Experiencia de entrevista de Nvidia para QA SDET Intern (en el campus)

Proceso de entrevista realizado en noviembre de 2021 para la duración de la pasantía de 5 meses a partir de enero a junio. La prueba Hackerrank consta de 2 problemas de codificación, sistema operativo, computadora fundamental y razonamiento lógico.

Preseleccionados entre 16 y 20 estudiantes. La duración de la entrevista fue de 1 Hr. había dos entrevistadores en MS Teams. Uno estaba haciendo preguntas de CPP y el otro estaba preguntando a python 

• Las preguntas se basaron en el Proyecto
• ¿Cuál es la diferencia entre lemming y stemming?
• ¿Qué cosas de la PNL usaste?
• ¿Conoces algún algoritmo de clasificación de texto?
• Definir una string de longitud l en python
• Cuéntame sobre la asignación de memoria dinámica
• ¿Cuál es la diferencia entre LIFO y FIFO?
• Cree una nueva lista de palabras de la lista dada donde la substring ‘hormiga’ está presente en la palabra
• Me pidió que codificara para el elemento max min de la array
• Había una pregunta sobre el hardware. 
• ¿Cuál es la diferencia entre SSD y HDD?
• ¿Tipos de SSD?
• Dime las partes de la CPU.
• ¿Cómo arranca la computadora, la bios?
• ¿Qué es la sangre y cómo se ha producido?
• Qué juegos jugaste y qué configuración de juego cambiaste (FPS, resolución)
• ¿Cómo deshabilitar/habilitar dispositivos de almacenamiento desde bios?
• Cómo bloquear cualquier servicio o aplicación al inicio
• También pidieron quean stion en ML ya que había una apertura para el desarrollador de herramientas ML.
• ¿Funcionamiento y ecuación del regresor SVM?
• Q basado en la situación en el algoritmo ML para elegir.
• ¿Qué es la convolución?
• Diferencia entre regresión logística y lineal.
• ¿Qué es una red neuronal?
• ¿Qué tarjeta gráfica sabes cuál es la GPU más reciente?
• Con suerte, pude responder a todas las preguntas y recibí la oferta de pasantía.
• IMP temas a estudiar
  • Visualización y limpieza de datos
  • Diferentes tipos de modelos ML y cómo funcionan
    Por ejemplo: regresión y tipos de regresión y cómo funcionan (algoritmo)
  • Si ha estudiado DNN, entonces
    propagación hacia adelante y hacia atrás, entrenamiento de modelos, neuronas y capas de DNN, algoritmo de descenso de gradiente, optimización de costos.
    Estas son solo las cosas básicas que se espera tener .
  • Luego tiene la parte de análisis de su modelo
    Errores (rmse, r-squared, mínimos cuadrados, etc.)
    Luego está la métrica del modelo (exactitud, precisión, etc.)
    Esta cantidad, si puede cubrirla, cubriría la mayoría de las cosas que se pueden pedir