of  this  could  be  trying  to  group  customers  based  on  past 
buying behavior. 
 
 
 

20 
 

Association Problem 
Unsupervised  learning  tries  to  solve  this  problem  by  trying  to  understand  the  rules  and 
meaning  behind  different  groups.  Finding  a  relationship  between  customer  purchases is 
a  common  example  of  an  association  problem.  Stores  may  want  to  know  what  type  of 
products  were  purchased  together  and  could  possibly  use  this  information  to  organize 
the  placement  of  these  products  for  easier  access.  One  store found out that there was a 
strong  association  between  customers  buying  beer and diapers. They deduced from this 
statement  that  males  who  had  gone  out  to  buy  diapers  for  their  babies  also  tend  to buy 
beer as well. 
 

Reinforcement Machine Learning 

This  type  of  machine  learning requires the use of a reward/penalty system. The goal is to 
reward  the  machine  when  it  learns  correctly  and  to  penalize  the  machine  when  it  learns 
incorrectly. 
 
Reinforcement  Machine  Learning is a subset of Artificial Intelligence. With the wide range 
of  possible  answers from the data, the process of this type of learning is an iterative step. 
It continuously learns. 
 
Examples of Reinforcement Learning: 
● Training a machine to learn how to play (Chess, Go) 
● Training a machine how to learn and play Super Mario by itself 
● Self-driving cars 
 
 
 
 
 
 
 
 
 
 
 
 

21 
 

Machine Learning Algorithms 

 
 
With  big  loads  of  data  everywhere,  the  power  in  deriving  meaning  behind  all  of  it  relies 
on  the  use  of  Machine  Learning.  ​Machine  learning  algorithms  are  used  to  learn  the 
structure  of  the  data.  ​Is  there  a  structure  in  the  data?  Can  we  learn  the  structure  from 
the  data?  And  if  we  can, we can then use it for prediction , description, compression, and 
etc. 
 
Each  machine  learning  algorithm/model  has  its  own  strengths  and  weaknesses.  A 
problem  that  resides  in the machine learning domain is the concept of understanding the 
details  in  the  algorithms  being  used and its prediction accuracy. Some models are easier 
to  interpret/understand  but  lack  prediction  power.  Whereas  other  models  may  have 
really accurate predictions but lack interpretability. 
 
This  section  will  not  go  into  detail  on  what  goes  inside  each algorithm, but will cover the 
high-level overview of what each machine learning algorithm does.  
 
Let’s talk about the 7 important machine learning algorithms: 
1. Linear Regression 
2. Logistic Regression 
3. K-Nearest Neighbors (KNN) 
4. Support Vector Machines (SVM) 
5. Decision Tree 
6. Random Forest 
7. Gradient Boosting Machine 

 
 

22 
 

Linear Regression 
This  is  the  go  to  method  for  regression  problems​.  The  linear  regression  algorithm  is 
used  to  see  a relationship between the predictor variables and explanatory variable. This 
relationship  is  either  a  positive,  negative,  or  neutral  change  between  the  variables.  In its 
simplest  form,  it  attempts  to  fit  a  straight  ​line  ​to  your  training  data.  This  ​line  ​can then be 
used as reference to predict future data. 

Imagine  you’re  an  ​ice  cream  man.  ​Your  intuition  from  previous  sales was that you found 
yourself  selling  more  ice  cream  when  it 
was  hotter  outside.  ​Now you want to know 
how  much  to  sell  your  ice  cream  at  a 
certain  temperature.  We  can  use  linear 
regression  to  predict  just  that!  The  linear 
regression  algorithm  ​is  represented  as  a 
formula:  ​y  =  mx  +  b.  ​Where  “y”  is  your 
dependent  variable  (ice  cream  sales)  and 
“x” is your independent variable (temperature).  

Example:  ​If  the  temperature  is  about  ​75  ​degrees  outside,  you  would  then  sell  the  ice 
cream at about ​$150. ​This shows that as temperature increases, so does ice cream sales.  

Strengths:  Linear  regression  is  very  fast  to  implement,  easy  to  understand,  and  is  less 
prone  to  overfitting.  It’s  a  great  go-to  algorithm  for  using  it  as your first model and works 
really on linear relationships  

​ inear  regression  performs  poorly  when  there are non-linear relationships. 

Weaknesses:  L
It is hard to be used on complex data sets. 

23 
 

Logistic Regression 
This  is  the  go  to  method  for  ​classification  ​method  and  is  commonly  used  for 
interpretability​.  It  is  commonly  used  to  predict  the  ​probability  ​of  an  event  occurring. 
Logistic  regression  is  an  algorithm  borrowed  from  statistics  and  uses  a  ​logic/sigmoid 
function​ (Purple Formula) to transform its output, making it either 0 or 1. 

Example:  ​Imagine  you’re  a  banker  and  you  wanted  a  machine  learning  algorithm  to 
predict  the  probability  of  a  person  paying  you  back  the  money.  They  will either: pay you 
back  or  not  pay  you  back.  Since  a  probability  is  within  the  range  of  (0–1),  using  a  linear 
regression  algorithm  wouldn’t  make  sense  here  because  the  line  would  extend  pass  0 
and 1. You can’t have a probability that’s negative or above 1. 

Strengths​:  Similar  to  its  ​sister​,  linear  regression,  logistic  regression  is  easy  to  interpret 
and  is  less  prone  to  overfitting.  It’s  fast  to  implement  as  well  and  has  surprisingly  great 
accuracy for its simple design.  

