Cómo filtrar las habilidades de aprendizaje automático

Publicado: Última actualización:
Habilidades de aprendizaje automático de pantalla

¿Necesita contratar a alguien con conocimientos de aprendizaje automático? ¿No está seguro de lo que es realmente?

El aprendizaje automático es el proceso de capacitar a los ordenadores para que realicen tareas que, hasta hace poco, han sido llevadas a cabo exclusivamente por humanos.

Antes de la época del aprendizaje automático funcional, los programas y los sistemas informáticos sólo conocían la información que les decía un programador. El resultado es un sistema de software incapaz de innovar y que debe recibir órdenes para funcionar.

El aprendizaje automático permite a las organizaciones transformar grandes conjuntos de datos en conocimiento estadístico e inteligencia procesable. Este valioso conocimiento puede integrarse en los procesos empresariales y las actividades operativas cotidianas para responder a las cambiantes demandas del mercado o a las circunstancias empresariales. Además de automatizar tareas repetitivas, las empresas de todo el mundo utilizan el aprendizaje automático para ayudar a mejorar las operaciones y la escalabilidad de sus negocios.

Como las máquinas poseen un una capacidad de procesamiento de datos mucho más amplia que la de los humanos, les es posible organizar y escanear los datos mucho más rápidamente de lo que puede hacerlo cualquier persona. No sólo crea un software más útil pero también un software más eficaz.

Esto es súper relevante para un gerente de contratación sin una fuerte formación técnica. Es su papel decidir si un candidato tiene las habilidades de aprendizaje automático necesarias para tener éxito. Así que vamos a profundizar un poco más en el aprendizaje automático y en las mejores formas de seleccionar a un experto en aprendizaje automático.

¿Qué es el aprendizaje automático?

El aprendizaje automático es un subconjunto de la IA. Es decir, todo el aprendizaje automático cuenta como IA, pero no toda la IA cuenta como aprendizaje automático.

Los algoritmos de aprendizaje automático utilizan la estadística para encontrar patrones en cantidades generalmente grandes de datos. Los datos, en este caso, abarcan una amplia gama de cosas: números, palabras, imágenes, clics, cualquier cosa que pueda ser procesada por un ordenador. Básicamente, si puede almacenarse digitalmente, puede introducirse en un algoritmo de aprendizaje automático.

El aprendizaje automático es esencialmente una forma de "autoprogramación". Los algoritmos de aprendizaje automático construyen automáticamente un modelo matemático a partir de datos de muestra. también conocidos como "datos de entrenamiento" para tomar decisiones de forma innovadora. Un modelo de aprendizaje automático es un programa que ha sido entrenado para reconocer ciertos tipos de patrones. Se entrena un modelo sobre un conjunto de datos, proporcionándole un algoritmo que puede utilizar para razonar y aprender de esos datos. Estas decisiones se toman sin necesidad de ser programadas por un humano, y voilá Inteligencia Artificial al alcance de la mano.

1.1 ¿Qué es la IA?

La inteligencia artificial es el concepto de sistemas informáticos que realizan tareas que normalmente requieren inteligencia humana, como la percepción visual, el reconocimiento del habla, la toma de decisiones y la traducción entre idiomas.

En la inteligencia artificial, las máquinas imitan funciones cognitivas asociadas a la mente humana, como el "aprendizaje" y la "resolución de problemas".

1.2. ¿Para qué se utiliza el aprendizaje automático?

Utilizamos el poder del aprendizaje automático para una variedad de servicios modernosLos sistemas de recomendación, como los de Netflix, YouTube y Spotify; los motores de búsqueda, como Google y Baidu; las redes sociales, como Facebook y Twitter, y los asistentes de voz, como Siri y Alexa. La lista es interminable.

Al utilizar estos servicios, cada plataforma recopila todos los datos posibles sobre usted. Por ejemplo, qué géneros te gusta ver, en qué enlaces haces clic y a qué estados reaccionas. Estos datos se utilizan para crear algoritmos que hacen inferencias calculadas sobre lo que podría querer a continuación. Este proceso es en realidad bastante básico: encontrar el patrón, aplicar el patrón. Sin embargo, es omnipresente en casi toda la tecnología a la que accedemos hoy en día.

