Wie man Fähigkeiten des maschinellen Lernens überprüft

Veröffentlicht: Zuletzt aktualisiert:
Fähigkeiten zum maschinellen Lernen anzeigen

Müssen Sie jemanden mit Machine-Learning-Kenntnissen einstellen? Nicht sicher, was es wirklich ist?

Maschinelles Lernen ist der Prozess, der Computer in die Lage versetzt, Aufgaben zu erfüllen, die bis vor kurzem ausschließlich von Menschen ausgeführt wurden.

Vor der Zeit des funktionalen maschinellen Lernens kannten Software und Computersysteme nur die Informationen, die ein Programmierer ihnen vorgab. Das Ergebnis ist ein Softwaresystem, das nicht in der Lage ist, innovativ zu sein, und dem Befehle gegeben werden müssen, um zu funktionieren.

Mit maschinellem Lernen können Unternehmen große Datensätze in statistisches Wissen und umsetzbare Intelligenz umwandeln. Dieses wertvolle Wissen kann in alltägliche Geschäftsprozesse und betriebliche Aktivitäten integriert werden, um auf veränderte Marktanforderungen oder Geschäftsumstände zu reagieren. Abgesehen von der Automatisierung wiederholbarer Aufgaben nutzen Unternehmen weltweit maschinelles Lernen, um den Betrieb und die Skalierbarkeit ihrer Unternehmen zu verbessern.

Da Maschinen über eine viel größerer Umfang der Datenverarbeitungsfähigkeit als Menschenist es ihnen möglich, Daten viel schneller zu organisieren und zu scannen, als es ein Mensch kann. Es schafft nicht nur nützlichere Software aber auch eine effektivere Software.

Dies ist super relevant für einen Personalverantwortlichen ohne einen starken technischen Hintergrund. Es ist ihre Aufgabe, zu entscheiden, ob ein Kandidat die richtigen Fähigkeiten im Bereich maschinelles Lernen hat, die für den Erfolg notwendig sind. Lassen Sie uns also ein wenig tiefer in das maschinelle Lernen eintauchen und die besten Wege finden, um einen Experten für maschinelles Lernen zu überprüfen.

Was ist maschinelles Lernen?

Maschinelles Lernen ist eine Teilmenge von KI. Das heißt, alles maschinelle Lernen zählt als KI, aber nicht jede KI zählt als maschinelles Lernen.

Algorithmen für maschinelles Lernen verwenden Statistiken, um Muster in normalerweise großen Datenmengen zu finden. Daten umfassen in diesem Fall eine breite Palette von Dingen - Zahlen, Wörter, Bilder, Klicks, alles, was von einem Computer verarbeitet werden kann. Grundsätzlich gilt: Wenn es digital gespeichert werden kann, kann es in einen maschinellen Lernalgorithmus eingespeist werden.

Maschinelles Lernen ist im Wesentlichen eine Form der "Selbstprogrammierung". Algorithmen für maschinelles Lernen bauen automatisch ein mathematisches Modell anhand von Beispieldaten auf - auch bekannt als "Trainingsdaten" um innovativ Entscheidungen zu treffen. Ein maschinelles Lernmodell ist ein Programm, das trainiert wurde, um bestimmte Arten von Mustern erkennen. Sie trainieren ein Modell über eine Reihe von Daten und stellen ihm einen Algorithmus zur Verfügung, mit dem es über diese Daten nachdenken und daraus lernen kann. Diese Entscheidungen werden getroffen, ohne dass sie von Menschenhand programmiert werden müssen, und voila, künstliche Intelligenz auf Knopfdruck.

1.1 Was ist AI?

Künstliche Intelligenz ist das Konzept von Computersystemen, die Aufgaben ausführen, die normalerweise menschliche Intelligenz erfordern, wie z. B. visuelle Wahrnehmung, Spracherkennung, Entscheidungsfindung und Übersetzung zwischen Sprachen.

Bei der künstlichen Intelligenz ahmen Maschinen kognitive Funktionen nach, die mit dem menschlichen Verstand in Verbindung gebracht werden, wie z. B. "Lernen" und "Problemlösen".

1.2. Wofür wird maschinelles Lernen eingesetzt?

Wir nutzen die Leistungsfähigkeit des maschinellen Lernens für eine Vielzahl von moderne DienstleistungenEmpfehlungssysteme wie die von Netflix, YouTube und Spotify, Suchmaschinen wie Google und Baidu, Social-Media-Feeds wie Facebook und Twitter und Sprachassistenten wie Siri und Alexa. Die Liste ist endlos.

