我意识到这个问题略微超出了这里通常提问的范围，请原谅这一点。我被分配了一项开放式的技术筛选任务，申请数据科学家的职位。这是第一次有工作要求这样做，所以我想确保我提交的作品非常出色。我被提供了一组数据，要求我识别问题并说明如何使用机器学习来解决它，提供目标特征的统计数据，预处理数据，建模数据，并解释结果。
我在寻找关于我的结果是否遗漏了什么重要内容的反馈。高层次的反馈就可以了。希望你们中有些人是数据科学家，曾经完成过这样的技术筛选，或者曾经审核过这样的筛选，可以为一个崭露头角的数据科学家提供一些有价值的反馈。
谢谢！
回答：
看看这个
Mars Express Power Challenge 获取数据，建模并预测热能消耗
在这里 https://kelvins.esa.int/mars-express-power-challenge/
挑战是获取数据并预测轨道器的未来消耗，以规划如何节省能源（在太阳区域存在过热的风险，而在太阳夜存在过冷的风险）
各团队采用了不同的方法，LSTM可能是我的选择。但获胜团队对“特征工程和选择”进行了非常详细的解释。关键在于，重要的不是使用的工具，而是特征提取和选择的正确选择。https://arc.aiaa.org/doi/pdf/10.2514/6.2018-2561
我读了获胜论文和你的作品。说实话，我更喜欢你的方法。正如你所看到的，如果你阅读了论文，你的方法论是相当可比的，但他们将特征提取研究放在了研究的中心位置。
你可以通过提供更多证据证明你为特征提取（FE）选择了正确的方法来确保你的工作。例如，你可以提供两种FE方法并比较它们的结果，或者，你可以解释你选择的方法，了解这篇特定论文的最新研究状态，这证明了blablabla…
你可以添加ARIMA、VAR、VARMA与你的比较结果，以说明“表现优异”，并引用过去三年该领域的最新研究论文，以及关于LSTM用于能耗预测的近期出版物的其他参考文献。
你的文档突然结束，人们会期待一个像常规论文中常见的装饰性结论。
就是这样了。
（请不要仅凭我的意见，因为我并不觉得自己是数据科学家 🙂 有一天我能做出你所做的事情，我会为自己感到非常骄傲 😉 谢谢分享，读起来很不错）