Otros usos del aprendizaje automático son la realización de predicciones (por ejemplo, el comportamiento de compra de un usuario en el futuro, el riesgo crediticio o las fluctuaciones del mercado inmobiliario), la detección de anomalías (por ejemplo, cuando se comete un fraude electrónico o el equipo de una fábrica está a punto de fallar) o la generación de nuevos contenidos (por ejemplo, traducir un texto en un idioma extranjero, encontrar la mejor ruta para llegar a un lugar, guiar a un robot que limpia automáticamente las superficies).

1.3. Cuál es la función de un ingeniero de aprendizaje automático?

Una persona con conocimientos de aprendizaje automático suele denominarse ingeniero de aprendizaje automático. La función es bastante nueva, aunque el término "aprendizaje automático se acuñó por primera vez en 1959 de Arthur Samuel, pionero estadounidense en el campo de los juegos de ordenador y la inteligencia artificial.

Un ingeniero de aprendizaje automático es el principal responsable de crear, desarrollar y mantener los modelos de aprendizaje automático de una empresa.

El papel abarca la selección del método de aprendizaje automático adecuado para la empresa, así como el método preferido de evaluación del modelo. El ingeniero también es responsable del control de calidad y de supervisar el despliegue hasta la fase de producción. Después de la producción, el ingeniero de ML supervisará y ajustará el modelo de acuerdo con la situación cambiante del mercado. Una lista de sus responsabilidades incluye:

  • Ejecución de experimentos de aprendizaje automático mediante un lenguaje de programación con bibliotecas de aprendizaje automático,
  • Despliegue de soluciones de aprendizaje automático en producción,
  • Optimización de soluciones para el rendimiento y la escalabilidad,
  • Ingeniería de datos, es decir, garantizar un buen flujo de datos entre la base de datos y los sistemas backend,
  • Implementación de código de aprendizaje automático personalizado,
  • Análisis de datos.

1.4. ¿Los puestos de trabajo en el ámbito del aprendizaje automático son similares a otros puestos de trabajo?

El papel de un ingeniero de aprendizaje automático es un puesto especializado, similar al de un científico de datos, pero un científico de datos está capacitado para realizar tareas más variadas.

Aunque existe un solapamiento, los científicos de datos con formación en ingeniería de software suelen pasar a desempeñar funciones de ingenieros de aprendizaje automático. Los científicos de datos se centran en el análisis de datos, en proporcionar información empresarial y en crear prototipos de modelos, mientras que los ingenieros de aprendizaje automático se centran en la codificación y el despliegue de productos de aprendizaje automático complejos y a gran escala.

Conocimientos de aprendizaje automático

¿Qué es importante que un reclutador de TI sepa sobre el aprendizaje automático?

La aplicación del aprendizaje automático significa esencialmente que un sistema ya no está limitado por la visión humana de los programadores más. Ahora, una máquina es capaz de aprender sus propios métodos a través de nuevos e innovadores procesos que los programadores o analistas puede que ni siquiera haya considerado.

Esto es muy útil porque permite a los programadores crear software con un objetivo específico en mente, sin tener que centrarse en todo el proceso de cómo lo hace.

Encontrar formas de programar ordenadores para que interpreten cantidades tan grandes de información se ha convertido en un reto incluso para los mejores programadores. El aprendizaje automático permite crear metodologías más allá de la planificación y la previsión humanas.

2.1. ¿Con qué frecuencia cambia el entorno/los retos a los que se enfrenta?

El panorama del aprendizaje automático cambia constantemente. Los datos son cada vez más grandes y los problemas cada vez más difíciles, por lo que se desarrollan nuevas técnicas y se crean nuevos marcos de trabajo.

2.2. ¿Hay muchos recursos/herramientas/tecnologías (bibliotecas, marcos, etc.) disponibles para el aprendizaje automático?

Muchas herramientas para el aprendizaje automático están disponibles en el lenguaje Python, mientras que R es menos común. Algunos marcos de aprendizaje profundo están disponibles en C++ o Java, porque es más rápido y más eficiente en cuanto a memoria que Python. En Python, las bibliotecas más populares son pandas, scikit-learn, PyTorch y TensorFlow.

2.3. ¿Qué habilidades, herramientas y técnicas de aprendizaje automático debe conocer un ingeniero?

Un ingeniero de aprendizaje automático de éxito debe poseer una gran mente matemática. Además, debe ser un experto tanto en programación como en estadística, donde utiliza sus habilidades de resolución de problemas para tener un profundo conocimiento de los modelos de aprendizaje automático. Python es la lingua franca indiscutible del aprendizaje automático.

2.4. Con qué habilidades, herramientas y técnicas de IA debería estar familiarizado un ingeniero de aprendizaje automático?