Weaknesses​:  This  algorithm  performs  poorly  where  there  are  multiple  or  non-linear 
decision boundaries or capturing complex relationships. 

24 
 

K-Nearest Neighbors 
K-Nearest  Neighbors  algorithm  is  one  of  the  ​simplest  classification  techniques.  It’s  an 
algorithm  that  classifies  objects  based  on  its  closest  training  example  in  its  featured 
space.  The  ​K  in  ​K-​Nearest  Neighbors  refers  to  the  number  of  nearest  neighbors  the 
model will be used for its prediction. 

How it Works: 

1. Assign  K  a  value  (preferably  a  small 

odd number) 
2. Find closest number of K points 
3. Assign  the  new  point  from  the 
majority of classes 

Example:  ​Looking  at  our  unknown  person  in  the  graph,  where  would  you  classify  him 
under  as:  ​Dothraki  ​or  ​Westerosian​?  We’ll  be  assigning  ​K=5​.  So in this case, we’ll look at 
the  5  closest  neighbors  to  our  unassigned  person  and assign him to the majority class. If 
you  picked  ​Dothraki​,  then  you  are  correct!  Out  of  the  ​5  neighbors,  4  of  them  were 
Dothrakis and 1 was Westerosian. 

Strengths​:  ​This  algorithm  is  good  for large data, it learns well on complex patterns, it can 

detect linear or non-linear distributed data, and is robust to noisy training data.  

Weaknesses​:  It’s  hard  to  find  the  right  K-value,  bad  for  higher  dimensional  data,  and 
requires  a  lot  of  computation  when  fitting  larger  amounts  of  features.  It’s  expensive  and 
slow.  

25 
 

Support Vector Machine 

If  you  want  to  compare  ​extreme  values  in  your  dataset  for  classification  problems,  ​SVM 
algorithm  is  the  way  to  go.  It  draws  a  decision  boundary,  also  known  as  a  ​hyperplane 
that  best  segregates  the  two  classes  from  one  another.  Or  you  can  think  of  it  as  an 
algorithm  that  looks  for  some  pattern  in  the  data  points  and  find  a  best  line  that  can 
separate the pattern(s).  

S  —  ​Support  refers  to  the  extreme 

values/points in your dataset.   
V  ​—  Vector  refers  to  the  values/points 
in dataset / feature space.   
M  ​—  Machine  refers  to  the  machine 
learning  algorithm  that  focuses  on  the 
support  vectors  ​to  classify  groups  of 
data.  This  algorithm  literally  only 
focuses on the extreme points and ignores the rest of the data. 

Example:  ​This  algorithm  only  focuses  on  the  extreme  values  (​support  vectors​)  to create 
this decision line, which are the​ two cats ​and ​one dog​ circled in the graph.  

Strengths:  ​This  model  is  good  for  classification  problems  and  can  model  very  complex 
dimensions. It’s also good to model non-linear relationships. 

Weaknesses:  ​It’s  hard  to  interpret  and  requires a lot of memory and processing power. It 

also does not provide probability estimations and is sensitive to outliers. 

26 
 

Decision Tree 
A  decision  tree  is  made  up  of  ​nodes​.  Each  node  represents  a  question  about  the  data. 
And  the  branches  from  each  node  represents  the  possible  answers.  Visually,  this 
algorithm  is  very  easy  to  understand.  With  every  decision  tree,  there  is  always  a  ​root 
node  and  this  represents  the  top  most  question.  The  order  of  importance  for  each 
feature  is  represented  in  a  top-down  approach  of  the  nodes.  The  higher  the  node  the 
more important its property/feature. 

Strengths​:  The  decision  tree  is  a  very  easy to ​understand ​and visualize. It’s fast to learn, 

robust  to  outliers,  and  can  work  on  non-linear  relationships.  This  model  is  commonly 
used  to  understand  what  features  are  being  used,  such  as  medical  diagnosis  and  credit 
risk analysis. It also has a built in feature selection. 

Weaknesses​:  The  biggest  drawback  of  a single decision tree is that it loses its predictive 

power  from  not collecting other overlapping features. A downside to decision trees is the 
possibility  of  building  a  complex  tree  which  do  not generalize well to future data. hard to 
interpret,  duplication  is  possible.  Decision  trees  can  be  unstable  because it naturally has 
low variance of features. 

27 
 

Random Forest 
One  of  the  most  used  and  powerful  supervised  machine  learning  algorithms  for 
prediction  accuracy​.  Think  of  this  algorithm  as  a  bunch  of  decision trees, instead of one 
single  tree  like  the  Decision  Tree  algorithm.  This  grouping  of  algorithms,  in  this  case 
decision  trees,  is  called  an  ​Ensemble Method​. It’s accurate performance is generated by 
averaging  the  many  decision  trees  together.  Random  Forest  is naturally hard to interpret 
because  of  the  various  combinations  of  decision  trees  it  uses.  But  if  you  want  a  model 
that is a ​predictive powerhouse,​ use this algorithm! 

Strengths​:  Random  Forest  is  known  for  its  great  ​accuracy​.  It  has  automatic  feature 
selection,  which  identifies  what  features  are  most  important.  It  can  handle  missing  data 
and imbalanced classes and generalizes well. 

