Skip to contentSkip to footer

Applied Scientist Interview Questions

Salaries
Interviews

1,160 applied scientist interview questions shared by candidates

On site consisted of five sessions. Coding, behavioral, ML design, general ML, in-depth ML. One interesting thing is that behavioral questions were also been asked in coding or other sessions. Coding question was about Trie with medium difficulty. General ML questions requested me to explain ML algorithms which I have used in the work. And gave me simple example problem and asked how to solve (which algoithm).
avatar

Applied Scientist

Interviewed at Amazon

3.5★
Nov 26, 2018

On site consisted of five sessions. Coding, behavioral, ML design, general ML, in-depth ML. One interesting thing is that behavioral questions were also been asked in coding or other sessions. Coding question was about Trie with medium difficulty. General ML questions requested me to explain ML algorithms which I have used in the work. And gave me simple example problem and asked how to solve (which algoithm).

Alcune delle domande: Cosa significa time series windowing e quali sono i suoi vantaggi? Quali sono le principali differenze tra ARIMA e SARIMA? Come si possono incorporare caratteristiche nei modelli di serie temporali (es. embedded features)? Quali metriche si possono usare per valutare un modello di serie temporali? Come funziona la scomposizione delle serie temporali (trend, stagionalità, residuo)? Quali sono le differenze tra intervalli di confidenza e intervalli di previsione? Quali metriche utilizzeresti per confrontare due distribuzioni? (Es. KL Divergence, Wasserstein Distance). Come funziona un A/B test? Cos’è il shadow testing? Come si costruisce un intervallo di confidenza? E come si confronta con un intervallo di previsione? Qual è il principio alla base della riduzione della dimensionalità? (PCA, t-SNE, autoencoder, VAE). Cos’è il boosting e il bagging? Quali sono le principali differenze? Come funziona ensemble learning? Quali sono le differenze tra stacking, boosting e bagging? Cos’è la regressione logistica e come funziona? Come si sceglie il valore ottimale della soglia di decisione in un classificatore? (Precision-Recall tradeoff, ROC Curve). Come funzionano le CNN, GNN e Transformers? Quali sono le differenze tra di loro? Cos’è il meccanismo di attenzione e come si applica nei modelli XAI (Explainable AI)? Quali sono i principali vantaggi e svantaggi dell’uso dei Transformers rispetto alle RNN? Quali sono le principali metriche di valutazione per un modello di classificazione e regressione? Come si possono bilanciare bias e varianza in un modello di machine learning? Come si può ottimizzare un modello per evitare overfitting e underfitting? Quali sono le principali tecniche di regularizzazione? (L1, L2, dropout, batch normalization). Cosa sono e come si utilizzano le feature embeddings? Come si può gestire la mancanza di dati nei dataset? Quali tecniche possono essere utilizzate per gestire feature categoriali? Come si può gestire dataset sbilanciati in un problema di classificazione? Qual è la differenza tra inferenza frequentista e bayesiana? Cos’è la Bayes’ Theorem e come si applica nei modelli di machine learning? Come funziona un modello generativo bayesiano come un VAE?
avatar

Applied Scientist

Interviewed at Amazon

3.5★
Feb 27, 2025

Alcune delle domande: Cosa significa time series windowing e quali sono i suoi vantaggi? Quali sono le principali differenze tra ARIMA e SARIMA? Come si possono incorporare caratteristiche nei modelli di serie temporali (es. embedded features)? Quali metriche si possono usare per valutare un modello di serie temporali? Come funziona la scomposizione delle serie temporali (trend, stagionalità, residuo)? Quali sono le differenze tra intervalli di confidenza e intervalli di previsione? Quali metriche utilizzeresti per confrontare due distribuzioni? (Es. KL Divergence, Wasserstein Distance). Come funziona un A/B test? Cos’è il shadow testing? Come si costruisce un intervallo di confidenza? E come si confronta con un intervallo di previsione? Qual è il principio alla base della riduzione della dimensionalità? (PCA, t-SNE, autoencoder, VAE). Cos’è il boosting e il bagging? Quali sono le principali differenze? Come funziona ensemble learning? Quali sono le differenze tra stacking, boosting e bagging? Cos’è la regressione logistica e come funziona? Come si sceglie il valore ottimale della soglia di decisione in un classificatore? (Precision-Recall tradeoff, ROC Curve). Come funzionano le CNN, GNN e Transformers? Quali sono le differenze tra di loro? Cos’è il meccanismo di attenzione e come si applica nei modelli XAI (Explainable AI)? Quali sono i principali vantaggi e svantaggi dell’uso dei Transformers rispetto alle RNN? Quali sono le principali metriche di valutazione per un modello di classificazione e regressione? Come si possono bilanciare bias e varianza in un modello di machine learning? Come si può ottimizzare un modello per evitare overfitting e underfitting? Quali sono le principali tecniche di regularizzazione? (L1, L2, dropout, batch normalization). Cosa sono e come si utilizzano le feature embeddings? Come si può gestire la mancanza di dati nei dataset? Quali tecniche possono essere utilizzate per gestire feature categoriali? Come si può gestire dataset sbilanciati in un problema di classificazione? Qual è la differenza tra inferenza frequentista e bayesiana? Cos’è la Bayes’ Theorem e come si applica nei modelli di machine learning? Come funziona un modello generativo bayesiano come un VAE?

Viewing 661 - 670 interview questions

Glassdoor has 1,160 interview questions and reports from Applied scientist interviews. Prepare for your interview. Get hired. Love your job.