Un buen conocimiento de los lenguajes de programación, preferiblemente Python, R, Java y C++. Se recomienda tener una buena comprensión de los conceptos de Matrices, Vectores y Multiplicación de Matrices. Además, los conocimientos en Derivadas e Integrales y sus aplicaciones son esenciales incluso para entender conceptos sencillos como el descenso de gradiente. Una base sólida y conocimientos de teoría de algoritmos son sin duda imprescindibles.

Tener experiencia con la arquitectura de redes neuronales es la forma más precisa de contrarrestar muchos problemas como la traducción, el reconocimiento del habla y la clasificación de imágenes, que desempeñan un papel fundamental en el departamento de IA.

Para un ingeniero de aprendizaje automático es esencial contar con buenas habilidades de comunicación y de creación rápida de prototipos, así como poseer un amplio conocimiento del dominio.

2.5. Qué tipo de experiencia es importante buscar en un ingeniero de aprendizaje automático?

En el caso de los proyectos exclusivamente de investigación, la experiencia académica o científica será la más importante y completa. Pero en lo que se refiere a la creación de modelos de producción, la experiencia previa en el trabajo con otros modelos de producción te dará la mejor visión.

¿Cómo se verifican los conocimientos de aprendizaje automático?

¿Cómo verificar las habilidades de aprendizaje automático en la fase de selección?

La mayoría de los reclutadores dan prioridad a las pruebas de aptitudes cuando buscan al candidato ideal. En última instancia, contratar a alguien que carece de habilidades técnicas puede ser un error costoso. Sin embargo, los ingenieros de aprendizaje automático de éxito también tienen rasgos valiosos que una prueba de habilidades por sí sola no puede identificar. Muchas de ellas no se pueden aprender en un libro.

Entonces, ¿qué son y cómo se identifican?

También es bastante irónico que las empresas y los reclutadores estén cada vez más a la IA y soluciones basadas en el aprendizaje automático para encontrar la contratación adecuada.

3.1. ¿Qué hay que tener en cuenta a la hora de seleccionar un CV?

Los ingenieros de aprendizaje automático deben dominar conceptos matemáticos y estadísticos como el álgebra lineal, el cálculo multivariante, la varianza, las derivadas, las integrales y las desviaciones estándar, etc.

También deben conocer los conceptos básicos de probabilidad como la regla de Bayes, los modelos de mezcla gaussiana y los procesos de decisión de Markov. La experiencia previa con bibliotecas de aprendizaje automático es imprescindible.

El candidato debe tener formación en informática/ingeniería de software y dominar al menos un lenguaje de programación con suficiente experiencia en codificación afirma Tsisana Caryn, especialista en RRHH de Servicios de redacción de trabajos. Es fundamental conocer a fondo conceptos de informática como las estructuras de datos, las arquitecturas informáticas, los algoritmos, la computabilidad y las complejidades.

Asegúrese de comprobar si el candidato tiene una visión empresarial decente y una comprensión completa de los fundamentos y principios empresariales. Que el candidato sea capaz de enumerar cuantitativamente sus logros dentro de una organización será una gran ventaja.

3.2. ¿Qué términos del glosario es importante conocer en el aprendizaje automático (incluidos los marcos, las bibliotecas y las versiones del lenguaje)?

  • Aprendizaje automático clásico - resolución de tareas mediante modelos como la regresión lineal o logística, los árboles de decisión, los bosques aleatorios, el boosting, las máquinas de vectores de apoyo, la factorización de matrices no negativas, K-means, k-nearest neighbors.
  • Red neuronal - un tipo de aprendizaje automático inspirado en el funcionamiento del cerebro humano. Se trata de un sistema informático formado por unidades interconectadas (como las neuronas) que procesa la información respondiendo a entradas externas, transmitiendo información entre cada unidad. El proceso requiere múltiples pasadas a los datos para encontrar conexiones y derivar el significado de los datos indefinidos.
  • Aprendizaje profundo - resolver tareas mediante redes neuronales (como la imitación del cerebro). Algunos tipos de redes neuronales son las redes neuronales convolucionales y las redes neuronales recurrentes. El aprendizaje profundo se utiliza para detectar objetos, reconocer el habla, traducir idiomas y tomar decisiones. La IA de aprendizaje profundo es capaz de aprender sin supervisión humana, a partir de datos no estructurados y no etiquetados.
Bibliotecas de manipulación de datosEn Python: NumPy, pandas En R: dyplr, tidyr
Bibliotecas de manipulación de datos distribuidosEn Python: Dask en Scala, Java y Python: Spark
Bibliotecas generales de aprendizaje automáticoEn Python: scikit-learn En Python, R, Java, Scala, C++: H2O.ai En R: caret, e1071
Bibliotecas de aprendizaje profundoEn Python: Keras, Tensorflow, PyTorch En R: Nnet En C++: Caffe

3.3. ¿Qué certificaciones están disponibles y son respetadas? ¿Qué utilidad tienen para determinar las habilidades de aprendizaje automático?

