A couple interview Qs I can remember are: What is the bias-variance tradeoff? What's a GBM and an example of one? What is under fitting and over fitting?
Machine Learning Engineer Interview Questions
Machine Learning Engineer Interview Questions
Unternehmen nehmen die Dienste von Machine Learning Engineers in Anspruch, um Systeme zu entwerfen und zu optimieren, mit denen sich ihre Software selbstständig verbessern kann, statt speziell programmiert werden zu müssen. Stellen Sie sich darauf ein, dass während des Vorstellungsgesprächs Ihr Wissen in den Bereichen Informatik und Data Science abgefragt wird. Dabei wird der Schwerpunkt im Zweifelsfall auf dem Erkennen von Mustern und Trends liegen. Erforderlich ist ein Bachelor-Abschluss in Informatik oder einem verwandten Fachgebiet.
Typische Bewerbungsfragen als Machine Learning Engineer (m/w/d) und wie Sie diese beantworten
Question 1
Frage 1: Welches sind die wichtigsten Algorithmen, Programmierbegriffe und Theorien, die man als Machine Learning Engineer verstanden haben muss?
How to answer
So beantworten Sie die Frage: Seien Sie darauf vorbereitet, über Dinge wie Type-I- und Type-II-Fehler, beaufsichtigtes und unbeaufsichtigtes maschinelles Lernen, ROC-Kurven und andere wichtige Aspekte des maschinellen Lernens zu sprechen. Der Arbeitgeber möchte sich vergewissern, dass Sie über fundierte Kenntnisse der technischen Aspekte der zu besetzenden Stelle verfügen.
Question 2
Frage 2: Wie würden Sie jemandem, der es nicht kennt, das Konzept des maschinellen Lernens erklären?
How to answer
So beantworten Sie die Frage: Manchmal müssen Machine Learning Engineers mit anderen Personen zusammenarbeiten, die mit den technischen Aspekten der Tätigkeit nicht vertraut sind. Nutzen Sie diese Frage im Vorstellungsgespräch als Gelegenheit, Ihre guten Kenntnisse über die Stelle und Ihre Kommunikationskompetenzen unter Beweis zu stellen.
Question 3
Frage 3: Wie bleiben Sie über aktuelle News und Trends im Bereich des maschinellen Lernens auf dem Laufenden?
How to answer
So beantworten Sie die Frage: Sprechen Sie darüber, wie Sie bei aktuellsten News und Trends im Bereich des maschinellen Lernens auf dem neuesten Stand bleiben, und zeigen Sie Ihrem potenziellen Arbeitgeber so, dass Sie sich mit der Branche beschäftigen, als Forscher kompetent sind und eine hohe Motivation mitbringen.
8,198 machine learning engineer interview questions shared by candidates
How would you scale up a project you worked on?
Coding questions were similar to leetcode and other competitive programming
Calculate depth sum of a nested array
Two classic "leetcode" style questions, one involving a binary search and the other dynamic programming. Prepare using the classic resources available online and you will be fine.
Most questions are Leetcode medium level problems
C++ classes
https://leetcode.com/problems/merge-intervals/ https://leetcode.com/problems/validate-binary-search-tree/ I summarized my experience in the referred post above. Scheduled full loop 2months ahead to have ample time for prep (but couldn't really cover much). First codding Interview: Two questions a. Find the maximum sub-tree sum (I couldn't find related question on leetcode). Essentially consider every node in the tree as the root, them calculate the sum of the nodes, then return the maximum such sum b. Variation of https://leetcode.com/problems/word-break/. Return the output as a concatenation with the words from the dictionary separated by single space. E.g string = "catsanddogs", wordDict = ["cat", "sand","cats","dog","and"], an output = "cat sand dogs" or "cats and dogs" Second coding Interview: Two questions a. Return top k integers with highest frequencies in an array: https://leetcode.com/problems/top-k-frequent-elements/ b. Course schedule: https://leetcode.com/problems/course-schedule-ii/ Behavioural interview + one coding question a. Typical workplace behaviour questions b. Find the length of the longest sub-array whose sum is target System design: Design a Machine Learning app that makes recommendation to users for places to visit along their trip. Focus is no the ML pipeline: Data, Features, Evaluation, Model-building, Feedback, Online testing, Offline testing Personal Assessment: Didn't give good account of myself (first time system design). ML system design: Design E2E classification pipeline for Facebook marketplace. Users post visual (photos) + textual descriptions. Lots of focus on the Model training practice + Feature Engineering + Feedback loop, as well as emphasis on theory Personal Assessment: Way better than 4. Calibration (Behaviour + Coding): a. Behaviour similar to 3 b. Given a linked list L, a value val, and position pos, insert val at the posth position in L (Not replace).
Algorithms
difference between boosting and bagging
Viewing 791 - 800 interview questions