Experiencia de entrevista de Cognam Technologies para FTE

Primera Ronda: MCQ y Ronda de Codificación con diferentes secciones y cada sección tenía un límite de tiempo diferente

1. Sección 1: Consta de 10 preguntas de aptitud MCQ para ser resueltas en 10 minutos.
2. Sección 2: Consta de 30 fundamentos de CS MCQ para ser resueltos en 30 mins. Las preguntas son de base de datos, redes informáticas, preguntas de CI/O, conceptos de programación orientada a objetos.  

3. Sección 3 (Ronda de codificación): esta ronda dura 1 hora y 3 preguntas de codificación

   1. Programa para conversión de decimal a binario
   2. Substring palindrómica más larga | Serie 1
   3. Ordenar elementos por frecuencia | Serie 1

4. Sección 4: Preguntas básicas de MCQ sobre aprendizaje automático (10 min 10 preguntas)

Ronda 2: Fue una discusión de grupo normal

Ronda 3 (enunciado del problema): está creando un sistema de software financiero que está destinado a ser utilizado por millones de consumidores comunes y, al mismo tiempo, por miles de personas. Como se trata de dinero, no puede haber errores en su funcionamiento.

1. ¿Qué pasos toma en las diferentes etapas del proyecto para garantizar un lanzamiento y una operación sin problemas de la producción?
2. ¿Cómo cambia su enfoque a medida que la cantidad de usuarios simultáneos ingresa a millones?

La discusión comenzó, y tenemos que agregar a las diferentes etapas que se pierden por el compañero orador, los protocolos de control de concurrencia, los métodos de transacción y prueba, el sistema distribuido.  

Ronda 4 (Entrevista): debido a covid-19, la entrevista fue en Google Meet y nos proporcionaron el enlace un día antes.

• El entrevistador me pidió que explicara el proyecto reciente y algunas preguntas cruzadas. En su mayoría, se discutió el proyecto y se me preguntó sobre el módulo incorporado que usé, el algoritmo y cuáles son los resultados, y cómo los verifiqué.
• También hizo preguntas sobre el aprendizaje automático. Uno de los miembros del panel está trabajando en Machine Learning y uno de mis proyectos también es de Machine Learning, entonces mi entrevista cambió de proyectos a Machine learning:
  1. ¿Qué es la normalización y por qué la usamos?
  2. Compensación de varianza de sesgo, ¿cómo evitar el sobreajuste, regularización? 
  3. ¿Cómo medir la precisión de nuestro modelo?
  4. Explica tu técnica de clasificación favorita. 
  5. K significa algoritmo y si nuestro conjunto de datos está desequilibrado, como que el 90 % de los puntos de datos pertenecen a una categoría y el otro 10 % a la otra, qué técnica de aprendizaje automático utilizará. Máquinas de vectores soporte.