Weaknesses​:  A  drawback  to  random  forest  is  that  you  have  very  little  control  on  what 
goes  inside  this  algorithm.  It’s  hard  to  interpret  and  won’t  perform  well  if  given  a  set  of 
bad features. 

28 
 

Gradient Boosting Machine 

Gradient  Boost  Machine  is another type of ​Ensemble Method, ​where it aggregates many 
models  together  and  takes  a  consensus  of  their  predictions.  A  simple  key  concept  to 
remember  about  this  algorithm  is  this:  ​it  trains  a weak model into a stronger model. ​Try 
not to over-complicate things here. 

How  It  Works:  ​You’re  first  model  is  considered  the  “weak”  model.  You  train  it  and  find 
out  what  errors  your  first  model  produced.  The  second  tree  would then use these errors 
from  the  first  tree  to  re-calibrate  its  algorithm  and  emphasis  more  priority  to  the  errors. 
The  third  tree  would  repeat  this  process and see what errors the second tree made. And 
this  would  just  repeat.  ​Essentially,  this  model  is  building  a  team  of  models  that  works 
together to solve their weaknesses.  

Strengths​:  Gradient  Boosting  Machines  are  very  good  to  use  for  predictions.  It’s  one  of 
the  best off-the-shelf algorithm used for great accuracy with decent run time and memory 
usage.  

Weaknesses:  Like  other  ensemble  methods,  GBM  lacks  interpretability.  It  is  not  well 
suited  for  handling  large  dimensions/features  because  it  could  take  a  lot  of  training 
process and computation. So a balance of computational cost and accuracy is a concern. 

29 
 

Your Data Science Portfolio 

 

How to Craft Your Projects 

If  you  don't  have  experience  in  data  science,  you  have  to  start  doing  some  personal 
projects.  My  advice  is  for  you  to  actually  choose  a  dataset  that  you  find  interesting.  The 
quality of work that you do will show during your analysis and documentation.  
 
One  thing  to  always  keep  in  mind  is  to  know  your  "why".  ​When  an  interviewer  asks 
about a project​ that you've worked on recently, this is what they want to hear: 
1. How you started the project  
2. Why you thought it was important  
3. Your process  
4. Your result  
5. What you learned 
 
If  you  can  tell  a  story  about  your  dataset,  emphasize  why  your  analysis  is  so 
interesting/compelling,  and  let  them  know  about  all  the  hard  work  you've  done  and 
learned from, t​ hen that's a worthy project.​  Put in the extra effort to document your work, 
structure  your  story,  and  write  about  the interesting things you've found in your analysis. 
Make sure you give it your all in whatever work you do. I​ t'll pay off.  
 
Last  but  not  least,  share  it.  Put  it  on  GitHub  or  Kaggle.  Get  feedback  from  others. 
Improve your project over time. And most definitely: have fun! 
 

The Projects You Should Do For Jobs 

Your  personal  projects  are  the  next  best  thing  to  experience  that  you  can  show 
employers  about  your  data  science  skill  set.  But  there  are  good  and  bad  projects  to  be 
mindful  of.  Definitely  do  not  put  the  Titanic  dataset  or  IRIS  dataset  as  your  project 
because  everybody  has  done  them  and  it’s  too  saturated.  When  designing  your  project, 
you should always ask yourself “How do I set myself apart?” 
 
Here’s a few things to keep in mind (what impresses me?): 

30 
 

● When  you  scrape  your  own  data.  it  requires  more  engineering  effort,  and  it  tells 
how hard someone did on their project.  
● When  you  do  advance  feature  engineering  (cluster  analysis  to  include  in feature 
engineering)  or  (PCA  for  dim  reduction)  or  just  being  creative  with  adding  in  new 
features and see if there is added lift to your analysis. 
● When  you  productionalize  it.  (flask  wrapper  on  it  and  puts  it  on  your  website)  It 
shows  you're  doing  that  extra  step  and  someone  can  see  this  project  from  the 
beginning to the end 
● When  you  do  descriptive  analysis.  ​Such  as  cleaning  your  data,  how  do  you 
handle  null  values?  Do  you  remove  it?  Do  you  impute  it  with  the  mean?  These 
decisions  have  a  large impact on your analysis. Talking about correlation between 
variables and if there are predictive power.  

The 6 Types of Projects 

1.  Doing  a  multiple  linear  regression OR logistic regression (both linear models, easy to 
explain in business context).  
- These  models  are  easy  to  explain  because  they  are  linear,  meaning  the  feature 
importance is directly relatable to the outcome variable.  
2. Some form of classification problem 
- evaluation metrics (accuracy, precision, recall, f1 score) 
- each individual problem has a particular error that's more weighted 
- naive bayes, KNN, decision trees, random forest, or SVM 
3. Regression problem 
- Evaluation is importance (MAE, MSE, RMLSE, RMSE) 
- random forest regressor, lasso/ridge regression 
4. Time Series Analysis  
- good for finance or any field using time series analysis 
- rolling averages, ARIMA, SARIMA 
- good understanding of how data works over time (this is fundamentally diff than  
other dataset works) 
5. Clustering project​ (unsupervised learning) 
- KMeans, Hierarchical clustering, DBSCAN 
- Group or cohort analysis 
- can be used to create features in your data set (feature engineering by the  
cluster grouping) 
6. Natural Language Processing 
- Sentiment Analysis (analyzing the sentiment of a sentence to determine positive  
or negative reviews) 

