Wie man Data Science-Fähigkeiten überprüft

Veröffentlicht: Zuletzt aktualisiert:
Screening von Data Science-Fähigkeiten

Datenwissenschaft. Ein modernes Buzzword. In unserer heutigen digitalen Welt ist es üblich, Titel zu entdecken, die Rollen und Disziplinen zugewiesen werden, die noch nicht universell definiert und akzeptiert sind. Keiner ist so verbreitet wie Data Science und die Fähigkeiten eines Data Scientist, die ihm zugeschrieben werden.

In diesem Artikel werden wir die Bedeutung von Data Science und die Fähigkeiten von Data Scientists aufschlüsseln und Ihnen unsere Ratschläge geben, wie Sie sich am besten für eine Data-Science-Stelle bewerben.

Das Wichtigste zum Thema Datenwissenschaft

Laut dem Marktforschungsunternehmen Forrester werden bis zum Jahr 2021 erkenntnisgetriebene Unternehmen insgesamt im Wert von $1,8 BillionenDas ist ein Anstieg von $333 Milliarden im Jahr 2015. Diese "Erkenntnisse" werden aus Daten abgeleitet, die eine zentrale Rolle dabei spielen, dass die erfolgreichsten Unternehmen der Welt profitabler werden. Derselbe Bericht stellte fest, dass datengesteuerte Organisationen 8x schneller wachsen als das globale BIP. Stoff zum Nachdenken.

Die Fähigkeit, Daten zu interpretieren und für sich nutzbar zu machen, ist offensichtlich eine ziemlich ernste Aufgabe. Aber es gibt mehr oder weniger einen Konsens über den fehlenden Konsens hinsichtlich einer klaren Definition von Data Science.

Trotz der Definitionsschwierigkeiten des Fachgebiets hat dies die Schaffung neuer Graduiertenprogramme nicht gebremst mit "Data Science" in ihrem Namen. Um das zu bestätigen, muss ein aktuelle Umfrageanalyse von KDNuggets hat gezeigt, dass Studienabschlüsse mit dem Namen "Data Science" im Jahr 2007 aufkamen, mit einer enormen Steigerung der Einschreibungen 2012.

Es ist offensichtlich, dass sich Data-Science-Positionen in einer kritischen Phase ihres Lebens befinden. Aufgrund der Skalierbarkeit des Feldes, erhält es die Aufmerksamkeit, die es verlangt. Aber wie sollen wir jemanden einstellen, ohne richtig zu verstehen, was das ist?

DevSkiller hat Sie an beiden Fronten im Griff.

Was ist Datenwissenschaft

Was ist Data Science?

In ihrer einfachsten Form ist Datenwissenschaft die Disziplin, Daten nützlich zu machen. Das Konzept der Data Science ist "die Vereinigung von Statistik, Datenanalyse, maschinellem Lernenund die damit verbundenen Methoden", um "tatsächliche Phänomene zu verstehen und mit Daten zu analysieren".

Traditionell waren die Daten, die wir auswerten konnten, meist strukturiert und klein und konnten mit einfachen BI-Tools analysiert werden. Im Gegensatz zu den Daten in den traditionellen Systemen, die meist strukturiert waren, Die meisten Daten sind heute unstrukturiert oder halbstrukturiert. Diese Nachfrage hat die Rolle des Datenwissenschaftlers beschleunigt.

