País o región e idioma

    Elige tu país o región y tu idioma.

    Sugerido para ti

      Todos los países y regiones

        Elige tu personaje

        Aparece en la barra superior y en tu perfil. Puedes cambiarlo cuando quieras.

        Entrevistas de Machine learning

        Trabaja en la herramienta mientras explicas tus decisiones.

        Elige un puesto y un nivel. Cada entrevista tiene una tarea nueva, preguntas de seguimiento y un informe que comprueba tu trabajo y tu explicación.

        Habla o escribe. Inicia sesión para guardar tus resultados en todos tus dispositivos.

        Evaluación cronometrada

        • 12 preguntas prácticas
        • 50 minutos
        • Intermedio (nivel)

        Las preguntas salen de un banco de 36. Tu informe incluye un desglose por habilidades y lecciones para practicar después.

        Entrevistas de práctica

        Las tareas junior cubren lo básico. Las de nivel medio y sénior añaden depuración, requisitos que cambian y decisiones de revisión.

        10 entrevistas

        • Ciencia de datos
        • Junior
        • 35 min

        Juniper Subscriptions: un conjunto reservado de clientes reproducible

        Juniper Subscriptions es una empresa ficticia que usa las mediciones originales facilitadas. Divide row_ids en train_ids y test_ids con test_size=0.3, random_state=37 y stratify=y. Conserva las identidades de fila originales para poder auditar a qué conjunto pertenece cada una.

        Empezar la entrevista
        Habilidades y rúbricaConjuntos reservados disjuntos y estratificados
        • Define la unidad que se divide y por qué un cliente no debe filtrarse entre particiones.
        • Divide las identidades de fila originales antes del preprocesamiento. Una semilla fija hace reproducible esta auditoría; la estratificación conserva la representación de las clases.
        • Comprueba la intersección, la unión y los recuentos por clase frente a las identidades de origen.
        • Ingeniero de aprendizaje automático
        • Junior
        • 35 min

        Tern Dispatch: una referencia de demanda antes del ajuste fino

        Tern Dispatch es una empresa ficticia que usa las mediciones originales facilitadas. Ajusta baseline como DummyRegressor(strategy="median") sobre X_train y yr_train. Guarda validation_mae a partir de sus predicciones para X_test frente a yr_test. Mantén los objetivos de evaluación fuera de fit.

        Empezar la entrevista
        Habilidades y rúbricaReferencia de mediana solo con entrenamiento
        • Indica qué cambia la previsión de demanda para la persona planificadora antes de comparar modelos.
        • Una referencia establece lo que un modelo tiene que mejorar. La mediana de entrenamiento es la predicción constante que minimiza el error absoluto de entrenamiento.
        • Vuelve a calcular el MAE a partir de las predicciones sobre datos reservados y revisa la constante ajustada.
        • Ciencia de datos
        • Junior
        • 35 min

        Clover Retail: una regresión de despacho ajustada

        Clover Retail es una empresa ficticia que usa las mediciones originales facilitadas. Ajusta model como LinearRegression sobre X_train y yr_train. Usa el modelo ajustado para predecir X_test. La comprobación lee los coeficientes del estimador y las predicciones sobre filas no vistas.

        Empezar la entrevista
        Habilidades y rúbricaPredicción lineal ajustada
        • Identifica el objetivo de la previsión y cuándo pasa a estar disponible cada variable del despacho.
        • Ajusta los coeficientes con las mediciones de entrenamiento. Predice las filas de evaluación con ese mismo estimador y compáralo con una referencia adecuada.
        • Revisa los residuos sobre datos reservados y comprueba que la intersección se ajusta y no se facilita.
        • Ingeniero de aprendizaje automático
        • Intermedio
        • 35 min

        Mossline Media: un pipeline de bajas con un único escalador ajustado

        Mossline Media es una empresa ficticia que usa las mediciones originales facilitadas. Ajusta model como StandardScaler seguido de LogisticRegression(C=1, max_iter=1000) en un pipeline sobre X_train y y_train. Mantén el preprocesamiento dentro del pipeline. La comprobación lee las estadísticas ajustadas del escalador y las probabilidades no vistas.

        Empezar la entrevista
        Habilidades y rúbricaEscalado y clasificación solo con entrenamiento
        • Ajusta juntos el preprocesamiento y la clasificación sobre los datos de entrenamiento. Las observaciones de evaluación reciben transform y predict, sin cambiar las estadísticas ajustadas.
        • ¿Dónde se vuelve a ajustar el escalador cuando este pipeline entra en la validación cruzada?
        • Lee las medias de entrenamiento del escalador y valida las probabilidades en filas que nunca se usaron en fit.
        • Ciencia de datos
        • Intermedio
        • 35 min

        Alder Planning: un modelo de demanda regularizado

        Alder Planning es una empresa ficticia que usa las mediciones originales facilitadas. Ajusta model como StandardScaler seguido de Ridge(alpha=4) sobre X_train y yr_train. La comprobación lee los coeficientes ridge ajustados, las medias de entrenamiento y las predicciones de evaluación.