31 
 

- Text Preprocessing (using TFIDF, CountVectorizer, Stemming, Stop Word 

Removal) 
- Topic Modeling with LDA 

The Importance of Kaggle 

If  you're  concerned  about  not  having  enough  practice  in  honing  your  DataScience  and 
MachineLearning  skills  then  here  are  some  things  you  can  do  on  Kaggle.  I  highly 
recommend  this  site  to  everybody.  Whether  you’re  a  beginner  or  expert,  this  site  has  a 
bunch of helpful resources for you to learn and get new ideas from: 
 
1. Kaggle Learn -​ ​https://lnkd.in/gghHUH2 
Kaggle  has  their  own  education  track  where  you  can  start  learning  the 
foundations. The course includes:  
- Machine Learning 
- Python 
- Data Visualization  
- SQL 
- R 
- Deep Learning 
 
2. Kaggle Kernels - ​https://lnkd.in/e_VcNpk 
There's  no  doubt  that  one  of  Kaggle's  biggest  features  is  its  access  to  user's 
Kernels/Notebooks.  You  literally  have  a  person's documentation and code right in 
front  of  you.  My  advice  is  for  you  to  choose  a  problem  you  want  to  learn 
(classification,  regression,  EDA,  etc..)  and  find  a  top-voted  Kernel  for  you  to  study 
off from.  
 
3. Kaggle Competitions - ​https://lnkd.in/epb9c8N 
This  is  a  must  for  those  that  are  really  interested  in  ML.  Kaggle  has  many 
competitions  for  you  to  choose  from  and  it's  great  practice  for  trying  out different 
models  &  improve  your  scores.  My  tip  for  you  is  to  look  at  the  Kenerls  section  in 
the  competition  you're  interested  in.  Many  people  upload  their  kernels  with  base 
models you can use and optimize off from.  
 
4. Datasets -​ ​https://lnkd.in/gZjpxtX 
There  are  thousands  of  datasets  you  can  download  here  all  from  different 
domains! 

32 
 

How to Build Your Resume 

Remember,  your  resume  is  only  good  for  one  thing​:  to  just  get  a  follow  up  call. 
Interviewers  only  spend  about  ​7-10  seconds  ​reviewing  your  resume  before  putting  you 
into  their  denied  /  approved  pile.  So  that’s  why  it  is  so  important to craft a great resume. 
It’s all about show and tell. ​You’re basically marketing and selling yourself on paper.  
 
Professional Summary (3-5 lines) 
What professional role do you want to achieve? 
Who are you? 
What main skills do you want them to know about you? 
 
Education & Certifications 
Put this in order of importance  
Include relevant certifications to the role 
Make sure to include the year of graduation / enrollment 
 
Management & Technical Skills 
Bullet point keywords/skills related to the position  
Include relevant tools and technologies  
 
Professional Experience (3-5 lines) 
Must be in descending chronological order 
Include Company Name, Location, Job Title, and Date 
List your responsibility, description, and what you’ve achieved. Be specific 
 
Personal Projects 
Include relevant technical projects that demonstrate your capabilities 
Coding projects, DS/ML Projects, or competitions 
 
Awards / Volunteer Work / Publications 
Highlight any achievements worth noting 
 

33 
 

How to Create Your LinkedIn Profile 

Recruiters  are  heavily  using  LinkedIn  for  their  job  recruitment  strategy and knowing how 
to  optimize  your  profile  to  beat  the  ranking  algorithm  is  key.  Use  this  template  to  write 
out your profile description:  
 
About 
I  am  a  ​<Your  Role  /  Position> with a passion for ​<Field of Interest>.​  I’ve been using 
<Tool>  for  ​<Amount>  of  years  and  am  interested  in  creating  positive  business 
impact with my skills.  
 
Key Competencies 
● Leadership and Management 
● Project Management 
● Stakeholder Management 
● Strategic Operations 
● Business Development 
● Program Management 
 
Key Technologies and Methodologies 
● Programming: Python, R, Java 
● Database: SQL,Postgres, NoSQL, MySQL 
● Statistics and Probability 
● Machine Learning: Regression, Classification, Cluster Analysis 
● Agile  
● Waterfall 
 
Key Achievements 
● Delivered business plans supporting $5m revenue generation 
● Managed budgets of up to $25m 
● Managed $10m in capital expenditure 
● Achieved cost reduction in excess of 40% 
 
Contact 
Please  contact  me  at  <Your  Email>  to  find out more on how I can best help you or 
your organization.  
 
 

34 
 

Interview Prep and Templates 

 

How to Follow Up After an Interview 

It  is  crucial  to  always  follow  up  after  an  interview.  Not  everybody  does it, and this simple 
task will do wonders. And why should you do it…​ Because you want to be remembered. 
 
There’s two rules you should follow on how to do this: 
1. 3-8 hours: ​Send a “thank you” email within 3-8 hours of the interview.  
2. 10 days: ​Send a “follow up” email within 10 days of the interview 
 
Thank You Email Template 
 
“Dear ​<Interviewer Name>,​   
 
Thank  you  very  much  for  taking  the  time  to  see  me  today.  It  was  great  to  meet 
you  and  I  really  enjoyed  talking  with  you  today.  I’m  definitely  interested  in  this 
role.  
 
<Insert  line  reminding  them  about  something  positive  in  the  interview  OR 
something you wish you had mentioned> 
 
<Insert  line  reminding  them  about  something  positive  in  the  interview  OR 
something you wish you had mentioned> 
 
<Insert  line  reminding  them  about  something  positive  in  the  interview  OR 
something you wish you had mentioned> 
 
I believe I am a good candidate for this role because​ <insert 3 reasons>.  
 