1.1 Was ist die Rolle eines Datenwissenschaftlers?

Ein Data Scientist sollte die Datenstrategie des Unternehmens festlegen, was bedeutet, dass er alles einrichtet, von der Technik und der Infrastruktur für die Datenerfassung und -protokollierung bis hin zu Datenschutzbelangen. Sie entscheiden, welche Daten wird anwenderorientiert seinwie die Daten genutzt werden, um Entscheidungen zu treffen, und wie sie wieder in das Produkt eingebaut werden sollen. Sie befassen sich auch mit der Patentierung innovativer Lösungen und der Festlegung von Forschungszielen. Eine Liste ihrer grundlegenden Verantwortlichkeiten umfasst:

  • Synthese aller verfügbaren Informationen, Statistiken und Daten einer Organisation,
  • Zusammenstellen von Informationen über den KI-Bedarf in einer Organisation,
  • Analysieren Sie Daten und finden Sie Nutzungsmöglichkeiten mit KI (manchmal auch als explorative Datenanalyse bezeichnet),
  • Erklären Sie Datenmuster für geschäftsorientierte Kollegen und Kunden (ein Prozess, der als "Data Storytelling" bekannt ist),
  • Entwerfen und Vorbereiten von Machine-Learning-Modellen,
  • Bewerten Sie die Wirksamkeit der Modelle in der Produktionsumgebung.

Falls Sie es noch nicht wussten: Ein maschinelles Lernmodell ist ein Programm, das trainiert, um bestimmte Arten von Mustern zu erkennen. Es ist möglich, ein Modell über einen Datensatz zu trainieren und ihm einen Algorithmus zur Verfügung zu stellen, mit dem es über diese Daten schlussfolgern und daraus lernen kann.

Ein Chief Data Scientist sollte ein Team von Ingenieuren, Wissenschaftlern und Analysten leiten und mit der gesamten Unternehmensführung kommunizieren, einschließlich des CEO, CTO und der Produktleitung. Sie wird sich auch mit der Patentierung innovativer Lösungen und der Festlegung von Forschungszielen befassen.

A beliebt Twitter Die Definition beschreibt einen Data Scientist als "jemanden, der besser in Statistik ist als jeder Software-Ingenieur und besser in Software-Engineering als jeder Statistiker".

1.2 Ist ein Data Scientist mit anderen Positionen vergleichbar?

Viele verschiedene Arten von Analysten sind in der Lage, Daten "nützlich" zu machen, angefangen vom Dateningenieur bis hin zum Qualitätsexperte. Während alle diese Rollen an der Datenwissenschaft beteiligt sind, sollte jemand, der als Datenwissenschaftler bezeichnet wird, über Fachwissen in allen drei Bereichen (Analytik, Statistik und ML/IA) verfügen.

Um ein Beispiel zu nennen: Ein Entwickler für maschinelles Lernen führt eine Teilmenge der Aufgaben eines Data Scientist aus, konzentriert sich aber nur auf Modelle für maschinelles Lernen. Die Position des Data Scientist ist wirklich ein Überbegriff, obwohl die Berufsbezeichnungen noch nie die Aufgaben eines Data Scientist genau widerspiegelten

Datenwissenschaft: Was für einen IT-Recruiter wichtig ist

Was ist für einen IT-Recruiter wichtig, um über Data Science zu wissen?

2.1 Wie oft ändert sich die Umgebung/Herausforderungen?

Eine Sache, die ein IT-Recruiter beachten sollte, ist, dass sich die Landschaft ständig verändert. Die Daten werden immer größer, und die Probleme werden schwieriger; also werden neue Techniken entwickelt und neue Frameworks werden sicher folgen.

2.2 Gibt es viele Ressourcen/Werkzeuge/Technologien (Bibliotheken, Frameworks, etc.)?

Mit bestimmten Ressourcen und Tools vertraut zu sein, wird sicherlich ein großer Vorteil sein. Derzeit sind viele Tools in der Sprache Python verfügbar, aber es gibt viel weniger für R (eine andere Programmiersprache). Einige Deep-Learning-Frameworks sind in C++ verfügbar, da es schneller und speichereffizienter als Python ist. In Python sind einige der beliebtesten Bibliotheken: Pandas, Seaborn, Plotly, Scikit-Learn, PyTorch, TensorFlow.

