Framework + Active Recall

Modo entrevista

Pegue qualquer algoritmo e tente responder as 10 dimensões de cabeça. Se você dá conta disso, já está à frente da maioria dos candidatos. Os flashcards servem pra treinar a lembrança no susto, porque aguentar a pressão da entrevista se aprende repetindo, não é dom.

Como usar

1. Revise o framework abaixo.
2. Vá para os flashcards, leia a pergunta, formule resposta mentalmente.
3. Revele a resposta de referência e marque acertou / errei.
4. Atalhos: ␣ revelar · → próximo · A acertei · E errei

01

Framework, 10 dimensões por algoritmo

Aplica a TODO algoritmo canônico
01
Problema
O que resolve?
Tipo de tarefa (regressão / classificação / clustering / ranking) e tipo de output esperado.
02
Hipótese
Qual hipótese assume?
Linearidade, independência condicional, normalidade dos erros, smoothness, MDP, manifold de baixa dimensão.
03
Falha
Quando falha?
Cenários onde a hipótese central é violada, exemplos concretos com dataset/condição.
04
Performance
Complexidade?
Treino e inferência, O(n), O(n log n), O(n²), O(n·d²). Memória.
05
Compreensão
Interpretável?
Glass box (coeficientes, regras) vs black box. Ferramentas: SHAP, LIME, feature importance, attention.
06
Escala
Escala bem?
Milhões de amostras? Paralelizável? Online learning? Distribuído?
07
Robustez
Sensível a outlier?
MSE eleva ao quadrado → muito sensível. Hinge, Huber, MAE → mais robusto. Árvores → quase imunes.
08
Pré-processamento
Precisa feature scaling?
KNN, SVM, redes neurais, gradient descent: sim. Árvores e ensembles de árvores: não.
09
Regularização
Como evita overfitting?
L1/L2, dropout, early stopping, pruning, max_depth, data augmentation, CV.
10
Avaliação
Qual métrica usar?
Regressão → RMSE/MAE/R². Classificação → F1/AUC/log-loss. Ranking → NDCG/MAP. Calibração → Brier.
02

Flashcards, Active Recall

cartas
Filtrar:
Carta 1 / 100
Dimensão 01, Problema
Linear Regression
Carregando...
Resposta de referência
clique para revelar · ou ␣ espaço
Vistas
0
Acertos
0
Errados
0
Taxa de acerto
0%
03

Perguntas-armadilha mais comuns

se você travar aqui, sabe onde estudar
01
Quais são os 5 paradigmas principais de ML? Cite um algoritmo canônico de cada.
02
Qual é a diferença entre Ridge e Lasso em termos geométricos?
03
Por que KNN precisa de feature scaling e Decision Tree não?
04
Em que cenário você usaria DBSCAN ao invés de K-Means?
05
Qual é a hipótese central do Naive Bayes e quando ela falha na prática?
06
Por que t-SNE não deve ir para produção?
07
Explique bias-variance trade-off usando learning curves.
08
Por que XGBoost frequentemente vence Random Forest?
09
Qual a diferença entre bagging e boosting?
10
O que é data leakage? Cite 3 exemplos comuns.
11
Quando você usaria SMOTE? Quais riscos?
12
Como detectar e mitigar data drift em produção?
13
Por que log-loss é preferível a accuracy em classes desbalanceadas?
14
O que é calibração de probabilidades? Por que ela importa?
15
Diferença entre MLM e NTP? Por que GPT usa NTP?
16
O que é o kernel trick? Por que ele é "trick"?