Hope  you  have  a  great  rest  of  your  day  and  I’m  looking  forward  to  hearing  from 
you. 
 
Best, 
<Your Name 
 

35 
 

Follow Up Email Template 

 
“Dear ​<Interviewer Name>,​   
 
I  had  an  interview  with  you  on  <interview  date>  and  really enjoyed meeting with you. I’m 
still  very  interested  in  this  role  of  <job  title>  and  was  wondering  if you had any feedback 
or updates for me at this time. Thank you. 
 
Best, 
<Your Name> 
 

How to Write a Cover Letter 

You  don’t  have  to  write  a  cover  letter  for  every  job  you  apply  for. I’d recommend to only 
use  it  for  a  specific  company  where  you  have  a  specific  interest  in  working  for. 
Nonetheless, it’s a great way to stand out from the crowd. 
 
 
Cover Letter Template 
 
“Dear ​<Name>,​   
 
I  am  writing  in  regards  to  your  job  opening  of  ​<Position  Title>​.  I  found  the  position  from 
<Source>  a ​ nd I am really interested in the role. As a person with great experience in <Job 
Title>, I am highly skilled in ​<Hard Skills>.  
 
The  reason  why  I  would  love  to  join  ​<Company  Name>  is  because ​<2-3 Reasons>​. I also 
hold a <Degree, Cert> and can perform any tasks related to <​ JD Responsibilities>.  
From  my  career  history,  I  have  been  exposed  to  many  challenges  and  have  grown  to 
demonstrate  high  levels  of  responsibilities  from  my  previous  company.  <​ List  2-3 
achievements> 
 
It’ll  be  a  pleasure  to  have  the  opportunity  to  meet  you  for  an  interview.  I  look forward to 
your response and hope you have a great day.  
 
Best, 
<Your Name> 

36 
 

The Behavioral Interview 

 

How to Answer Any Behavioral Questions 

The  behavioral  questions  that  come  along  in  the  interview  process  is  designed  to  filter 
out  candidates  based  upon  their  qualities as a person. It’s a filter mechanism to see what 
type  of  person  you  are,  what  are  your  values,  what  is your work ethic, and what are your 
goals for even applying for this position.  
 
You  should  answer  these  behavioral  questions  based  upon  your  own  personal  and 
professional  experience.  Keep  it  honest  and  don’t  ever lie about your answers.There are 
no ‘correct’ answers to these questions and your main goal here is to tell ​your story​.  
 
To answer these questions, master the CARL method.  
 
CARL Method 
C — Context: What role were you in and define the task you went through. 
A — Action: What did you do and how did you do it 
R — Result: What was the outcome 
L — Learning: What key lessons did you take away from that experience 

Most Common Type of Behavioral Questions 

There  are  5 main types of interview questions you should be aware of and are commonly 
asked  in  many  interviews.  Make  sure  you  have  a  complete  story  for  each  and  you’re 
super comfortable in answering these questions:  
 
1. Tell  me  about  a  time  where  you  had  to  deal  with  a  difficult  teammate  or  client 
and how did you handle it?  
a. This  question  is  designed  to  gauge  how  you  work  under  pressure.  There 
will  always  be  challenges  in  the  workplace  and  how  you  respond  to  these 
situations will determine how you will fit into their company.  
2. Give  me  an  example  of  a  time  when  you  had  to  challenge  a  management 
decision.  
a. There  will  always  be  someone  over  you  that  will  manage  your  work  and 
monitor  how  you’re  doing.  Nobody  is  always  right  and  this  question  is 

37 
 

geared  towards  your  beliefs. They want to know how assertive you are and 

whether you are passive or aggressive in this situation.  
3. Tell me a time when you demonstrated ownership​. 
a. This  question  is  about being independent. They want somebody who owns 
their  work/project  and  is  self  motivated.  Make  sure  you  elaborate  about 
why you demonstrated ownership and how it fits into the big picture. 
4. Tell  me  about  a  time  when  you  had  to  quickly  adjust  your  work  priorities  to 
meet changing demands. 
a. This  question  is  about  how  you  manage  priorities  and  distribute your tasks 
properly.  The  work  environment  will  sometimes  be  hectic  and 
understanding  how  to  adapt  to  the  situation  is  a  skill  any  employer  will 
need. 
5. Have you ever failed in a task or project? If so, tell me about it.  
a. This  is  not  a  trick  question.  Because  everybody  has  failed  and  nobody  is 
perfect.  Choose  a  story  that  aligns  with  the  position  you  applied  for  and 
turn a negative into a positive. What they really care about is the lesson you 
got out of that experience.  
6. Tell me a little about yourself. 
a. Your  goal  here  is  to  explain  the  What,  Who,  and  Why  you  are  a  great 
candidate  for  this  role.  You  should  keep  it  short  and  only  talk  about  the 
most  relevant  attributes  for  the  role  and  include  any  necessary  tools  that 
they are currently using in their company. 
7. What is your biggest weakness?  
a. This  is  also  not  a  trick  question.  Just  state  your  weakness  and  clearly 
explain  how  you  overcame  it.  If  you  haven’t  fixed  it, then elaborate on how 
you’re  still  working  on  it.  Make  sure  to  make  it  clear  that  it’s  more  of  a 
challenge you’re overcoming instead of a flat out weakness.  
8. Why did you leave your last job? 
a. Be  honest  and  don’t  trash  talk  your  previous  boss  or  employer.  It  can  be 
any  legitimate  reason,  such as you’re not growing anymore in that role, you 
moved, or you found different interests in career. 
9. What is your salary expectation? 
a. The  way  to  approach  this  is  to  ask  them  what  their  budget  is.  Every  new 
role  in  a  company  has  an  allocated  budget  range  that  they  can  afford  to 
hire.  You  can  also  give  you  a  range  based  on  the  market  value  for  that 
position from prior research. Don’t give a single number, but a RANGE.  
10. Where do you see yourself in 5 years? 

