Ir en el anonimato porque realmente no me importa que mi empleador actual sepa dónde me entrevisté.
Me entrevisté para un puesto de Analista Cuantitativo en Google el año pasado. Curiosamente, el puesto de trabajo decía “NOTA: esto es lo mismo que un Científico de Datos”.
La evaluación del teléfono se basa principalmente en la probabilidad (concreta y teórica) y, al menos la mía, en gran medida basada en el aprendizaje automático. Me dieron la pregunta estándar “un ingeniero de software te entrega un conjunto de datos y necesitas construir un modelo de aprendizaje automático”, que realmente está orientado a ver cómo funciona el candidato bajo incertidumbre y qué preguntas haces antes de ejecutar un solo ML algoritmo.
- ¿Se les pide a los ingenieros mecánicos que diseñen un producto en una entrevista?
- Me encantan las cosas que están haciendo en Google y quiero contribuir, ¿crees que puedo conseguir un trabajo en Google?
- ¿Alguien puede compartir su experiencia de entrevista para el IISc, preferido Nanociencia?
- ¿Me han llamado para una segunda entrevista después de haber despejado mi primera entrevista técnica? ¿Qué preguntas puedo esperar en la segunda etapa de la entrevista?
- ¿Cuáles son las preguntas de aptitud formuladas en SKP Group Pune, firma Baner?
En el lugar me entrevisté durante 6 horas seguidas y me hicieron preguntas sobre series de tiempo, pruebas A / B, probabilidad y mucho aprendizaje automático. A pesar de que Google ya no pregunta a los “rompecabezas” (creo que probaron A / B el desempeño de las personas a las que se les preguntó sobre los rompecabezas en sus entrevistas frente a ningún rompecabezas y no pudieron encontrar la diferencia), muchas preguntas siguen siendo un misterio. ish en la naturaleza. Lo llamaron habilidades para resolver problemas.
Las preguntas de aprendizaje automático están en todos los ámbitos: desde un problema práctico (cómo haría para configurar los datos, validación cruzada, modelado, monitoreo del rendimiento para un escenario dado) hasta preguntas genéricas (¿cómo lidiar con una variable categórica con alta cardinalidad) a más teórico.
En general, la parte más difícil para mí fue la amplitud de los temas cubiertos, no tanto la profundidad. Había hecho ML durante unos años en un entorno empresarial y en Kaggle y encontré que mi conocimiento era más que suficiente para brillar en la entrevista. Terminé perplejo en la serie de tiempo, que tenía en mi currículum pero que realmente no había trabajado durante años.