Se dice mucho que los certificados no tienen mucha importancia para los reclutadores. Por el contrario, la certificación sí demuestra que conoces la materia a un alto nivel y también indica que estás motivado para seguir aprendiendo. Además, los ingenieros pueden añadir el trabajo del proyecto a su cartera. Algunos cursos respetados son:

  • Certificación de aprendizaje automático por la Universidad de Stanford (Coursera)
  • Inteligencia artificial (Northwestern | Kellogg School of Management)
  • Aprendizaje automático con TensorFlow en Google Cloud Platform
  • Inteligencia Artificial: Estrategias y aplicaciones empresariales (Berkeley ExecEd)
  • Certificación de aprendizaje profundo por DeepLearning.ai - Andrew Ng (Coursera)
  • Certificación en ciencia de datos de aprendizaje automático de la Universidad de Harvard (edX)
  • Aprendizaje automático - Certificación en ciencia de datos de IBM (Coursera)
  • Programa de Certificado Profesional en Aprendizaje Automático e Inteligencia Artificial (MIT Professional Education)
  • Certificación de aprendizaje automático (Universidad de Washington)

3.4. ¿Qué otras líneas de un CV pueden mostrar las habilidades de aprendizaje automático?

Participar en competiciones de aprendizaje automático también puede ser una gran ventaja. Plataformas como Kaggle.com, topcoder.com, crowdai.org y knowledgepit.ml ofrecen la posibilidad de competir por premios en este ámbito.

Explorar las cuentas de LinkedIn y GitHub de un candidato puede ser útil para calibrar su perfil, así como para ver su competencia en proyectos de código abierto.

Examen técnico de los conocimientos de aprendizaje automático durante una entrevista técnica telefónica/vídeo

Los candidatos a puestos de trabajo de aprendizaje automático pueden esperar un número de diferentes tipos de preguntas durante una entrevista, dice Colin Shaw, director de aprendizaje automático en RevUnit.

"Los buenos ingenieros de aprendizaje automático tienen una mezcla de una variedad de habilidades y también saben cómo fusionar este conocimiento en un código que se puede llevar a la producción. Las áreas generales de interés que buscamos incluyen las matemáticas y la estadística, el aprendizaje automático y la ciencia de los datos, el aprendizaje profundo, los conocimientos generales y la resolución de problemas, y la informática y la programación."

4.1. Preguntas que debe hacer sobre la MLE experiencia. ¿Por qué hay que hacer cada una de esas preguntas?

  1. ¿Puede describir el tipo de problemas de aprendizaje automático que ha resuelto?
    Se trata de una pregunta introductoria de calentamiento, pero también muestra el grado de conocimiento del candidato en el campo. Como los problemas son muy variados, lo mejor es encontrar personas que hayan tenido experiencia en los temas para los que se está contratando.
  2. ¿Qué tipo de modelos de aprendizaje automático ha utilizado en el pasado?
    Tiene como objetivo averiguar el grado de conocimiento del ingeniero en técnicas específicas de ML. Hay una diferencia sustancial entre los algoritmos clásicos de ML y los de aprendizaje profundo, por lo que el conocimiento de uno no implica el conocimiento del otro.
  3. ¿Cuál es el proyecto más interesante en el que ha trabajado?
    Esta es una buena pregunta porque da a los candidatos la oportunidad de hablar de algo que les apasiona y mostrar sus conocimientos sobre algo que conocen muy bien. Además, ayuda a los candidatos nerviosos a sentirse más cómodos y a mostrar sus mejores cualidades.
  4. ¿Cuánto tiempo duró el proyecto? ¿Lo ha llevado a la producción y/o ha desarrollado más el modelo?
    Diseñado para comprobar si el ingeniero tiene experiencia previa en la producción de modelos de aprendizaje automático, que tiene un subconjunto específico de desafíos que de otro modo serían desconocidos.