Während Sie diese Dienste nutzen, sammelt jede Plattform so viele Daten über Sie wie möglich. Zum Beispiel, welche Genres Sie gerne sehen, welche Links Sie anklicken und auf welche Statusmeldungen Sie reagieren. Diese Daten werden dann verwendet, um Algorithmen zu erstellen, die berechnete Schlüsse über was Sie vielleicht als nächstes wollen. Dieser Prozess ist eigentlich ganz einfach: das Muster finden, das Muster anwenden. Er ist jedoch in fast allen Technologien, auf die wir heute zugreifen, allgegenwärtig.

Weitere Einsatzmöglichkeiten für maschinelles Lernen sind die Erstellung von Vorhersagen (z. B. zukünftiges Kaufverhalten von Benutzern, Kreditrisiko, Schwankungen auf dem Immobilienmarkt), die Erkennung von Anomalien (z. B. wenn ein Überweisungsbetrug begangen wird oder eine Fabrikanlage kurz vor dem Ausfall steht) oder die Generierung neuer Inhalte (z. B. Übersetzung von Text in einer Fremdsprache, Ermittlung der besten Route zu einem Ort, Steuerung eines Roboters, der automatisch Oberflächen reinigt).

1.3. Was ist die Funktion eines Ingenieurs für maschinelles Lernen?

Jemand mit Fähigkeiten im Bereich des maschinellen Lernens wird üblicherweise als Ingenieur für maschinelles Lernen bezeichnet. Die Rolle ist recht neu, obwohl der Begriff "maschinelles Lernen wurde erstmals 1959 geprägt von Arthur Samuel, einem amerikanischen Pionier auf dem Gebiet der Computerspiele und der künstlichen Intelligenz.

Ein Ingenieur für maschinelles Lernen ist in erster Linie für die Erstellung, Entwicklung und Wartung der maschinellen Lernmodelle eines Unternehmens verantwortlich.

Die Rolle umfasst die Auswahl der richtigen maschinellen Lernmethode für das Unternehmen sowie die bevorzugte Methode der Modellevaluation. Der Ingenieur ist auch für die Qualitätskontrolle und die Überwachung des Einsatzes in der Produktionsphase verantwortlich. Nach der Produktion wird der ML-Ingenieur das Modell überwachen und entsprechend der sich ändernden Marktsituation anpassen. Eine Liste seiner Aufgaben umfasst:

  • Ausführen von Experimenten zum maschinellen Lernen unter Verwendung einer Programmiersprache mit Bibliotheken zum maschinellen Lernen,
  • Einsatz von Machine Learning-Lösungen in der Produktion,
  • Optimierung der Lösungen für Leistung und Skalierbarkeit,
  • Data Engineering, d.h. Sicherstellung eines guten Datenflusses zwischen Datenbank und Backend-Systemen,
  • Implementierung von benutzerdefiniertem Code für maschinelles Lernen,
  • Datenanalyse.

1.4. Sind Positionen im Bereich des maschinellen Lernens ähnlich wie andere Jobs?

Ein Ingenieur für maschinelles Lernen ist eine spezialisierte Position, ähnlich wie ein Data Scientist - aber ein Data Scientist ist für vielfältigere Aufgaben ausgebildet.

Obwohl es Überschneidungen gibt, wechseln Data Scientists mit Software-Engineering-Hintergrund oft in die Rolle des Machine Learning Engineers. Data Scientists konzentrieren sich auf die Analyse von Daten, die Bereitstellung von Geschäftseinblicken und die Erstellung von Prototypen, während sich Ingenieure für maschinelles Lernen auf die Codierung und Bereitstellung komplexer, groß angelegter maschineller Lernprodukte konzentrieren.

Fähigkeiten im maschinellen Lernen

Was ist für einen IT-Recruiter wichtig, um über maschinelles Lernen zu wissen?

Die Implementierung von maschinellem Lernen bedeutet im Wesentlichen, dass ein System nicht mehr durch die menschliche Vision der Programmierer mehr. Jetzt ist eine Maschine in der Lage, ihre eigenen Methoden durch neue und innovative Verfahren zu erlernen, die Programmierer oder Analysten vielleicht nicht einmal in Betracht gezogen haben.

