TCS имеет глобальную сеть инновационных лабораторий, которые классифицируются как технологические лаборатории, лаборатории академического альянса и лаборатории предметной области. Лаборатории создают отличия и создают инновационные возможности для предприятий TCS, помогая своим клиентам внедрять инновации в разных часовых поясах. ("Ссылка")

Взгляните на #TCSResearch в Linkedin и Twitter.

Раунд 1: Резюме отборочного списка:

Он основан на опыте работы с проектами на основе ML / NLP. Опубликовал 2 статьи. Один в ACM, а другой в IEEE. Кроме того, во втором семестре я работал над несколькими хорошими проектами. Так что меня легко попали в шорт-лист. (8 человек попали в финал из моего колледжа)

Раунд 2: Техническое собеседование (телефонное):

Панель: В моей группе было 2 интервьюера. Как рассказали в нашем отделе кадров, интервью проводят очень опытные люди. Интервью проводилось только в кампусе TCS.

  1. Вначале они красиво представились и просили того же от меня.
  2. После того, как я кратко представил их, они начали задавать мне вопросы о проектах, которые я упомянул в своем резюме.
  3. Вопросы касались технической глубины, знаний и основных понятий.

Были заданы следующие вопросы

4. Большинство вопросов оценивали ясность и глубину основных концепций машинного обучения, которые использовались в проектах.

5. Линейная алгебра, методы оптимизации, статистика - это фундамент машинного обучения / обработки данных / методов глубокого обучения.

6. После этого мне также задали много вопросов о проекте и исследовательской работе, которую я выполнял в ИИТ Гандинагар.

Последний раунд - HR

Это тоже прошло очень хорошо. Меня спросили о предыдущем опыте собеседования и о том, что я думаю о своей работе. Кроме того, там были некоторые вопросы, связанные с навыками и внеклассными мероприятиями. На это ушло 10 минут, и HR остались довольны ответами.

Общее впечатление:

Это был очень хороший опыт. Мое интервью длилось около 90–100 минут. Интервьюеры были очень спокойны и давали время подумать или решить каждый заданный вопрос. Мое собеседование прошло хорошо, так как я смог дать большинство ответов (около 70–80%). Я тщательно обновил свои концепции перед собеседованием, что мне очень помогло.

Результаты:

5 из 8 попали в TCS Innovation Labs, и я был одним из них .

Предложения:

  1. Нужно знать всю техническую глубину и детали проекта, который он сделал.

2. Обоснование и анализ каждого проекта важны для исследования. Тщательный обзор литературы и хорошее понимание постановки задачи - это первый шаг.

3. Статистика и теория вероятностей - это основа машинного обучения и искусственного интеллекта. Так что в них нужно знать базовые концепции и интуицию.

4. Мотивация к исследованиям важнее всего.

Некоторые важные ссылки / примечания:

  1. Математика, лежащая в основе SVM (машина опорных векторов): https://github.com/rajatgupta1234/ML_Projects/blob/master/SVM_Maths.pdf
  2. RNN (рекуррентная нейронная сеть), LSTM (долгосрочная краткосрочная память) Математика и реализация автоматического распознавания речи: https://github.com/rajatgupta1234/ML_Projects/blob/master/ASR_RNN_LSTM_MATHS.pdf
  3. 3blue1brown курс Youtube по линейной алгебре: сущность и визуализация векторов в реальном мире - https://www.youtube.com/watch?v=kjBOesZCoqc&list=PL0-GT3co4r2y2YErbmuJw2L5tW4Ew2O5B
  4. Кепстральные коэффициенты частоты Mel (MFCC) и математика PCA: https://github.com/rajatgupta1234/ML_Projects/blob/master/MFCC_PCA.pdf
  5. Личные заметки по линейной алгебре, проектам колледжа, анализу главных компонентов / SVD, функциям потерь, собственным векторам, преобразованиям , GAN и автоэнкодеры. https://github.com/rajatgupta1234/ML_Projects/blob/master/Interview_Prep_ML_Notes.pdf

Публикации

1. На пути к воспроизводимой современной дезагрегации энергии. В материалах 6-й Международной конференции ACM по системам для энергоэффективных зданий, городов и транспорта (BuildSys ’19). ACM, Нью-Йорк, Нью-Йорк, США, 193–202.

Ссылка: https://dl.acm.org/doi/abs/10.1145/3360322.3360844

2. «Распознавание индийских памятников на основе изображений с использованием запутанных нейронных сетей», 2017 г., Международная конференция по большим данным, Интернету вещей и науке о данных (BID), Пуна

Ссылка: https://ieeexplore.ieee.org/abstract/document/8336587/

3. Оценка моделей машинного обучения для прогнозирования производительности различных компьютерных систем, Международная конференция IEEE по электронике, вычислительным и коммуникационным технологиям (CONECCT) 2020 г.

Ссылка: https://ieeexplore.ieee.org/abstract/document/9198512

Всего наилучшего.

Спасибо за прочтение.