2.3 Was sollte ein Data Scientist wissen und was sind die wichtigsten Fähigkeiten eines Data Scientists?

Von Datenwissenschaftlern wird erwartet, dass sie eine Menge wissen - maschinelles Lernen, Informatik, Statistik, Mathematik, Datenvisualisierung, Kommunikation und Deep Learning. Innerhalb dieser Bereiche gibt es Dutzende von Sprachen, Frameworks und Technologien, die Data Scientists erlernen können.

Data Science erfordert Statistik- und Informatikkenntnisse - das ist keine Überraschung. Es ist interessant, dass die Kommunikation in fast die Hälfte der Data-Science-Stellenausschreibungen in diesen Tagen. Datenwissenschaftler müssen in der Lage sein, Erkenntnisse zu kommunizieren und mit anderen zusammenzuarbeiten. Eine grundlegende Liste dessen, was einen guten Datenwissenschaftler ausmacht, finden Sie unten:

  • Fähigkeit zur Datenanalyse
  • Geschickt im maschinellen Lernen
  • Hat gute Kommunikationsfähigkeiten
  • Hat ein Deep-Learning-Framework gemeistert
  • Ist fließend in Python oder R

2.4. Welche Art von Erfahrung ist wichtig, um nach einem Datenwissenschaftler zu suchen (kommerziell, Open-Source, wissenschaftlich, akademisch)?

Für die Forschung, nur Projekte - akademische oder wissenschaftliche Erfahrung wird die entscheidendste und gut abgerundet sein. Aber in Bezug auf die Erstellung von Produktionsmodellen - vorherige Erfahrung mit der Arbeit mit anderen Modellen der Produktion wird Ihnen den besten Einblick geben.

Fähigkeiten überprüfen

Wie verifiziert man die Fähigkeiten von Data Scientists in der Screening-Phase?

Wachsende Daten bedeuten wachsende Möglichkeiten - das alles braucht nur ein gutes Management. Die Überprüfung von Fähigkeiten in der Screening-Phase ist knifflig, aber Konzentration auf die Soft-Skills eines Kandidaten kann auch dabei helfen, Talente auf eine einzigartige Weise auszusortieren. Datenwissenschaftler zu finden, die bereits gute Entscheider sind.

Hersteller können Ihrem Unternehmen eine Menge Ärger ersparen.

3.1 Was ist bei der Überprüfung eines Lebenslaufs zu beachten?

Das Wichtigste ist, ob der Kandidat einen detaillierten Hintergrund in den wichtigsten Bereichen hat. Ein früherer Umgang mit Mathematik, Statistik, Informatik, Programmierung und Bibliotheken für maschinelles Lernen sind hier absolut entscheidend. Frühere Erfahrungen mit Data-Science-Analytik und Programmierung sind ebenfalls entscheidend.

Was einen guten Datenwissenschaftler von einem großartigen unterscheidet, sind zwischenmenschliche Kommunikationsfähigkeiten, d. h. die Fähigkeit, sich mit einer Vielzahl von Menschen zu unterhalten und zusammenzuarbeiten. Der Kandidat sollte auch einen guten Geschäftssinn oder ein abgerundetes Verständnis für geschäftliche Grundlagen und Prinzipien haben.

Achten Sie darauf, ob der Kandidat angegeben hat, wie sich seine Arbeit positiv auf eine Umsatzsteigerung, den ROI usw. ausgewirkt hat. Für Spitzenkandidaten ist es ganz wesentlich, quantitative Nachweise für ihre Leistungen zu erbringen.

Wenn es sich bei dem gesuchten Kandidaten um einen Hochschulabsolventen handelt, konzentrieren Sie sich auf seine Fähigkeiten und relevante Kursarbeiten oder Praktika, die er absolviert haben könnte, um sein breites Wissen zu beurteilen.