Dies ist sehr nützlich, weil es Programmierern erlaubt, Software mit einem bestimmten Ziel vor Augen zu erstellen, ohne sich auf den gesamten Prozess zu konzentrieren, wie sie dies tut.

Wege zu finden, um Computer so zu programmieren, dass sie solche riesigen Mengen an Informationen interpretieren können, ist selbst für die besten Programmierer eine Herausforderung geworden. Maschinelles Lernen ermöglicht die Erstellung von Methoden jenseits menschlicher Planung und Voraussicht.

2.1. Wie oft ändert sich das Umfeld/die Herausforderungen, mit denen Sie konfrontiert sind?

Die Landschaft des maschinellen Lernens verändert sich ständig. Die Daten werden immer größer, die Probleme immer schwieriger, also werden neue Techniken entwickelt und neue Frameworks werden folgen.

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

Viele Tools für maschinelles Lernen sind in der Sprache Python verfügbar, während R weniger verbreitet ist. Einige Deep Learning-Frameworks sind in C++ oder Java verfügbar, da dies schneller und speichereffizienter ist als Python. In Python gehören zu den beliebtesten Bibliotheken Pandas, Scikit-Learn, PyTorch und TensorFlow.

2.3. Mit welchen Fähigkeiten, Tools und Techniken des maschinellen Lernens sollte ein Ingenieur vertraut sein?

Ein erfolgreicher Ingenieur für maschinelles Lernen sollte einen großen mathematischen Verstand besitzen. Außerdem muss er ein Experte sowohl in der Programmierung als auch in der Statistik sein, wo er seine Problemlösungsfähigkeiten einsetzt, um ein tiefes Wissen über maschinelle Lernmodelle zu haben. Python ist die unbestrittene Lingua Franca des maschinellen Lernens.

2.4. Mit welchen KI-Fähigkeiten, Tools und Techniken sollte ein Ingenieur für maschinelles Lernen vertraut sein?

Ein gutes Verständnis von Programmiersprachen, vorzugsweise Python, R, Java und C++. Es wird empfohlen, ein gutes Verständnis für die Konzepte von Matrizen, Vektoren und Matrixmultiplikation zu haben. Darüber hinaus sind Kenntnisse in Ableitungen und Integralen und deren Anwendungen unerlässlich, um auch einfache Konzepte wie Gradientenabstieg zu verstehen. Ein solides Fundament und Kenntnisse in der Algorithmentheorie sind sicherlich ein Muss.

Die Erfahrung mit der Architektur neuronaler Netze ist der präziseste Weg, um vielen Problemen wie Übersetzung, Spracherkennung und Bildklassifizierung zu begegnen, die in der KI-Abteilung eine zentrale Rolle spielen.

Gute Kommunikations- und Rapid-Prototyping-Fähigkeiten sowie ein breites Domänenwissen sind für einen Machine-Learning-Ingenieur unerlässlich.

2.5. Welche Art von Erfahrung ist wichtig, um nach einem Ingenieur für maschinelles Lernen zu suchen?

Für reine Forschungsprojekte - 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 Produktionsmodellen wird Ihnen den besten Einblick geben.

Wie kann man die Fähigkeiten von Machine Learning überprüfen?

Wie verifiziert man die Fähigkeiten von Machine Learning in der Screening-Phase?

Die meisten Recruiter legen bei der Suche nach dem idealen Kandidaten den Schwerpunkt auf die Prüfung der Fähigkeiten. Letztendlich kann es ein teurer Fehler sein, jemanden einzustellen, dem es an technischen Fähigkeiten mangelt. Erfolgreiche Machine Learning-Ingenieure haben jedoch auch wertvolle Eigenschaften, die ein Skill-Test allein nicht identifizieren kann. Viele von ihnen kann man nicht aus einem Buch lernen.

Also, was sind sie und wie erkennt man sie?

Ironischerweise sind auch Firmen und Personalvermittler zunehmend auf KI setzen und auf maschinellem Lernen basierende Lösungen, um die richtigen Mitarbeiter zu finden.

3.1. Was ist beim Screening eines Lebenslaufs zu beachten?

Ingenieure für maschinelles Lernen sollten fließend mit mathematischen und statistischen Konzepten umgehen können, einschließlich linearer Algebra, multivariater Kalkulation, Varianz, Ableitungen, Integralen und Standardabweichungen usw.