4.2. Preguntas que debe hacer sobre la MLE conocimientos y opiniones. ¿Por qué hay que hacer cada una de esas preguntas?

  • ¿Cómo se comprueba que un modelo funciona correctamente?
    La metodología ideal es dividir el conjunto de datos en secciones: conjunto de entrenamiento, conjunto de validación y conjunto de prueba. El conjunto de entrenamiento es el único disponible para el modelo y es la base del proceso de entrenamiento. Los parámetros del modelo se establecen utilizando el conjunto de validación y la eficacia del modelo se comprueba en el conjunto de prueba.
  • ¿Cuáles son las diferencias entre los modelos clásicos de ML y los modelos de aprendizaje profundo?
    Los modelos de aprendizaje profundo siempre utilizan redes neuronales y no requieren tanta ingeniería de características como los modelos clásicos. Sin embargo, suelen requerir conjuntos de entrenamiento más grandes para aprender patrones que los modelos clásicos.
  • ¿Qué biblioteca/bibliotecas de ML utilizaría para un conjunto de datos formado por imágenes?
    Actualmente, el mejor enfoque para los datos de imágenes es utilizar ya sea OpenCV - una biblioteca que permite una amplia manipulación de imágenes. Así como cualquier tipo de bibliotecas de aprendizaje profundo como: Keras, Tensorflow, pyTorch, Caffe.

4.3. Comportamiento preguntas que debe hacer a un MLE. ¿Por qué debería hacer cada una de esas preguntas?

  • ¿Qué tipo de problemas le gustaría resolver en el futuro? ¿Qué tipo de modelos de ML le gustaría utilizar?Una pregunta para comprobar la preferencia del candidato por los modelos/problemas, o para ver si tiene una especialización y en qué área podría desempeñarse mejor. Esta pregunta también puede ayudar a concluir cómo un candidato planea desarrollarse en el campo del aprendizaje automático.
  • ¿Dónde encuentra información sobre las nuevas técnicas de aprendizaje automático?
    Esta pregunta se hace para averiguar lo involucrado o no que está un candidato en la comunidad tecnológica, y en el aprendizaje de nuevas habilidades en un campo en constante evolución. Cualquiera de estas fuentes es válida: ponencias de conferencias, documentos de talleres, MOOCs, grupos de Facebook o de correo con un tema de aprendizaje automático, o incluso aprender de un mentor.
  • ¿Cuál considera que es su mayor éxito y su mayor fracaso en el campo del aprendizaje automático?
    Una pregunta bastante genérica, pero que muestra la capacidad de autorreflexión del candidato. Esto es necesario en el proceso de aprendizaje, que es una parte importante para ser un gran ingeniero de aprendizaje automático.
Pruebas de codificación de aprendizaje automático

5. Examen técnico de las aptitudes de un MLE mediante una prueba de codificación en línea

Contratar a un buen ingeniero de aprendizaje automático sigue siendo una tarea difícil para los reclutadores, no sólo por la escasez de talento en ML sino también por la falta de experiencia relevante entre los especialistas en reclutamiento. El aprendizaje automático sigue siendo un campo nuevo y oscuro para la mayoría de los reclutadores. Vamos a mostrarle la mejor manera de seleccionar a un ingeniero de aprendizaje automático.

5.1. Qué prueba en línea para las habilidades de aprendizaje automático debe elegir?

Cuando se busca el derecho prueba de conocimientos de aprendizaje automático debes asegurarte de que se ajusta a los siguientes criterios:

  • La prueba refleja la calidad del trabajo profesional que se realiza
  • La duración no es demasiado larga, de una a dos horas como máximo
  • La prueba puede enviarse automáticamente y es de naturaleza sencilla
  • El nivel de dificultad se ajusta a las capacidades del candidato
  • La prueba va más allá de comprobar si la solución funciona: comprueba la calidad del código y lo bien que funciona en los casos límite
  • Es lo más parecido al entorno natural de programación y permite al candidato acceder a los recursos pertinentes
  • Proporciona al candidato la oportunidad de utilizar todas las bibliotecas, marcos de trabajo y otras herramientas con las que se encuentra habitualmente

5.2. Pruebas de habilidades de aprendizaje automático en línea DevSkiller listas para usar

Las pruebas de codificación de DevSkiller utilizan nuestra metodología RealLifeTesting™ para reflejar el entorno de codificación real en el que trabaja su candidato. En lugar de utilizar oscuros algoritmos académicos, las pruebas DevSkiller requieren que los candidatos construyan aplicaciones o funciones. Se califican de forma totalmente automática y pueden realizarse en cualquier parte del mundo. Al mismo tiempo, el candidato tiene acceso a todos los recursos que usaría normalmente, incluyendo bibliotecas, frameworks, StackOverflow e incluso Google.