3.2 Welche Glossarbegriffe sind wichtig zu wissen?

  • Explorative Datenanalyse - diese besteht aus der Datenbereinigung, der Erkundung von Datenmustern und der manuellen Entdeckung von Mustern in Daten
  • Data Storytelling - damit ist die Beschreibung und Visualisierung von Datenmustern für Personen ohne technische Kenntnisse gemeint
  • Klassisches maschinelles Lernen - Lösen von Aufgaben mit Modellen wie lineare oder logistische Regression, Entscheidungsbäume, Random Forests, Boosting, Support Vector Machines, nicht-negative Matrixfaktorisierung, K-Means, k-nearest neighbors
  • Deep Learning - Lösen von Aufgaben mithilfe neuronaler Netze. Einige Arten von neuronalen Netzen umfassen Convolutional Neural Networks und Recurrent Neural Networks
Bibliotheken zur Datenanalyse und -manipulationIn Python: NumPy, pandas In R: dyplr, tidyr
Verteilte Bibliotheken zur Datenanalyse und -manipulationIn Python: Dask in Scala, Java und Python: Spark
Bibliotheken zur DatenvisualisierungIn Python: Seaborn, Plotly, Matplotlib In R: ggplot2
Allgemeine Bibliotheken für maschinelles LernenIn Python: scikit-learn In R: caret, e1071
Deep Learning BibliothekenIn Python: Keras, Tensorflow, PyTorch In R: Nnet In C++: Caffe

3.3 Welche Zertifizierungen sind verfügbar und werden anerkannt? Wie nützlich sind sie bei der Bestimmung der Fähigkeiten von Data Scientists?

Lassen Sie uns eine Sache im Voraus klarstellen: Sie brauchen kein Data Science-Zertifikat, um einen Job in der Datenwissenschaft zu bekommen. Es hilft, aber die Personalverantwortlichen sind nicht übermäßig aufgeregt.

Allerdings ist etwa die Hälfte des Wissens über maschinelles Lernen theoretisch, sodass Zertifizierungen in diesem Bereich sehr gut anwendbar sind. Die anderen 50% kommen aus der Praxis, also jede Art von erstelltem Produktionsmodell oder Kaggle-Wettbewerben. Zertifizierungen prüfen in der Regel nicht auf Business-Analyse-Fähigkeiten oder allgemeine menschliche Fähigkeiten. Die Top-Kurse, die wir gefunden haben, sind unten.

  • Zertifizierter Analytik-Profi (CAP)
  • Cloudera Zertifizierter Mitarbeiter: Datenanalyst
  • Cloudera Zertifizierter Profi: CCP Data Engineer
  • Data Science Council of America (DASCA) Senior Data Scientist (SDS)
  • Data Science Council of America (DASCA) Principle Data Scientist (PDS)
  • Dell EMC Data Science Track
  • Google Certified Professional Data Engineer
  • Google Daten und maschinelles Lernen
  • IBM Data Science Professional Zertifikat
  • Microsoft MCSE: Datenverwaltung und -analyse
  • Microsoft Certified Azure Data Scientist Associate
  • Open Certified Data Scientist (Open CDS)
  • SAS Certified Advanced Analytics Professional
  • SAS Certified Big Data Professional
  • SAS-zertifizierter Datenwissenschaftler

Zertifizierungen, die bei Coursera, edX oder Udacity erworben werden, sind ebenfalls hoch angesehen.

3.4 Welche anderen Zeilen in einem Lebenslauf können die Fähigkeiten eines Data Scientist zeigen?

Wenn Sie die Teilnahme der Kandidaten an Konferenzen als Redner beachten, kann dies ein Hinweis auf die notwendige Fähigkeit sein, ein adäquater Geschichtenerzähler zu sein, eine wichtige Anforderung in der Datenwissenschaft. Es ist offensichtlich unerlässlich, ein Experte auf der technischen Seite der Dinge zu sein, aber die Fähigkeit zu haben, Ihre Ergebnisse denen zu erklären, die kein technisches Wissen haben, ist genauso entscheidend.

Auch die Teilnahme an Wettbewerben zum maschinellen Lernen kann ein großer Vorteil sein. Plattformen wie Kaggle.com, topcoder.com, crowdai.org und knowledgepit.ml bieten alle die Möglichkeit, sich um Auszeichnungen in diesem Bereich zu bewerben.

