País ou região e idioma

    Escolha seu país ou região e seu idioma.

    Sugerido para você

      Todos os países e regiões

        Escolha seu personagem

        Ele aparece na barra superior e no seu perfil. Você pode mudar quando quiser.

        Entrevistas de Machine learning

        Trabalhe na ferramenta enquanto explica suas decisões.

        Escolha um cargo e um nível. Cada entrevista tem uma tarefa nova, perguntas de acompanhamento e um relatório que verifica seu trabalho e sua explicação.

        Fale ou digite. Entre na sua conta para salvar seus resultados em todos os seus dispositivos.

        Avaliação cronometrada

        • 12 perguntas práticas
        • 50 minutos
        • Pleno (nível)

        As perguntas saem de um banco de 36. Seu relatório inclui um detalhamento por habilidades e lições para praticar depois.

        Entrevistas para praticar

        As tarefas de nível júnior cobrem os fundamentos. As de nível pleno e sênior acrescentam depuração, requisitos que mudam e decisões de revisão.

        10 entrevistas

        • Ciência de dados
        • Junior
        • 35 min

        Juniper Subscriptions: um conjunto reservado de clientes reprodutível

        A Juniper Subscriptions é uma empresa fictícia que usa as medições originais fornecidas. Divida row_ids em train_ids e test_ids com test_size=0.3, random_state=37 e stratify=y. Mantenha as identidades de linha originais para poder auditar a que conjunto cada uma pertence.

        Começar a entrevista
        Habilidades e rubricaConjuntos reservados disjuntos e estratificados
        • Defina a unidade que está sendo dividida e por que um cliente não deve vazar entre partições.
        • Divida as identidades de linha originais antes do pré-processamento. Uma semente fixa torna esta auditoria reprodutível; a estratificação preserva a representação das classes.
        • Verifique a interseção, a união e as contagens por classe com as identidades de origem.
        • Engenharia de machine learning
        • Junior
        • 35 min

        Tern Dispatch: uma linha de base de demanda antes do ajuste fino

        A Tern Dispatch é uma empresa fictícia que usa as medições originais fornecidas. Ajuste baseline como DummyRegressor(strategy="median") em X_train e yr_train. Guarde validation_mae a partir das predições dele para X_test em comparação com yr_test. Mantenha os alvos de avaliação fora de fit.

        Começar a entrevista
        Habilidades e rubricaLinha de base de mediana só com treinamento
        • Indique o que a previsão de demanda muda para quem faz o planejamento antes de comparar modelos.
        • Uma linha de base estabelece o que um modelo precisa melhorar. A mediana de treinamento é a predição constante que minimiza o erro absoluto de treinamento.
        • Recalcule o MAE a partir das predições em dados reservados e inspecione a constante ajustada.
        • Ciência de dados
        • Junior
        • 35 min

        Clover Retail: uma regressão de despacho ajustada

        A Clover Retail é uma empresa fictícia que usa as medições originais fornecidas. Ajuste model como LinearRegression em X_train e yr_train. Use o modelo ajustado para prever X_test. A verificação lê os coeficientes do estimador e as predições em linhas não vistas.

        Começar a entrevista
        Habilidades e rubricaPredição linear ajustada
        • Identifique o alvo da previsão e quando cada variável do despacho passa a estar disponível.
        • Ajuste os coeficientes com as medições de treinamento. Preveja as linhas de avaliação com esse mesmo estimador e compare com uma linha de base adequada.
        • Inspecione os resíduos em dados reservados e verifique se o intercepto é ajustado, e não fornecido.
        • Engenharia de machine learning
        • Pleno
        • 35 min

        Mossline Media: um pipeline de churn com um único escalonador ajustado

        A Mossline Media é uma empresa fictícia que usa as medições originais fornecidas. Ajuste model como StandardScaler seguido de LogisticRegression(C=1, max_iter=1000) em um pipeline com X_train e y_train. Mantenha o pré-processamento dentro do pipeline. A verificação lê as estatísticas ajustadas do escalonador e as probabilidades não vistas.

        Começar a entrevista
        Habilidades e rubricaEscalonamento e classificação só com treinamento
        • Ajuste o pré-processamento e a classificação juntos com os dados de treinamento. As observações de avaliação recebem transform e predict, sem alterar as estatísticas ajustadas.
        • Onde o escalonador é reajustado quando este pipeline entra na validação cruzada?
        • Leia as médias de treinamento do escalonador e valide as probabilidades em linhas que nunca foram usadas em fit.
        • Ciência de dados
        • Pleno
        • 35 min

        Alder Planning: um modelo de demanda regularizado

        A Alder Planning é uma empresa fictícia que usa as medições originais fornecidas. Ajuste model como StandardScaler seguido de Ridge(alpha=4) em X_train e yr_train. A verificação lê os coeficientes ridge ajustados, as médias de treinamento e as predições de avaliação.

