Negara atau wilayah dan bahasa

    Pilih negara atau wilayah dan bahasa Anda.

    Disarankan untuk Anda

      Semua negara dan wilayah

        Pilih karakter Anda

        Karakter ini tampil di bilah atas dan di profil Anda. Ubah kapan saja.

        Wawancara Machine Learning

        Kerjakan di tool sambil menjelaskan keputusan Anda.

        Pilih posisi dan level. Setiap wawancara memiliki tugas baru, pertanyaan lanjutan, dan laporan yang memeriksa pekerjaan serta penjelasan Anda.

        Bicara atau ketik. Login untuk menyimpan hasil Anda di semua perangkat.

        Penilaian dengan batas waktu

        • 12 pertanyaan praktik
        • 50 menit
        • Menengah level

        Pertanyaan diambil dari bank berisi 36. Laporan Anda mencakup rincian keterampilan dan pelajaran yang perlu dilatih berikutnya.

        Wawancara latihan

        Tugas level junior mencakup dasar-dasarnya. Tugas level mid dan senior menambahkan debugging, perubahan persyaratan, dan keputusan peninjauan.

        10 wawancara

        • Data scientist
        • Junior
        • 35 min

        Juniper Subscriptions: holdout pelanggan yang dapat direproduksi

        Juniper Subscriptions adalah bisnis fiktif yang memakai pengukuran asli yang disediakan. Bagi row_ids menjadi train_ids dan test_ids dengan test_size=0.3, random_state=37 dan stratify=y. Pertahankan identitas baris asli agar Anda dapat mengaudit keanggotaannya.

        Mulai wawancara
        Keterampilan dan rubrikHoldout terstratifikasi yang saling lepas
        • Tentukan unit yang dibagi dan mengapa satu pelanggan tidak boleh bocor antarpartisi.
        • Bagi identitas baris asli sebelum praproses. Seed yang tetap membuat audit ini dapat direproduksi; stratifikasi menjaga keterwakilan kelas.
        • Periksa irisan, gabungan, dan jumlah per kelas terhadap identitas sumber.
        • Machine learning engineer
        • Junior
        • 35 min

        Tern Dispatch: baseline permintaan sebelum tuning

        Tern Dispatch adalah bisnis fiktif yang menggunakan data pengukuran asli yang disediakan. Latih baseline sebagai DummyRegressor(strategy="median") pada X_train dan yr_train. Simpan validation_mae dari prediksinya untuk X_test terhadap yr_test. Jauhkan target evaluasi dari fit.

        Mulai wawancara
        Keterampilan dan rubrikBaseline median hanya dengan data pelatihan
        • Nyatakan apa yang diubah oleh prakiraan permintaan bagi perencana sebelum membandingkan model.
        • Baseline menetapkan apa yang harus ditingkatkan oleh sebuah model. Median data pelatihan adalah prediksi konstan yang meminimalkan error absolut pada data pelatihan.
        • Hitung ulang MAE dari prediksi pada data yang ditahan dan periksa konstanta hasil pelatihan.
        • Data scientist
        • Junior
        • 35 min

        Clover Retail: regresi dispatch hasil pelatihan

        Clover Retail adalah bisnis fiktif yang menggunakan data pengukuran asli yang disediakan. Latih model sebagai LinearRegression pada X_train dan yr_train. Gunakan model hasil pelatihan untuk memprediksi X_test. Pemeriksa membaca koefisien estimator dan prediksi pada baris yang belum terlihat.

        Mulai wawancara
        Keterampilan dan rubrikPrediksi linear hasil pelatihan
        • Identifikasi target prakiraan dan kapan setiap fitur dispatch tersedia.
        • Latih koefisien pada data pengukuran pelatihan. Prediksi baris evaluasi dengan estimator yang sama, lalu bandingkan dengan baseline yang sesuai.
        • Periksa residual pada data yang ditahan dan pastikan intersep dihasilkan lewat pelatihan dan bukan diberikan.
        • Machine learning engineer
        • Menengah
        • 35 min

        Mossline Media: pipeline churn dengan satu scaler hasil pelatihan

        Mossline Media adalah bisnis fiktif yang menggunakan data pengukuran asli yang disediakan. Latih model sebagai StandardScaler yang diikuti LogisticRegression(C=1, max_iter=1000) dalam sebuah pipeline pada X_train dan y_train. Pertahankan preprocessing di dalam pipeline. Pemeriksa membaca statistik scaler hasil pelatihan dan probabilitas yang belum terlihat.

        Mulai wawancara
        Keterampilan dan rubrikPenskalaan dan klasifikasi hanya dengan data pelatihan
        • Latih preprocessing dan klasifikasi bersama-sama pada data pelatihan. Observasi evaluasi hanya menjalani transform dan predict, tanpa mengubah statistik hasil pelatihan.
        • Di mana scaler dilatih ulang ketika pipeline ini masuk ke validasi silang?
        • Baca rata-rata data pelatihan milik scaler dan validasi probabilitas pada baris yang tidak pernah digunakan dalam fit.
        • Data scientist
        • Menengah
        • 35 min

        Alder Planning: model permintaan dengan regularisasi

        Alder Planning adalah bisnis fiktif yang menggunakan data pengukuran asli yang disediakan. Latih model sebagai StandardScaler yang diikuti Ridge(alpha=4) pada X_train dan yr_train. Pemeriksa membaca koefisien ridge hasil pelatihan, rata-rata data pelatihan, dan prediksi evaluasi.