In der heutigen Welt reicht ein guter Lebenslauf allein vielleicht nicht mehr aus, um das begehrte Vorstellungsgespräch zu bekommen. Vor allem, wenn Sie sich für eine Stelle als Data Scientist bewerben. Da wir inmitten einer digitalen Revolution leben und gedeihen, ist es nur logisch, dass dies auch in den Rekrutierungsprozess einfließt.

Das Durchsuchen der LinkedIn- und GitHub-Konten eines Bewerbers kann nützlich sein, um den Umriss eines Bewerbers zu beurteilen sowie seine Kenntnisse in Open-Source-Projekten zu sehen. Sie können entscheiden, ob die Projekte für die aktuelle Rolle relevant sind. Dies hilft Ihnen, das Profil des Kandidaten zu visualisieren, so dass Sie in der Lage sind, Fragen auf eine bestimmte Art und Weise zu strukturieren. Sie können auch feststellen, ob die Fähigkeiten des Data Scientist, die der Kandidat in seinem Lebenslauf erwähnt, in seinem GitHub-Profil widergespiegelt werden.

Technisches Screening der Data-Science-Fähigkeiten während eines technischen Interviews per Telefon/Video

Es ist schwierig, sich nur auf die Worte eines Lebenslaufs zu verlassen. Schließlich ist es wichtig, den Kandidaten herauszufordern, um festzustellen, ob er wirklich die Fähigkeiten besitzt, die er vorgibt zu besitzen. Selbst wenn es sich nur um ein Telefoninterview handelt, kann es Ihnen helfen zu verstehen, wie der Kandidat denkt und wie er Probleme löst, die mit seinem Handwerk zu tun haben.

4.1 Fragen, die Sie über einen Datenwissenschaftler stellen sollten erleben. Warum sollten Sie jede dieser Fragen stellen?

  • Welche Art von DS-Projekten haben Sie durchgeführt, und in welchem Umfang haben Sie sich in den Projekten engagiert?
    Begründung: Da es sich bei Data Science um eine extrem breit gefächerte Position mit oft unterschiedlichen Aufgaben handelt, arbeiten einige Kandidaten vielleicht nur im Bereich Datenanalyse und Storytelling oder sammeln nur Anforderungen und erstellen Machine-Learning-Modelle. Die Erfahrung des Kandidaten sollte mit den Aufgaben der Position, für die Sie rekrutieren, übereinstimmen. Diese Frage zielt wirklich darauf ab, den Umfang der Fähigkeiten des Bewerbers zu überprüfen.
  • Wie hat sich Ihre Arbeit mit den Projekten, an denen Sie mitgewirkt haben, finanziell positiv auf die Organisation ausgewirkt?Grund: Die Rolle des Data Scientist ist eine Position, die ein gutes Verständnis der geschäftlichen Anforderungen und Bedingungen erfordert. Achten Sie auf Antworten, die konkrete Messungen zeigen, wie z. B. "das Marketingteam konnte aufgrund unserer Ergebnisse die Kosten um 10% senken" oder "wir haben die Kundenfluktuation aufgrund unserer neuen Retention-Fähigkeiten um 5% gesenkt".
  • Welche Arten von Bibliotheken und Programmiertechniken haben Sie verwendet?
    Der Grund: Datenwissenschaftler können eine Vielzahl von Tools verwenden, um die gleichen Ergebnisse zu erzielen. Diese können von der gewählten Programmiersprache, der unternehmensinternen Infrastruktur und der Größe des Datensatzes, mit dem der Kandidat gearbeitet hat, abhängen. Der Kandidat wird wahrscheinlich mit Tools, mit denen er bereits Erfahrung hat, am besten abschneiden.

4.2 Fragen, die Sie über einen Datenwissenschaftler stellen sollten Wissen und Meinungen. Warum sollten Sie jede dieser Fragen stellen?