Sie müssen auch die grundlegenden Konzepte der Wahrscheinlichkeitsrechnung wie die Bayes-Regel, Gaußsche Mischmodelle und die Markov-Entscheidungsprozesse kennen. Vorherige Erfahrung mit Bibliotheken für maschinelles Lernen ist ein Muss.

Der Kandidat sollte einen Informatik-/Software-Engineering-Hintergrund haben und mindestens eine Programmiersprache fließend beherrschen und über ausreichend Programmiererfahrung verfügen, so Tsisana Caryn, HR-Spezialistin von Assignment Writing Services. Es ist wichtig, ein tiefes Verständnis von Informatikkonzepten wie Datenstrukturen, Computerarchitekturen, Algorithmen, Berechenbarkeit und Komplexität zu haben.

Achten Sie darauf, ob der Kandidat über einen guten Geschäftssinn und ein umfassendes Verständnis der geschäftlichen Grundlagen und Prinzipien verfügt. Wenn der Kandidat in der Lage ist, seine Leistungen innerhalb einer Organisation quantitativ aufzulisten, ist dies ein großer Vorteil.

3.2. Welche Glossarbegriffe sind beim maschinellen Lernen wichtig zu wissen (einschließlich Frameworks, Bibliotheken und Sprachversionen)?

  • 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.
  • Neuronales Netzwerk - eine Art des maschinellen Lernens, das von der Funktionsweise des menschlichen Gehirns inspiriert ist. Es ist ein Computersystem, das aus miteinander verbundenen Einheiten (wie Neuronen) besteht, die Informationen verarbeiten, indem sie auf externe Eingaben reagieren und Informationen zwischen den einzelnen Einheiten weitergeben. Der Prozess erfordert mehrere Durchläufe der Daten, um Verbindungen zu finden und eine Bedeutung aus undefinierten Daten abzuleiten.
  • Tiefes Lernen - Lösen von Aufgaben mithilfe neuronaler Netze (wie das Nachahmen des Gehirns). Einige Arten von neuronalen Netzwerken sind z. B. neuronale Faltungsnetzwerke und rekurrente neuronale Netzwerke. Deep Learning findet Anwendung bei der Erkennung von Objekten, der Spracherkennung, der Übersetzung von Sprachen und der Entscheidungsfindung. Deep Learning-KI ist in der Lage, ohne menschliche Aufsicht zu lernen, indem sie aus unstrukturierten und nicht beschrifteten Daten schöpft.
Bibliotheken zur DatenmanipulationIn Python: NumPy, pandas In R: dyplr, tidyr
Bibliotheken zur verteilten DatenmanipulationIn Python: Dask in Scala, Java und Python: Spark
Allgemeine Bibliotheken für maschinelles LernenIn Python: scikit-learn In Python, R, Java, Scala, C++: H2O.ai In R: caret, e1071
Bibliotheken für tiefes LernenIn 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 von Machine-Learning-Fähigkeiten?

Es wird viel darüber geredet, dass Zertifikate für Recruiter nicht von großer Bedeutung sind. Im Gegenteil, die Zertifizierung beweist, dass Sie das Thema auf einem hohen Niveau kennen und zeigt auch, dass Sie motiviert sind, weiter zu lernen. Außerdem können Ingenieure die Projektarbeit zu ihrem Portfolio hinzufügen. Einige angesehene Kurse sind:

  • Machine Learning-Zertifizierung der Stanford University (Coursera)
  • Künstliche Intelligenz (Northwestern | Kellogg School of Management)
  • Maschinelles Lernen mit TensorFlow auf der Google Cloud Platform
  • Künstliche Intelligenz: Business-Strategien & Anwendungen (Berkeley ExecEd)
  • Deep Learning Zertifizierung von DeepLearning.ai - Andrew Ng (Coursera)
  • Machine Learning Data Science Zertifizierung von der Harvard University (edX)
  • Maschinelles Lernen - Data Science Zertifizierung von IBM (Coursera)
  • Professional Certificate Program in Machine Learning & Artificial Intelligence (MIT Professional Education)
  • Zertifizierung für maschinelles Lernen (University of Washington)

3.4. Welche anderen Zeilen in einem Lebenslauf können Fähigkeiten im maschinellen Lernen zeigen?

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.

Das Durchstöbern der LinkedIn- und GitHub-Konten eines Kandidaten kann nützlich sein, um den Umriss eines Kandidaten zu beurteilen und seine Fähigkeiten bei Open-Source-Projekten zu sehen.