        Mulai wawancara
        Keterampilan dan rubrikRegularisasi ridge dengan penskalaan
        • Lakukan penskalaan sebelum membandingkan penalti koefisien. Alpha mengendalikan penyusutan dan harus dipilih tanpa menggunakan hasil pengujian akhir.
        • Mengapa perubahan satuan fitur penting bagi penalti ridge tanpa penskalaan?
        • Bandingkan error validasi di seluruh fold pelatihan dan simpan pengujian akhir hanya untuk satu kali evaluasi.
        • Machine learning engineer
        • Menengah
        • 35 min

        Brookline Payments: peninjauan forest yang dibatasi

        Brookline Payments adalah bisnis fiktif yang menggunakan data pengukuran asli yang disediakan. Latih model sebagai RandomForestClassifier dengan n_estimators=40, max_depth=3, dan random_state=23 pada X_train dan y_train. Baca probabilitas yang belum terlihat dari forest hasil pelatihan.

        Mulai wawancara
        Keterampilan dan rubrikPelatihan forest yang terkendali
        • Batasi kompleksitas agar perbandingan dapat direproduksi. Lebih banyak pohon dan pohon yang lebih dalam mengubah bagian forest yang berbeda dan tidak menggantikan evaluasi yang jujur.
        • Mengapa penambahan pohon dapat menstabilkan prediksi tanpa memperbaiki kebocoran data?
        • Bandingkan error per segmen pada data yang ditahan dan hasil baseline sebelum menerima forest tersebut.
        • Data scientist
        • Menengah
        • 35 min

        Quarry Forecasting: pencarian dengan pengujian akhir yang belum tersentuh

        Quarry Forecasting adalah bisnis fiktif yang menggunakan data pengukuran asli yang disediakan. Latih search sebagai GridSearchCV dari StandardScaler lalu LogisticRegression(max_iter=1000), dengan mencari logisticregression__C pada [.05,.5,5]. Gunakan StratifiedKFold(3, shuffle=True, random_state=29), scoring="neg_log_loss", dan hanya data pelatihan.

        Mulai wawancara
        Keterampilan dan rubrikPencarian dengan pipeline di dalam fold pelatihan
        • Validasi silang melatih ulang seluruh pipeline di setiap fold pelatihan. Skor pencarian memilih sebuah konfigurasi; pengujian akhir yang belum tersentuh memperkirakan performanya di kemudian hari.
        • Bagaimana ID akun yang berulang akan mengubah rencana pembagian fold bertingkat?
        • Periksa objektif penilaian dan keanggotaan fold, lalu evaluasi model terpilih satu kali saja.
        • Machine learning engineer
        • Senior
        • 35 min

        Lark Review: ambang batas operasi antrean fraud

        Lark Review adalah bisnis fiktif yang menggunakan data pengukuran asli yang disediakan. Tetapkan predicted = probabilities >= threshold. Simpan report sebagai array NumPy yang berisi precision, recall, dan F1 dalam urutan tersebut, dengan actual sebagai label sebenarnya dan zero_division=0 untuk setiap metrik.

        Mulai wawancara
        Keterampilan dan rubrikPresisi, recall, dan F1 pada ambang batas terpilih
        • Kapasitas peninjauan turun sementara prevalensi fraud naik. Bukti ambang batas apa yang harus dihitung ulang?
        • Rekonsiliasi prediksi positif, positif aktual, dan true positive secara independen.
        • Tetapkan penanggung jawab penerimaan, batas pemantauan, dan respons yang dapat dibalikkan ketika bukti evaluasi berubah.
        • Data scientist
        • Senior
        • 35 min

        Cove Services: probabilitas terkalibrasi untuk prioritisasi

        Cove Services adalah bisnis fiktif yang menggunakan data pengukuran asli yang disediakan. Latih model sebagai CalibratedClassifierCV dari pipeline StandardScaler/LogisticRegression(max_iter=1000), method="sigmoid", cv=3, pada X_train dan y_train. Periksa probabilitas evaluasi dari kalibrator hasil pelatihan ini.

        Mulai wawancara
        Keterampilan dan rubrikKalibrasi dengan fold yang terpisah
        • Prevalensi kelas berubah setelah peluncuran. Bukti keandalan apa yang bisa berubah meskipun peringkat tetap baik?
        • Periksa bin keandalan beserta jumlahnya dan proper scoring rule pada label data yang ditahan yang sudah matang.
        • Tetapkan penanggung jawab penerimaan, batas pemantauan, dan respons yang dapat dibalikkan ketika bukti evaluasi berubah.
        • Machine learning engineer
        • Senior
        • 35 min

        Reed Logistics: kepentingan fitur pada data yang ditahan

        Reed Logistics adalah bisnis fiktif yang memakai pengukuran asli yang disediakan. Fit model sebagai RandomForestClassifier(n_estimators=40, max_depth=3, random_state=23) pada X_train dan y_train. Simpan importance dari permutation_importance pada X_test dan y_test, scoring="accuracy", n_repeats=4, random_state=31.

        Mulai wawancara
        Keterampilan dan rubrikPermutation importance pada data yang belum pernah dilihat
        • Seorang manajer menyebut fitur teratas sebagai penyebab churn. Bukti apa yang belum ada?
        • Ulangi protokol permutasi pada baris holdout dan pertahankan sebaran serta konteks segmennya.
        • Tetapkan penanggung jawab penerimaan, batas pemantauan, dan respons yang dapat dibalikkan ketika bukti evaluasi berubah.

        Akses Interview Hub

        Interview Hub termasuk dalam All Access. Pilih paket atau login ke akun Anda untuk melanjutkan.

        Lihat paketLogin atau daftar

        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.

        Ubah paket Anda

        Memeriksa harga

        Bantuan dan masukan

        Ajukan pertanyaan, beri tahu kami apa yang tidak berfungsi, atau bagikan ide. Kami membalas lewat email.

        Tentang apa?

        Kami hanya menggunakannya untuk membalas Anda.