38 
 

a. Talk  more  about  your  personal  and  professional  career  growth,  goals,  and 
ambitions.  This  is  your  chance  to let them know about your sincere interest 
in the company and why you chose to work with them in the first place.  
 

The Technical Interview 

 

How to Prepare for the Technical Round 

The first technical interview will be 2-3 parts (for a total of 30-45 minutes):  
 
1 – Analytical (10-20 minutes) 
1 – Technical (10-20 minutes) 
 
Please  be  able  to  talk  through  how  you  would  set  up  an  experiment,  how  you  would 
define  success  [which  metrics  would  you  look  at, how would you use those metrics], and 
talk about the pros/cons of different experimental setups. 
 

Analytical Portion (10-20 minutes) 

The analytical case study will focus on questions to gauge your product sense.  
 
For  the  analytical  questions,  the  interviewer  is  trying  to  understand  how  you  solve 
business  questions  and  problems,  as  well  as  how  creative  and  articulate  you  are  at 
thinking  through  these  problems  while  solving  them. It's not about arriving at the perfect, 
or correct answer, but how you engage with the problem. 
 
Spend  some  thinking  about  the  company’s  product  less as a user and more as someone 
who is tasked with improving or developing these products.  
 
Put yourself in the shoes of the product team who built the product / feature: 
● Why do you think they made certain decisions about how it works? 
● What could be done to improve the product? 
● What  kind  of  metrics  you  would  want  to  consider  when  solving  for  questions 
around health, growth, or the engagement of a product? 
● How would you measure the success of different parts of the product? 

39 
 

● What  metrics  would  you  assess when trying to solve business problems related to 

our products? 
● How would you tell if a product is performing well or not? 
● How  would  you  set  up  an  experiment  to  evaluate  any  new  products  or 
improvements? 
 

Technical Portion (10-20 minutes) 

You  will  be  given  1-2  data  processing  questions  during  this  portion.  This  will  be  a 
hands-on  technical  investigation  of  data  problems.  We  are  looking  not  only  for  coding 
skills,  but  also  for  the  ability  to  design  an  operational  approach  to  figure  out  a  concrete 
answer to a specific question using data. 
 
 
Sample Question: 
Given  timestamps  of  logins,  figure  out  how  many  people  on  Facebook  were 
active all seven days of the week on a mobile phone. 
 
How  do  you  determine  what  product  in  Facebook  was  used  most  by  the 
non-employee users for the last quarter?  
 
While  the  actual  data  presented  in  the  technical  question  will  vary  based  on  the 
question  being  asked,  you  can  expect  to  see  event-level  data,  dimension-level 
data,  or  both.  This  data  set  is  designed  for  interview  purposes  and  is  not 
representative of the large data sets we work with at FB.  
 

Mock Data And Questions 

Here's  a  couple  of  examples  that  don't  pertain  specifically  to  Facebook  but  are 
representative of the kind of data and format with which you'll be presented: 
 
Event-level data:​ an attendance log for every student in a school district 
 
date | student_id | attendance 
 
Dimension-level  data:  ​a  summary  table  with  demographics  for  each  student  in  the 
district 

40 
 

 
student_id | school_id | grade_level | date_of_birth | hometown 
 
Using this data, you can answer questions like the following: 
● What was the overall attendance rate for the school district yesterday? 
● Which grade level currently has the most students in this school district? 
● Which school had the highest attendance rate? The lowest? 
● You  will  be  expected  to  write  code  that  would  answer  the  data  processing 
questions  given  based  on  a  schema  or  set  of  schemas  that  will  be  provided  to 
you.  Whether  you  choose  SQL,  Python,  or  R,  please  follow  standard  coding  style 
and best practices for easy readability. 
 
If using SQL, you can expect to be assessed on some subset of the following: 
● Write  a  query  or  set  of  queries  to  derive  insights  based  on  the  given  log(s)  or 
schema(s) 
● Work with aggregate functions 
● Utilize different types of Joins (IE: Left, Inner, Outer, etc.) 
● Utilize Union and Union All. 
● Work  with  concepts  including  Distinct,  Random  Sampling,  De-Duplication, 
Optimization. 
● Apply the results of your analysis to make product decisions or suggestions. 
 
If using Python: 
● Always  check  for  edge  cases  and  corner  cases  when  you  are  coding  and  try  to 
provide a bug free solution. 
● Be prepared to improve your solution when asked. 
● Make  sure  to  practice  the  core CS concepts like arrays, linked list, stacks, queues, 
hash maps, binary trees and graphs, searching and sorting, recursion and parity.  
 
If using R: 
● Be thoughtful about implementation efficiency. 
● Be familiar with apply functions family, dplyr package or an equivalent. 
● While  statistical  packages  can  be  called  directly  in  R,  please  also  expect  some 
general  programming  that  needs  to  be  implemented,  such  as  data  frame 
manipulation and control flow. 
 