  • Wie würden Sie überprüfen, ob ein Modell richtig funktioniert?
    Grund: Die ideale Methodik besteht darin, den Datensatz in Abschnitte aufzuteilen: Trainingsset, Validierungsset und Testset. Der Trainingssatz ist der einzige, der dem Modell zur Verfügung steht, und ist die Grundlage des Trainingsprozesses. Die Parameter des Modells werden mit Hilfe des Validierungssatzes eingestellt und die Effizienz des Modells wird mit dem Testsatz getestet.
  • Wie würden Sie prüfen, ob die Daten im Datensatz von guter Qualität sind?
    Grund: Ein Datenwissenschaftler wird höchstwahrscheinlich mit einem im Unternehmen gesammelten Datensatz arbeiten müssen, der möglicherweise fehlende Werte, Fehler oder Inkonsistenzen enthält - dies sind die Anzeichen für unordentliche Daten. Um solche Probleme zu finden, sollte ein Datenwissenschaftler eine explorative Datenanalyse durchführen, um deren Hauptmerkmale zusammenzufassen.
  • Was ist Boosten und was sind die Vorteile?
    Grund: Boosting-Modelle sind baumbasierte Modelle, die aus Gruppen von Bäumen bestehen, die sequentiell trainiert werden. Boosting-Modelle sind derzeit die effizientesten Modelle mit hoher Genauigkeit, relativ kurzen Trainingszeiten, geringem Speicherverbrauch und mittelgroßen erforderlichen Trainingsdatensätzen (im Vergleich zu Deep Learning-Techniken).

Ein Tipp unseres Experten ist es, Fragen zu stellen, die sich auf Geschäftsprobleme beziehen, für die Sie gerade rekrutieren. Wie jeder andere auch, arbeiten Datenwissenschaftler am besten in Bereichen, mit denen sie vertraut sind.

Beispielsweise hat nicht jeder Kandidat ein "Gespür" für das Innenleben von Fabrikanlagen (Probleme der vorausschauenden Wartung), medizinische Begriffe (Erstellung von KI für die Medizinbranche) oder Kundenpräferenzen (Empfehlungssysteme für den E-Commerce) (oder ist daran interessiert oder bereit, diese zu lernen).

4.3 Verhaltensweisen Fragen, die Sie einem Datenwissenschaftler stellen sollten. Warum sollten Sie jede dieser Fragen stellen?

  • Wie gehen Sie mit Meinungsverschiedenheiten mit Kollegen um?
    Grund: Ein Datenwissenschaftler muss über gute kommunikative und zwischenmenschliche Fähigkeiten (d. h. Empathie) verfügen, da seine Aufgabe darin besteht, Daten von Kollegen zu sammeln und Verbesserungsmöglichkeiten in seiner Organisation oder Gesellschaft zu finden.
  • Wo finden Sie Informationen über neue Data-Science-Techniken oder Cases?
    Grund: Da sich das Feld der Datenwissenschaft ständig weiterentwickelt und wächst, erfordert die Rolle eine ständige Recherche, um auf dem neuesten Stand zu bleiben und Probleme möglichst effizient zu lösen. Jede dieser Quellen ist lohnenswert: Konferenzpapiere, Workshop-Papiere, MOOCs, Blogs von Unternehmen, die sich mit DS beschäftigen, Meetups der DS-Community, Facebook- oder Mail-Gruppen mit einem DS-Thema oder das Lernen von einem Mentor.
  • Was betrachten Sie als Ihren größten Erfolg und größten Misserfolg im DS-Bereich?
    Begründung: Dies ist eine ziemlich generische Frage, aber sie zeigt die Selbsterkenntnis und die Selbstreflexionsfähigkeiten des Kandidaten. Beides ist für den Lernprozess notwendig, der ein wichtiger Teil davon ist, ein großartiger Datenwissenschaftler zu sein.
Kodierungstests