Technisches Screening von Machine-Learning-Fähigkeiten während eines technischen Interviews per Telefon/Video

Wer sich für Jobs im Bereich Machine Learning bewirbt, kann Folgendes erwarten eine Reihe von verschiedenen Typen von Fragen während eines Vorstellungsgesprächs, sagt Colin Shaw, Director of Machine Learning bei RevUnit.

"Gute Machine-Learning-Ingenieure haben eine Mischung aus einer Vielzahl von Fähigkeiten und wissen auch, wie man dieses Wissen in Code fusioniert, der in die Produktion übernommen werden kann. Zu den allgemeinen Interessensgebieten, nach denen wir suchen, gehören Mathematik und Statistik, maschinelles Lernen und Data Science, Deep Learning, Allgemeinwissen und Problemlösung sowie Informatik und Programmierung."

4.1. Fragen, die Sie zu einem MLE stellen sollten erleben. Warum sollten Sie jede dieser Fragen stellen?

  1. Können Sie beschreiben, welche Art von Machine-Learning-Problemen Sie gelöst haben?
    Dies ist eine Aufwärm- und Einführungsfrage, zeigt aber auch das Ausmaß der Kenntnisse des Bewerbers auf dem Gebiet. Da es eine Vielzahl unterschiedlicher Probleme gibt, ist es am besten, Personen zu finden, die bereits Erfahrungen mit den Themen haben, für die Sie rekrutieren.
  2. Welche Art von maschinellen Lernmodellen haben Sie in der Vergangenheit verwendet?
    Ziel ist es, den Umfang der Kenntnisse des Ingenieurs in bestimmten ML-Techniken herauszufinden. Es gibt einen wesentlichen Unterschied zwischen klassischen ML-Algorithmen und Deep-Learning-Algorithmen, so dass die Kenntnis des einen nicht gleichbedeutend mit der Kenntnis des anderen ist.
  3. Was ist das interessanteste Projekt, an dem Sie je gearbeitet haben?
    Dies ist eine gute Frage, weil sie den Kandidaten die Möglichkeit gibt, über etwas zu sprechen, das sie leidenschaftlich interessiert, und ihr Wissen über etwas, das sie sehr gut kennen, zu zeigen. Außerdem hilft sie nervösen Kandidaten, sich wohler zu fühlen und zeigt ihre besten Qualitäten.
  4. Wie lange dauerte das Projekt? Haben Sie es in die Produktion übernommen und/oder das Modell weiterentwickelt?
    Entwickelt, um zu prüfen, ob der Ingenieur bereits Erfahrung mit der Produktion von Modellen für maschinelles Lernen hat, was eine spezifische Teilmenge von Herausforderungen mit sich bringt, die sonst unbekannt wären.

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

  • Wie würden Sie überprüfen, ob ein Modell richtig funktioniert?
    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 mithilfe des Validierungssatzes eingestellt und die Effizienz des Modells wird mit dem Testsatz getestet.
  • Was sind die Unterschiede zwischen klassischen ML-Modellen und Deep-Learning-Modellen?
    Deep Learning-Modelle verwenden immer neuronale Netze und benötigen nicht so viel Feature Engineering wie klassische Modelle. Allerdings benötigen sie in der Regel größere Trainingssätze zum Erlernen von Mustern als klassische Modelle.
  • Welche ML-Bibliothek(en) würden Sie für einen aus Bildern bestehenden Datensatz verwenden?
    Derzeit ist der beste Ansatz für Bilddaten entweder OpenCV - eine Bibliothek, die umfangreiche Bildmanipulationen ermöglicht. Sowie jede Art von Deep-Learning-Bibliotheken wie: Keras, Tensorflow, pyTorch, Caffe.