        Empezar la entrevista
        Habilidades y rúbricaRegularización ridge escalada
        • Escala antes de comparar las penalizaciones de los coeficientes. Alpha controla la contracción y tiene que elegirse sin usar los resultados de la prueba final.
        • ¿Por qué importa cambiar las unidades de las variables en una penalización ridge sin escalar?
        • Compara los errores de validación entre los pliegues de entrenamiento y reserva la prueba final para una sola evaluación.
        • Ingeniero de aprendizaje automático
        • Intermedio
        • 35 min

        Brookline Payments: revisión de un bosque acotado

        Brookline Payments es una empresa ficticia que usa las mediciones originales facilitadas. Ajusta model como RandomForestClassifier con n_estimators=40, max_depth=3 y random_state=23 sobre X_train y y_train. Lee las probabilidades no vistas del bosque ajustado.

        Empezar la entrevista
        Habilidades y rúbricaAjuste controlado del bosque
        • Limita la complejidad para tener una comparación reproducible. Más árboles y árboles más profundos cambian partes distintas de un bosque y no sustituyen a una evaluación honesta.
        • ¿Por qué añadir árboles puede estabilizar las predicciones sin corregir una filtración?
        • Compara los errores por segmento sobre datos reservados y los resultados de la referencia antes de aceptar el bosque.
        • Ciencia de datos
        • Intermedio
        • 35 min

        Quarry Forecasting: una búsqueda con una prueba final intacta

        Quarry Forecasting es una empresa ficticia que usa las mediciones originales facilitadas. Ajusta search como GridSearchCV de StandardScaler y luego LogisticRegression(max_iter=1000), buscando logisticregression__C en [.05,.5,5]. Usa StratifiedKFold(3, shuffle=True, random_state=29), scoring="neg_log_loss" y solo datos de entrenamiento.

        Empezar la entrevista
        Habilidades y rúbricaBúsqueda con pipeline dentro de los pliegues de entrenamiento
        • La validación cruzada vuelve a ajustar todo el pipeline en cada pliegue de entrenamiento. Las puntuaciones de la búsqueda eligen una configuración; la prueba final intacta estima su rendimiento posterior.
        • ¿Cómo cambiarían los ID de cuenta repetidos el plan de pliegues estratificados?
        • Revisa el objetivo de puntuación y la pertenencia a los pliegues, y luego evalúa una sola vez el modelo elegido.
        • Ingeniero de aprendizaje automático
        • Sénior
        • 35 min

        Lark Review: el umbral de funcionamiento de una cola de fraude

        Lark Review es una empresa ficticia que usa las mediciones originales facilitadas. Pon predicted = probabilities >= threshold. Guarda report como un array de NumPy con precision, recall y F1 en ese orden, usando actual como etiquetas verdaderas y zero_division=0 en cada métrica.

        Empezar la entrevista
        Habilidades y rúbricaPrecisión, sensibilidad y F1 con un umbral elegido
        • La capacidad de revisión baja mientras sube la prevalencia del fraude. ¿Qué pruebas del umbral hay que volver a calcular?
        • Concilia de forma independiente los positivos predichos, los positivos reales y los verdaderos positivos.
        • Define una persona responsable de la aceptación, un límite de supervisión y una respuesta reversible cuando cambien las pruebas de la evaluación.
        • Ciencia de datos
        • Sénior
        • 35 min

        Cove Services: probabilidades calibradas para priorizar

        Cove Services es una empresa ficticia que usa las mediciones originales facilitadas. Ajusta model como CalibratedClassifierCV de un pipeline StandardScaler/LogisticRegression(max_iter=1000), method="sigmoid", cv=3, sobre X_train y y_train. Revisa las probabilidades de evaluación de este calibrador ajustado.

        Empezar la entrevista
        Habilidades y rúbricaCalibración con pliegues disjuntos
        • La prevalencia de la clase cambia después del lanzamiento. ¿Qué pruebas de fiabilidad podrían cambiar aunque la clasificación se mantenga?
        • Revisa los intervalos de fiabilidad con sus recuentos y reglas de puntuación propias sobre etiquetas reservadas maduras.
        • Define una persona responsable de la aceptación, un límite de supervisión y una respuesta reversible cuando cambien las pruebas de la evaluación.
        • Ingeniero de aprendizaje automático
        • Sénior
        • 35 min

        Reed Logistics: importancia de las variables con datos reservados

        Reed Logistics es una empresa ficticia que usa las mediciones originales facilitadas. Ajusta model como RandomForestClassifier(n_estimators=40, max_depth=3, random_state=23) sobre X_train y y_train. Guarda importance a partir de permutation_importance sobre X_test y y_test, scoring="accuracy", n_repeats=4, random_state=31.

        Empezar la entrevista
        Habilidades y rúbricaImportancia por permutación con datos no vistos
        • Una persona de la dirección dice que la variable principal es una causa de la baja de clientes. ¿Qué pruebas faltan?
        • Repite el protocolo de permutación sobre filas reservadas y conserva su dispersión y el contexto por segmento.
        • Define una persona responsable de la aceptación, un límite de supervisión y una respuesta reversible cuando cambien las pruebas de la evaluación.

        Acceso al centro de entrevistas

        El Interview Hub está incluido en All Access. Elige un plan o inicia sesión en tu cuenta para continuar.

        Ver planesEntra o regístrate

        Your Work Gym account

        Save your progress and pick up on another device. Your browser's progress comes with you.

        or

        You can keep practicing without an account.

        Cambiar de plan

        Comprobando el precio

        Ayuda y comentarios

        Haz una pregunta, cuéntanos qué no funciona o comparte una idea. Te respondemos por correo electrónico.

        ¿De qué se trata?

        Solo lo usamos para responderte.