Technisches Screening der Fähigkeiten eines Datenwissenschaftlers mithilfe eines Online-Codierungstests

Die Einstellung eines Datenwissenschaftlers kann ein kniffliger Prozess sein. Die eigentliche Definition eines Data Scientist ist vage, und die tägliche Arbeit von jemandem mit der Berufsbezeichnung "Data Scientist" variiert von Unternehmen zu Unternehmen stark. Außerdem kommen Menschen mit den unterschiedlichsten Hintergründen in diesen Bereich. Die Untersuchung der Vergangenheit eines Data Scientist-Kandidaten ist eine Wissenschaft für sich, die einen eigenen Blogbeitrag wert wäre. Wir werden uns darauf beschränken, Ihnen zu zeigen, wie Sie am besten nach einem Data Scientist suchen!

5.1 Welchen Online-Test für Data Scientist-Fähigkeiten sollten Sie wählen?

Bei der Suche nach dem richtigen Data Science Skills Test sollten Sie sicherstellen, dass sie den folgenden Kriterien entspricht:

  • Der Test spiegelt die Qualität der ausgeführten professionellen Arbeit wider
  • Die Dauer ist nicht zu lang, maximal ein bis zwei Stunden.
  • Der Test kann automatisch verschickt werden und ist unkompliziert
  • Der Schwierigkeitsgrad entspricht den Fähigkeiten des Kandidaten
  • Der Test geht über die Überprüfung hinaus, ob die Lösung funktioniert - er prüft die Qualität des Codes und wie gut er in Randfällen funktioniert
  • Es ist so nah wie möglich an der natürlichen Programmumgebung und ermöglicht dem Kandidaten den Zugang zu relevanten Ressourcen
  • Es bietet dem Kandidaten die Möglichkeit, alle Bibliotheken, Rahmenwerke und andere Hilfsmittel zu nutzen, die ihm regelmäßig begegnen.

5.2 DevSkiller - gebrauchsfertige Online-Tests für Data Science-Fähigkeiten

Devskiller-Codierungstests verwenden unsere RealLifeTesting™ Methodik, um die tatsächliche Codierungsumgebung, in der Ihr Kandidat arbeitet, widerzuspiegeln. Anstatt obskure Algorithmen zu verwenden, müssen die Kandidaten bei den DevSkiller-Tests Anwendungen oder Funktionen erstellen. Sie werden völlig automatisch benotet und können überall auf der Welt absolviert werden. Gleichzeitig hat der Kandidat Zugriff auf alle Ressourcen, die er normalerweise verwenden würde, einschließlich Bibliotheken, Frameworks, StackOverflow und sogar Google.

Unternehmen nutzen DevSkiller, um Kandidaten mit ihrer eigenen Codebase von überall auf der Welt zu testen. Um es einfach zu machen, bietet DevSkiller auch eine Reihe von vorgefertigten Data-Science-Fähigkeitstests wie die hier:

Python
MIDDLE
Geprüfte Fähigkeiten
Dauer
70 Minuten max.
Auswertung
Automatisch
Test-Übersicht

Auswahlfragen

Beurteilung des Wissens über Python, Funke

Programmieraufgabe - Stufe: Medium:

Python | PySpark | Customer Preference Model - Implementierung einer Data-Engineering-Anwendung zur Vorverarbeitung von Marketingdaten.

Python
JUNIOR
Geprüfte Fähigkeiten
Dauer
65 Minuten max.
Auswertung
Automatisch
Test-Übersicht

Auswahlfragen

Beurteilung des Wissens über Python

Programmieraufgabe - Stufe: Einfach

Python | PySpark | ML Logs Transformer - Vervollständigen Sie die Implementierung der Logs-Transformationspipeline.

Scala
JUNIOR
Geprüfte Fähigkeiten
Dauer
66 Minuten max.
Auswertung
Automatisch
Test-Übersicht

Auswahlfragen

Beurteilung des Wissens über Scala

Programmieraufgabe - Stufe: Einfach

Scala | Spark | ML Logs Transformer - Vervollständigen Sie die Implementierung der Transformationspipeline für die Protokolle.

