Aller au contenuAller au pied de page
  • Emplois
  • Entreprises
  • Salaires
  • Pour les employeurs

      Boostez votre carrière

      Découvrez votre salaire potentiel, décrochez des emplois de rêve et partagez vos témoignages de manière anonyme.

      employer cover photo
      employer logo
      employer logo

      Loft

      Employeur impliqué

      À propos
      Avis
      Salaires et avantages
      Emplois
      Entretiens
      Entretiens
      Recherches associées: Avis sur Loft | Offres d’emploi chez Loft | Salaires chez Loft | Avantages sociaux chez Loft
      Entretiens chez LoftEntretiens d’embauche pour Data Science Manager chez LoftEntretien chez Loft


      Glassdoor

      • À propos
      • Récompenses
      • Blog
      • Nous contacter
      • Guides

      Employeurs

      • Compte employeur gratuit
      • Centre employeur
      • Blog pour les employeurs

      Informations

      • Aide
      • Règles de la communauté
      • Conditions d'utilisation
      • Confidentialité et choix publicitaires
      • Ne pas vendre ni partager mes informations
      • Outil de consentement aux cookies

      Travailler avec nous

      • Annonceurs
      • Carrières
      Télécharger l'application

      • Parcourir par :
      • Entreprises
      • Emplois
      • Lieux

      Copyright © 2008-2026. Glassdoor LLC. « Glassdoor », son logo, « Worklife Pro » et « Bowls » sont des marques déposées de Glassdoor LLC.

      Entreprises suivies

      Tenez-vous au courant des dernières opportunités et profitez de conseils d’initiés en suivant les entreprises de vos rêves.

      Recherche d’emplois

      Obtenez des recommandations et des mises à jour personnalisées en démarrant vos recherches.

      Entretien pour Data Science Manager

      28 mars 2021
      Candidat à l'entretien anonyme
      Aucune offre
      Expérience neutre
      Entretien difficile

      Candidature

      J'ai postulé en ligne. Le processus a pris 2 semaines. J'ai passé un entretien chez Loft en mars 2021

      Entretien

      Primeira etapa é uma entrevista pt-br no estilo ask me anything com um gestor de data science Segunda etapa é uma série de perguntas de múltipla escolha sobre machine learning A terceira etapa seria um desafio aberto de código para desenvolver um modelo de machine learning A primeira entrevista é bem legal e dá pra conhecer melhor a estrutura de data science da Loft. Eu cheguei até a segunda etapa, com uma nota entre 60%-70%. A segunda etapa não é inclusiva e realmente não visa a diversidade, da maneira como a Loft se propõe. A segunda etapa consiste de 40 perguntas para responder em 30 minutos na plataforma Codility. Ou seja, pra cada questão você tem menos de um minuto pra responder. Se você dedicar 1 minuto para responder cada pergunta e acertar todas que você respondeu, sua nota máxima será de 75%. As perguntas são mais voltadas para um ambiente acadêmico sobre coisas que raramente você precisará usar na indústria. Portanto, se você terminou o mestrado ou doutorado há um tempo e tem mais ênfase e experiência na indústria, as perguntas podem ser tornar capciosas. A Loft é uma empresa brasileira, e hoje, só atua no mercado de São Paulo e Rio de Janeiro. No entanto, as perguntas do Codility foram todas em inglês. Se você domina machine learning num contexto acadêmico brasileiro, mas não tem domínio dos conceitos também em inglês, então você será passado para trás. Se você quiser muito passar da segunda etapa, sugiro que você tenha um bom domínio do inglês e tenha saído recentemente de um mestrado ou doutorado no exterior com um ótimo conhecimento acadêmico. Outra alternativa é fazer o questionário em dupla ou trio com alguns amigos nerds sem experiência na indústria que ainda estejam num mestrado ou doutorado relacionado machine learning.

      Questions d'entretien [19]

      Question 1

      What are the criteria for an OLS to be Blue Linear Unbiased Estimator?
      Répondre à cette question

      Question 2

      In Regularized Linear Regression, if the practioner desires a sparse parameter vector, is L2 regularization preferable over L1 regularization?
      Répondre à cette question

      Question 3

      MEA is less sensitive to outliers than MSE?
      Répondre à cette question

      Question 4

      If we multiply all probas by 2, the area under ROC curve will be divided by 2?
      Répondre à cette question

      Question 5

      Computation of the silhouette coefficient scales well, since its time complexity is O(n)?
      Répondre à cette question

      Question 6

      DBSCAN assumes densely packed samples balong to the same cluster?
      Répondre à cette question

      Question 7

      Bayesian linear regression, putting informative priors on the weights can be see as a form of regularisation?
      Répondre à cette question

      Question 8

      KL divergence is a symmetric dissimilarity function between distributions?
      Répondre à cette question

      Question 9

      The entropy of a Normal(0,1) distribution is larger than the entropy of a normal(0, 10) distribution?
      Répondre à cette question

      Question 10

      For an SVM with polynomial kernel, reducing the degree of polynomial can prevent underfitting?
      Répondre à cette question

      Question 11

      K-means is a special case of Gaussian Mixture Model with a diagonal and constant covariance matrix?
      Répondre à cette question

      Question 12

      An autoencoder with one hidden layer and linear activations is equivalent to PCA?
      Répondre à cette question

      Question 13

      Comparated to OLS, GLM can assume different erro distributions, such as Poisson?
      Répondre à cette question

      Question 14

      t-SNE is a dimensionality reduction algorithm based on matrix factorization?
      Répondre à cette question

      Question 15

      Convolutional and Max-pooling layers help NN be translation invariant?
      Répondre à cette question

      Question 16

      The VC-dimension of a KNN k=1 is larger than that of any linear regression?
      Répondre à cette question

      Question 17

      In reinforcement learning, an epsion-greedy policy with constant epsilon will have linear regret?
      Répondre à cette question

      Question 18

      For a convex loss, stochastic gradient descent is likely to take less iterations to converge than gradient descent?
      Répondre à cette question

      Question 19

      The predictions of a Decision Tree fitted using the L1 loss are taken by the mean of its leaves?
      Répondre à cette question
      1