41 
 

The On-Site Interviews 

 

How to Prepare for the On-Site Interviews 

The  on-site  interviews  are  a  bit  more  intensive  and  requires  you  to  meet  up  with  the 
company’s  team  in  person.  It is normally the final part of the whole interview process and 
they  use  this  time  to  screen  out  their  last  bit  of  candidates.  You  want  to  make  sure  that 
you leave a good impression and are prepared for everything they put on you.  
 
It’s normally broken down like this: 
 
1 – Behavioral (10-20 minutes) 
1 – Technical Code (30-60 minutes) 
1 – Technical Whiteboard (30-60 minutes) 
1 – Technical Stats/Prob Questions (30-60 minutes) 
1 – Business Use Case (30-45 minutes) 
1 – ​[optional]​ Project Presentation (30-60 minutes) 
 
You  may  not  get  asked  all  of  these  questions  I’ve  listed  here  because  it  really  depends 
on  the  company.  But  at  a  high  level,  you  can  expect  a  couple  or  even  all  of  those 
questions.  
 
These  on-site  interviews  may  take  up  to  a  couple  of  hours  and  essentially  they  want  to 
know if you’re a good fit for the company.  
 
Resource for Technical Code / Whiteboard Questions: ​HERE 
Resource for Stats/Prob Questions: ​HERE 
Resource for Business Use Case Questions: H ​ ERE 
 
 
 
 
 
 

42 
 

Interview Tips 
 

Last Minute Advice 

1. During  the  video  conference  interview,  you  will  need  access  to  a  computer.  You 
will  log  in  to  www.coderpad.com  -  basically  like a chat room, so the person on the 
other  side  can  look  at  your  code.  (You  will  receive  additional  details  about  this 
when the interview is confirmed). 
2. I  strongly  encourage  you  to  have  a  full  understanding  of  being  able  to  analyze 
data sets through a scripting language of your choice (SQL, R, or Python). If you do 
NOT  know  the  basics  of  one  of  these  languages,  you  should  not  be  moving 
forward with scheduling an interview.  
3. Normally  you  can  answer  the  questions  in  the  language  that  you  feel  most 
comfortable with, although choosing a language that is going to assist in getting to 
an optimal solution in the most speedy and efficient manner is key. 
4. It's  important  that  you  think  out  loud/  provide  a  narrative  as  you  go  through  the 
problem so the interviewer has insight into your thought process. 
5. The  interviewer  will  prompt  you  if  you  are  heading  in  the  wrong  direction.  Your 
ability to pivot your answer is a positive signal. 
6. Feel free to ask clarifying questions during the interview as well. 

What Hiring Managers Want to Know About You 

This  is  what  hiring  managers  are looking for in all of their candidates. Please do your due 
diligence  to  research  about  their  company  and  role  so  you  can  have  a  higher  rate  of 
success.  They  are  looking  for  candidates  that  exhibit passion, curiosity, and creativity. ​At 
the end of the day, it’s either they like you OR don’t.  
 
This is what they are looking for: 
 
1. Are  you  prepared  for  the  interview  and  can  answer  the  questions  without 
complete struggle 
2. Are you able to demonstrate and showcase your experience well 
3. How knowledgeable are you about the role you’ve applied for  
4. How knowledgeable are you about the company 
5. Do you know the company’s core values and culture 

43 
 

6. Are you realistic about the salary and compensations  

7. Are you honest and transparent 
8. Are you professional and likeable 
 

Questions You Should Ask Your Interviewer 

Remember,  the  interview  isn’t  just  about  you.  You’re  also  giving  an  interview  to  them as 
well.  It’s  your  responsibility  to  ask  any  questions  to  make  sure  this  role  is  the  right  fit for 
you. This is a win-win situation and both of you are trying to get to know each other.  
 
Here  are  some  questions  that  you  should  definitely  ask  to  make  sure  that  they  are  the 
right fit and it also shows how serious you are about the company: 
 
1. Who does the role report to? 
2. If  I  were to get hired right now, what are the things that I would need to do to be a 
‘success’ in this role? 
3. How long has this job been vacant? 
4. What main project(s) is/are your team currently working on? 
5. How long do you expect the interview process and decision-making to take? 
6. How many other candidates are you presenting for this role? 
7. How is the work culture like here?  
8. Is the company also considering internal candidates? 
1. You  said  the  salary  is  ‘competitive’.  Can  you  define what the numeric range is for 
the position? 
2. Is somebody currently still in this role? 
 
 

 
 

44 
 

Resources 
 

Datasets 
I  highly  advise  you  to  download  a  dataset  from  one  of  these  sources  and  start  doing  a 
person  project  of  your  own.  Get  the  data,  clean  it,  do  exploratory  data  analysis,  apply 
some models, and interpret your results.  

● Kaggle  -  Kaggle  has  come  up  with  a  platform,  where  people  can  donate  datasets  and 
other community members can vote and run Kernel / scripts on them.  

● World  Bank  –  The  open  data  from  the  World  bank.  The  platform  provides  several  tools 
like Open Data Catalog, world development indices, education indices etc. 

● Five  Thirty  Eight  Datasets  –  Here  is  a  link  to  datasets  used  by  Five  Thirty  Eight  in  their 
stories.  Each  dataset includes the data, a dictionary explaining the data and the link to the 
story carried out by Five Thirty Eight.  