        Começar a entrevista
        Habilidades e rubricaRegularização ridge escalonada
        • Escalone antes de comparar as penalizações dos coeficientes. Alpha controla a contração e precisa ser escolhido sem usar os resultados do teste final.
        • Por que mudar as unidades das variáveis importa para uma penalização ridge sem escalonamento?
        • Compare os erros de validação entre os folds de treinamento e reserve o teste final para uma única avaliação.
        • Engenharia de machine learning
        • Pleno
        • 35 min

        Brookline Payments: revisão de uma floresta limitada

        A Brookline Payments é uma empresa fictícia que usa as medições originais fornecidas. Ajuste model como RandomForestClassifier com n_estimators=40, max_depth=3 e random_state=23 em X_train e y_train. Leia as probabilidades não vistas da floresta ajustada.

        Começar a entrevista
        Habilidades e rubricaAjuste controlado da floresta
        • Limite a complexidade para ter uma comparação reprodutível. Mais árvores e árvores mais profundas mudam partes diferentes de uma floresta e não substituem uma avaliação honesta.
        • Por que adicionar árvores pode estabilizar as predições sem corrigir um vazamento?
        • Compare os erros por segmento em dados reservados e os resultados da linha de base antes de aceitar a floresta.
        • Ciência de dados
        • Pleno
        • 35 min

        Quarry Forecasting: uma busca com um teste final intocado

        A Quarry Forecasting é uma empresa fictícia que usa as medições originais fornecidas. Ajuste search como GridSearchCV de StandardScaler e depois LogisticRegression(max_iter=1000), buscando logisticregression__C em [.05,.5,5]. Use StratifiedKFold(3, shuffle=True, random_state=29), scoring="neg_log_loss" e apenas dados de treinamento.

        Começar a entrevista
        Habilidades e rubricaBusca com pipeline dentro das dobras de treinamento
        • A validação cruzada reajusta todo o pipeline em cada fold de treinamento. As pontuações da busca escolhem uma configuração; o teste final intacto estima o desempenho posterior dela.
        • Como IDs de conta repetidos mudariam o plano de dobras estratificadas?
        • Inspecione o objetivo de pontuação e a pertinência aos folds, e depois avalie o modelo escolhido uma única vez.
        • Engenharia de machine learning
        • Sênior
        • 35 min

        Lark Review: um limiar de operação para a fila de fraude

        A Lark Review é uma empresa fictícia que usa as medições originais fornecidas. Defina predicted = probabilities >= threshold. Guarde report como um array do NumPy contendo precision, recall e F1 nessa ordem, usando actual como os rótulos verdadeiros e zero_division=0 em cada métrica.

        Começar a entrevista
        Habilidades e rubricaPrecisão, recall e F1 com um limiar escolhido
        • A capacidade de revisão cai enquanto a prevalência de fraude sobe. Quais evidências do limiar precisam ser recalculadas?
        • Concilie separadamente os positivos previstos, os positivos reais e os verdadeiros positivos.
        • Defina uma pessoa responsável pela aceitação, um limite de monitoramento e uma resposta reversível para quando as evidências da avaliação mudarem.
        • Ciência de dados
        • Sênior
        • 35 min

        Cove Services: probabilidades calibradas para priorização

        A Cove Services é uma empresa fictícia que usa as medições originais fornecidas. Ajuste model como um CalibratedClassifierCV de um pipeline StandardScaler/LogisticRegression(max_iter=1000), method="sigmoid", cv=3, sobre X_train e y_train. Inspecione as probabilidades de avaliação deste calibrador ajustado.

        Começar a entrevista
        Habilidades e rubricaCalibração com dobras disjuntas
        • A prevalência da classe muda após o lançamento. Quais evidências de confiabilidade podem mudar mesmo que o ranqueamento se mantenha?
        • Inspecione as faixas de confiabilidade com suas contagens e regras de pontuação próprias em rótulos reservados maduros.
        • Defina uma pessoa responsável pela aceitação, um limite de monitoramento e uma resposta reversível para quando as evidências da avaliação mudarem.
        • Engenharia de machine learning
        • Sênior
        • 35 min

        Reed Logistics: importância das variáveis com dados reservados

        A Reed Logistics é uma empresa fictícia que usa as medições originais fornecidas. Ajuste model como RandomForestClassifier(n_estimators=40, max_depth=3, random_state=23) em X_train e y_train. Guarde importance a partir de permutation_importance em X_test e y_test, scoring="accuracy", n_repeats=4, random_state=31.

        Começar a entrevista
        Habilidades e rubricaImportância por permutação com dados não vistos
        • Alguém da gestão diz que a variável principal é uma causa de churn. Quais evidências estão faltando?
        • Repita o protocolo de permutação em linhas reservadas e mantenha sua dispersão e o contexto por segmento.
        • Defina uma pessoa responsável pela aceitação, um limite de monitoramento e uma resposta reversível para quando as evidências da avaliação mudarem.

        Acesso ao Interview Hub

        O Interview Hub está incluído no All Access. Escolha um plano ou entre na sua conta para continuar.

        Ver planosEntre ou cadastre-se

        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.

        Alterar seu plano

        Verificando o preço

        Ajuda e feedback

        Faça uma pergunta, conte o que não está funcionando ou compartilhe uma ideia. Respondemos por e-mail.

        Qual é o assunto?

        Usamos apenas para responder a você.