Daten-Wissenschaft
JUNIOR
Geprüfte Fähigkeiten
Dauer
45 Minuten max.
Auswertung
Automatisch
Test-Übersicht

Aufgabe - Ebene: Einfach

SQL | Briefmarkenkatalog | Die drei höchsten Preise - Wählen Sie drei Briefmarken (Preis und Name) mit dem höchsten Preis.

Programmieraufgabe - Stufe: Einfach

Python | Pandas | HTML-Tabellenparser - Implementieren Sie eine Funktion, um eine HTML-Tabelle in eine Datei im CSV-Format zu konvertieren.

Python
JUNIOR
Geprüfte Fähigkeiten
Dauer
35 Minuten max.
Auswertung
Automatisch
Test-Übersicht

Auswahlfragen

Beurteilung des Wissens über Python

Programmieraufgabe - Stufe: Einfach

Python | Pandas | HTML-Tabellenparser - Implementieren Sie eine Funktion, um eine HTML-Tabelle in eine Datei im CSV-Format zu konvertieren.

Python
MIDDLE
Geprüfte Fähigkeiten
Dauer
120 Minuten max.
Auswertung
Automatisch
Test-Übersicht

Auswahlfragen

Beurteilung des Wissens über Python

Programmieraufgabe - Stufe: Medium:

Python | Fahrzeugverkaufsbericht - Implementieren Sie eine Anwendung zur Erstellung von Berichten auf der Grundlage des Data Warehouse für Fahrzeugverkäufe.

Python
MIDDLE
Geprüfte Fähigkeiten
Dauer
96 Minuten max.
Auswertung
Automatisch
Test-Übersicht

Auswahlfragen

Beurteilung des Wissens über Python

Programmieraufgabe - Stufe: Medium:

Python | Pandas | A food delivery startup - Transformieren Sie eine Datenbank von Bestellungen, indem Sie ihre Dimensionalität reduzieren und eine zusätzliche analytische Tabelle erstellen.

Python
JUNIOR
Geprüfte Fähigkeiten
Dauer
45 Minuten max.
Auswertung
Automatisch
Test-Übersicht

Auswahlfragen

Beurteilung des Wissens über Python

Programmieraufgabe - Stufe: Einfach

Python | Client Base Creator - Implementieren Sie die Anwendung, um die Kontaktdaten des Kunden aus den Chat-Nachrichten abzurufen.

Python
MIDDLE
Geprüfte Fähigkeiten
Dauer
70 Minuten max.
Auswertung
Automatisch
Test-Übersicht

Auswahlfragen

Beurteilung des Wissens über Maschinelles Lernen, Python

Programmieraufgabe - Stufe: Medium:

Python | DNA Analyzer | DNA-Stränge erzeugen und reinigen - Implementieren Sie 2 Methoden in Python, die DNA-Stränge erzeugen und reinigen.

Python
JUNIOR
Geprüfte Fähigkeiten
Dauer
49 Minuten max.
Auswertung
Automatisch
Test-Übersicht

Auswahlfragen

Beurteilung des Wissens über Maschinelles Lernen

Programmieraufgabe - Stufe: Einfach

Python | DNA Analyzer - Implementieren Sie eine Methode in Python, die einen statistischen DNA-Bericht generiert.

Beitrag teilen

Erfahren Sie mehr über die Einstellung von Technikern

Abonnieren Sie unseren Learning Hub, um nützliche Einblicke direkt in Ihren Posteingang zu erhalten.

Kodierfähigkeiten nahtlos verifizieren & entwickeln.

Sehen Sie DevSkiller-Produkte in Aktion.

Sicherheitszertifizierungen & Konformität. Wir sorgen dafür, dass Ihre Daten sicher und geschützt sind.

DevSkiller-Logo TalentBoost-Logo TalentScore Logo