Las empresas utilizan DevSkiller para poner a prueba a los candidatos utilizando su propia base de código desde cualquier parte del mundo. Para facilitar las cosas, DevSkiller también ofrece una serie de pruebas de habilidades de ciencia de datos preelaboradas como las que se muestran aquí:

Python
MIDDLE
Habilidades probadas
Duración
104 minutos como máximo.
Evaluación
Automático
Resumen de la prueba

Preguntas de elección

evaluando el conocimiento de Keras, Aprendizaje automático, Python

Tarea de programación - Nivel: Medio

Python | NLP, Keras | Análisis de sentimiento de las reseñas de los clientes - Realizar un análisis de sentimiento y etiquetado de las reseñas de los clientes de películas y aerolíneas, utilizando un modelo de red neuronal de múltiples salidas.

Python
MIDDLE
Habilidades probadas
Duración
72 minutos como máximo.
Evaluación
Automático
Resumen de la prueba

Preguntas de elección

evaluando el conocimiento de Aprendizaje automático, Aprendizaje por refuerzo

Tarea de programación - Nivel: Medio

Python | PyTorch | Aprendizaje por refuerzo | Redes Q profundas - Completa la implementación del algoritmo DQN.

Python
JUNIOR
Habilidades probadas
Duración
63 minutos como máximo.
Evaluación
Automático
Resumen de la prueba

Preguntas de elección

evaluando el conocimiento de Aprendizaje automático, PyTorch

Tarea de programación - Nivel: Fácil

Python | PyTorch, Computer Vision | Model Builder - Completa la implementación de un modelo de entrenamiento.

Python
MIDDLE
Habilidades probadas
Duración
70 minutos como máximo.
Evaluación
Automático
Resumen de la prueba

Preguntas de elección

evaluando el conocimiento de Aprendizaje automático, Python

Tarea de programación - Nivel: Medio

Python | Analizador de ADN | Crear y limpiar cadenas de ADN - Implementar 2 métodos en Python que crean y limpian cadenas de ADN.

Python
JUNIOR
Habilidades probadas
Duración
49 minutos como máximo.
Evaluación
Automático
Resumen de la prueba

Preguntas de elección

evaluando el conocimiento de Aprendizaje automático

Tarea de programación - Nivel: Fácil

Python | Analizador de ADN - Implementar un método en Python que genere un informe estadístico de ADN.

Python
MIDDLE
Habilidades probadas
Duración
80 minutos como máximo.
Evaluación
Automático
Resumen de la prueba

Preguntas de elección

evaluando el conocimiento de Aprendizaje automático, Python

Tarea de programación - Nivel: Medio

Python | Analizador de ADN | Crear y limpiar cadenas de ADN - Implementar 2 métodos en Python que crean y limpian cadenas de ADN.

Python
MIDDLE
Habilidades probadas
Duración
80 minutos como máximo.
Evaluación
Automático
Resumen de la prueba

Preguntas de elección

evaluando el conocimiento de Aprendizaje automático, Python

Tarea de programación - Nivel: Medio

Extracción de datos de python, procesamiento - Completar y actualizar el código del programa que extrae los archivos PDF de procesos y los convierte a un formato específico para su visualización/salida.

Android
MIDDLE
Habilidades probadas
Duración
102 minutos como máximo.
Evaluación
Automático
Resumen de la prueba

Preguntas de elección

evaluando el conocimiento de Aprendizaje automático, Android

Tarea de programación - Nivel: Medio

Android | Inicio de sesión en la red social - Implementa las secciones faltantes de LoginActivity y MainActivity, LoginManager y CredentialsStorage.

Compartir correo

Más información sobre la contratación de tecnología

Suscríbase a nuestro Learning Hub para recibir información útil directamente en su bandeja de entrada.

Verificar y desarrollar las habilidades de codificación sin problemas.

Vea los productos DevSkiller en acción.

Certificaciones de seguridad y cumplimiento. Nos aseguramos de que sus datos estén seguros y protegidos.

El logo de DevSkiller Logotipo de TalentBoost Logotipo de TalentScore