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

  • Welche Art von Problemen möchten Sie in Zukunft lösen? Welche Arten von ML-Modellen würden Sie gerne verwenden?Eine Frage, um die Vorliebe des Kandidaten für Modelle/Probleme zu überprüfen, oder um zu sehen, ob er eine Spezialisierung hat und in welchem Bereich er am besten arbeiten könnte. Diese Frage kann auch Aufschluss darüber geben, wie ein Kandidat plant, sich im Bereich des maschinellen Lernens zu entwickeln.
  • Wo finden Sie Informationen über neue Techniken des maschinellen Lernens?
    Diese Frage wird gestellt, um herauszufinden, wie involviert oder uninvolviert ein Kandidat in der Technologie-Community und beim Erlernen neuer Fähigkeiten in einem sich ständig weiterentwickelnden Bereich ist. Jede dieser Quellen ist würdig: Konferenzbeiträge, Workshop-Beiträge, MOOCs, Facebook- oder Mail-Gruppen mit dem Thema maschinelles Lernen oder sogar das Lernen von einem Mentor.
  • Was betrachten Sie als Ihren größten Erfolg und größten Misserfolg im Bereich des maschinellen Lernens?
    Eine ziemlich generische Frage, aber sie zeigt die Selbstreflexionsfähigkeiten des Kandidaten. Dies ist für den Lernprozess notwendig, der ein wichtiger Teil davon ist, ein großartiger Ingenieur für maschinelles Lernen zu sein.
Codierungstests für maschinelles Lernen

5. Technisches Screening der Fähigkeiten eines MLEs mit Hilfe eines Online-Codiertests

Die Einstellung eines guten Ingenieurs für maschinelles Lernen bleibt eine schwierige Aufgabe für Recruiter - nicht nur wegen der Knappheit an ML-Talenten, sondern auch wegen des Mangels an einschlägiger Erfahrung unter Recruiting-Spezialisten. Maschinelles Lernen bleibt für die meisten Recruiter ein neues und undurchsichtiges Feld. Wir zeigen Ihnen, wie Sie am besten nach einem Ingenieur für maschinelles Lernen suchen!

5.1. Welchen Online-Test für Machine-Learning-Fähigkeiten sollten Sie wählen?

Bei der Suche nach dem richtigen Machine Learning-Fähigkeitstest 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 einsatzbereite Online-Tests für maschinelles Lernen

DevSkiller-Codierungstests verwenden unsere RealLifeTesting™-Methodik, um die tatsächliche Codierungsumgebung widerzuspiegeln, in der Ihr Kandidat arbeitet. Anstatt obskure akademische Algorithmen zu verwenden, verlangen DevSkiller-Tests von den Kandidaten, Anwendungen oder Funktionen zu erstellen. Sie werden völlig automatisch benotet und können überall auf der Welt abgelegt werden. Gleichzeitig hat der Kandidat Zugang zu allen 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
104 Minuten max.
Auswertung
Automatisch
Test-Übersicht

Auswahlfragen

Beurteilung des Wissens über Keras, Maschinelles Lernen, Python

Programmieraufgabe - Stufe: Medium:

Python | NLP, Keras | Sentiment-Analyse von Kundenrezensionen - Führen Sie eine Sentiment-Analyse und Tagging von Film- und Fluglinien-Kundenrezensionen durch, indem Sie ein neuronales Netzwerkmodell mit mehreren Ausgängen verwenden.

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

Auswahlfragen

Beurteilung des Wissens über Maschinelles Lernen, Reinforcement-Lernen

Programmieraufgabe - Stufe: Medium:

Python | PyTorch | Reinforcement Learning | Deep Q-Network - Vervollständigen Sie die Implementierung des DQN-Algorithmus.

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

Auswahlfragen

Beurteilung des Wissens über Maschinelles Lernen, PyTorch

Programmieraufgabe - Stufe: Einfach

Python | PyTorch, Computer Vision | Model Builder - Vervollständigen Sie die Implementierung einer Modell-Trainings-Pipeline.

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.

Python
MIDDLE
Geprüfte Fähigkeiten
Dauer
80 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
MIDDLE
Geprüfte Fähigkeiten
Dauer
80 Minuten max.
Auswertung
Automatisch
Test-Übersicht

Auswahlfragen

Beurteilung des Wissens über Maschinelles Lernen, Python

Programmieraufgabe - Stufe: Medium:

Python-Datenextraktion, Verarbeitung - Vervollständigen und aktualisieren Sie den Code für das Programm, das PDF-Dateien extrahiert, verarbeitet und in ein bestimmtes Format zur Anzeige/Ausgabe konvertiert.

Android
MIDDLE
Geprüfte Fähigkeiten
Dauer
102 Minuten max.
Auswertung
Automatisch
Test-Übersicht

Auswahlfragen

Beurteilung des Wissens über Maschinelles Lernen, Android

Programmieraufgabe - Stufe: Medium:

Android | Anmeldung in sozialen Netzwerken - Implementieren Sie fehlende Abschnitte von LoginActivity und MainActivity, LoginManager und CredentialsStorage.

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