● Amazon  Web  Services  (AWS)  datasets  –Amazon  provides  a  few  big  datasets,  which  can 
be used on their platform or on your local computers.  

● Google  datasets  –  Google  provides  a  few  datasets  as  part  of  its  Big  Query  tool.  This 
includes  baby  names,  data  from  GitHub  public  repositories,  all  stories  &  comments  from 
Hacker News etc. 

● data.gov  –  This  is  the  home  of  the  U.S.  Government’s  open  data.  The  site contains more 
than  190,000  data  points  at  time  of  publishing.  These  datasets  vary  from  data  about 
climate, education, energy, Finance and many more areas. 

● data.gov.in  – This is the home of the Indian Government’s open data. Find data by various 
industries, climate, health care etc.  

● https://data.gov.uk/  -  Find  data  published  by  the  United  Kingdom  central  government, 
local authorities and public bodies to help you build products and services  

● https://data.europa.eu/euodp/en/home  -  The  European  Union  Open Data Portal (EU ODP) 

gives you access to open data published by EU institutions and bodies.  

45 
 

Facebook Groups 
One  of  the  best  ways  to  learn  data  science  is  being  involved  with  the  community.  You’ll 
be  surrounded  by  like  minded  people  and  learn  so  much  from  others  in  these  groups. 
Take  the  initiative  to  start  a  conversion,  ask  questions,  and  share  your  knowledge  with 
the community. Here are my favorites: 

● Beginning Data Science, Analytics, Machine Learning, Data Mining, R, Python 

● Data Science With R 

● Data Science and Predictive Analytics News 

● Data Science, Deep Learning, and Machine Learning with Python 

● Data Science With Python 

● Data Science World 

● Data Science Community 

Blogs 
Here are some of my favorite blogs you can follow and learn from. 

● kdnuggets.com 
● datasciencecentral.com 
● blog.kaggle.com 
● dataquest.io-bd888fd8ff 
● r-bloggers.com 
● simplystatistics.org 
● andrewgelman.com 
● blog.echen.me 
● Medium.com-e88f044ea0​ ( Airbnb blog) 
● Data.quora.com 

46 
 

Job Portals 
Here are my recommended job portals that has good call-back rates: 

● Glassdoor.com 
● LinkedIn.com/jobs 
● ZipRecruiter.com 
● Monster.com 
● Indeed.com 
● AngelList.com (good for startups) 
● UpWork.com (good for freelance) 

Recommended Courses 
 

DataCamp  
I actually used DataCamp when I first started learning data science and I can honestly say 
that  it  has  grown  quite  a  bit  since  then.  The  community  there  is  great,  the  UI  is  superb, 
and the way their courses are structured are super friendly. I’d recommend DataCamp for 
super  beginners  in  the  field  of  data  science,  those who are completely new and have no 
idea  on  how  to  approach  these  topics.  This  is  because  DataCamp  was  meant  to  guide 
you  and  provide  you  a  high  level  overview  of  how  you  can  understand  these  data 
science  concepts and tools. Don’t use DataCamp and expect to be a master of your craft. 
Use  it  as  a  guide to get your hands dirty and have a sense of what you can do with these 
tools/techniques.  After  that  I’d  recommend  taking  more  in-depth  courses  via  Udemy  or 
Coursera to enhance your data science chops.  

Summary​:  Use  DataCamp  if  you’re  a  beginner  and  get comfortable understanding the high-level 

overview of the tools/techniques. Don’t use it for expert level understanding.  

Visit Website - ​HERE 

47 
 

Udemy  
I  started  using  Udemy  half  way  during  my  journey  in  data  science  and  it  definitely 
enhanced  my learning experience. The best thing about it is that there’s so much content 
on  that  site  and  at  a  cheap  price.  I’d  recommend  going  to  Udemy  once  you  have  some 
clarity  on  how  data  science  and  machine  learning  is  used.  It’s  a  game  changer for those 
that  are  already  familiar  with  some  concepts  of  data  science  and  machine  learning.  On 
the  other  hand,  since  Udemy  has  so  many  courses  that  doesn't  mean  all  of  them  are 
good. There’s only a few courses that I recommend and you should take 

Summary:  ​Use  Udemy  if  you’re  already  familiar  with  data  science  concepts  and  are  not  a  total 
beginner.  The  courses  here  should  definitely  push  you  towards  an  intermediate  level  in  data 
science.  

Visit Website - ​HERE 

Coursera 
Coursera  is  known  for  their  specialization  courses  and  is  completely  jam  packed  with 
quality  content.  The  downside  of  Coursera  compared  to  Udemy  and  DataCamp  is  that 
some  of  these  courses  require  a  lot  more  hours  to  complete.  I’d  recommend  this  site  to 
anybody  who  has  the  time  and wants to learn a concept from the ground up. Completing 
the  courses  here  should  get  you  to  an  intermediate or advanced level of a concept. One 
thing  I  really  like  about  Coursera  is  that  it  is  free.  If  you  decide  to  complete  the 
certifications then you do have to pay for it.  

Summary​:  Use  Coursera  if  you  have  the  time  to  complete  the  course.  It’s  worth  the  investment 
and  it  should  push  you  towards  an  intermediate  or  advanced  level  in  data  science.  It’s  also  a 
great way to include certifications on your resume and LinkedIn profile.  

Visit Website - ​HERE 

48