Logo DevSkillerLogo TalentBoostLogo TalentScore

Comment évaluer les compétences en apprentissage automatique

Publié : Dernière mise à jour :
Compétences en apprentissage automatique de l'écran

Avez-vous besoin d'embaucher une personne ayant des compétences en apprentissage automatique ? Vous n'êtes pas sûr de ce que c'est vraiment ?

L'apprentissage automatique est le processus qui permet aux ordinateurs d'effectuer des tâches qui, jusqu'à récemment, étaient réalisées exclusivement par des humains.

Avant l'avènement de l'apprentissage automatique fonctionnel, les logiciels et les systèmes informatiques ne connaissaient que les informations que leur communiquait un programmeur. Le résultat est un système logiciel incapable d'innover et qui doit recevoir des commandes pour fonctionner.

L'apprentissage automatique permet aux organisations de transformer de vastes ensembles de données en connaissances statistiques et en renseignements exploitables. Ces connaissances précieuses peuvent être intégrées aux processus commerciaux et aux activités opérationnelles de tous les jours afin de répondre à l'évolution des demandes du marché ou des circonstances commerciales. Outre l'automatisation des tâches répétitives, les entreprises du monde entier utilisent l'apprentissage automatique pour améliorer le fonctionnement et l'évolutivité de leurs activités.

Comme les machines possèdent un une capacité de traitement des données beaucoup plus étendue que celle des humainsIl leur est possible d'organiser et de numériser des données bien plus rapidement que n'importe qui. Cela ne crée pas seulement des logiciels plus utiles mais aussi des logiciels plus efficaces.

C'est très important pour un responsable du recrutement qui n'a pas de solides connaissances techniques. C'est à lui de décider si un candidat possède les compétences en apprentissage automatique nécessaires pour réussir. Penchons-nous donc un peu plus sur l'apprentissage automatique et sur les meilleures façons de sélectionner un expert en apprentissage automatique.

Qu'est-ce que l'apprentissage automatique ?

L'apprentissage automatique est un sous-ensemble de l'IA. En d'autres termes, tout l'apprentissage automatique est considéré comme de l'IA, mais toute l'IA n'est pas considérée comme de l'apprentissage automatique.

Les algorithmes d'apprentissage automatique utilisent les statistiques pour trouver des modèles dans des quantités généralement importantes de données. Les données, dans ce cas, englobent un large éventail de choses - chiffres, mots, images, clics, tout ce qui peut être traité par un ordinateur. En gros, si elles peuvent être stockées numériquement, elles peuvent être introduites dans un algorithme d'apprentissage automatique.

L'apprentissage automatique est essentiellement une forme d'"auto-programmation". Les algorithmes d'apprentissage automatique construisent automatiquement un modèle mathématique à partir d'un échantillon de données. également appelées "données de formation". pour prendre des décisions de manière innovante. Un modèle d'apprentissage automatique est un programme qui a été formé pour reconnaître certains types de motifs. Vous entraînez un modèle sur un ensemble de données, en lui fournissant un algorithme qu'il peut utiliser pour raisonner et apprendre de ces données. Ces décisions sont prises sans qu'il soit nécessaire de les programmer humainement, et voilà l'intelligence artificielle au bout de vos doigts.

1.1 Qu'est-ce que l'IA ?

L'intelligence artificielle est le concept de systèmes informatiques effectuant des tâches nécessitant normalement l'intelligence humaine, telles que la perception visuelle, la reconnaissance vocale, la prise de décision et la traduction entre langues.

En intelligence artificielle, les machines imitent les fonctions cognitives associées à l'esprit humain, telles que l'apprentissage et la résolution de problèmes.

1.2. À quoi sert l'apprentissage automatique ?

Nous utilisons la puissance de l'apprentissage automatique pour une variété de services modernesIl s'agit des systèmes de recommandation comme ceux de Netflix, YouTube et Spotify, des moteurs de recherche comme Google et Baidu, des flux de médias sociaux comme Facebook et Twitter, et des assistants vocaux comme Siri et Alexa. La liste est infinie.

En utilisant ces services, chaque plateforme collecte autant de données que possible sur vous. Par exemple, les genres que vous aimez regarder, les liens que vous cliquez et les statuts auxquels vous réagissez. Ces données sont ensuite utilisées pour créer des algorithmes qui font des déductions calculées concernant ce que vous pourriez vouloir ensuite. Ce processus est en fait assez basique : trouver le modèle, appliquer le modèle. Cependant, il est omniprésent dans presque toutes les technologies auxquelles nous avons accès aujourd'hui.

D'autres utilisations de l'apprentissage automatique consistent à faire des prédictions (par exemple, le comportement d'achat futur des utilisateurs, le risque de crédit, les fluctuations du marché immobilier), à détecter des anomalies (par exemple, lorsqu'une fraude électronique est commise ou que l'équipement d'une usine est sur le point de tomber en panne) ou à générer un nouveau contenu (par exemple, traduire un texte dans une langue étrangère, trouver le meilleur itinéraire pour se rendre à un endroit, guider un robot qui nettoie automatiquement des surfaces).

1.3. Quelle est la fonction d'un ingénieur en apprentissage automatique ?

Une personne possédant des compétences en apprentissage automatique est généralement appelée ingénieur en apprentissage automatique. Ce rôle est assez nouveau, bien que le terme "apprentissage automatique" soit déjà connu. a été inventé en 1959 par Arthur Samuel, un pionnier américain dans le domaine des jeux vidéo et de l'intelligence artificielle.

Un ingénieur en apprentissage automatique est principalement responsable de la construction, du développement et de la maintenance des modèles d'apprentissage automatique d'une entreprise.

Le rôle comprend le choix de la méthode d'apprentissage automatique la mieux adaptée à l'entreprise ainsi que la méthode préférée d'évaluation des modèles. L'ingénieur est également responsable du contrôle de la qualité et de la supervision du déploiement vers la phase de production. Après la production, l'ingénieur ML surveille et ajuste le modèle en fonction de l'évolution de la situation du marché. Voici une liste de ses responsabilités :

  • Exécution d'expériences d'apprentissage automatique à l'aide d'un langage de programmation doté de bibliothèques d'apprentissage automatique,
  • Déploiement de solutions d'apprentissage automatique en production,
  • Optimiser les solutions pour les performances et l'évolutivité,
  • Ingénierie des données, c'est-à-dire assurer un bon flux de données entre la base de données et les systèmes dorsaux,
  • Mise en œuvre d'un code d'apprentissage automatique personnalisé,
  • Analyse des données.

1.4. Les postes dans le domaine de l'apprentissage automatique sont-ils similaires à d'autres emplois ?

Un rôle d'ingénieur en apprentissage automatique est un poste spécialisé, similaire à celui d'un scientifique des données - mais ce dernier est formé pour effectuer des tâches plus variées.

Bien qu'il y ait des chevauchements, les scientifiques des données ayant une formation en génie logiciel se dirigent souvent vers des rôles d'ingénieurs en apprentissage automatique. Les scientifiques des données se concentrent sur l'analyse des données, la fourniture d'informations commerciales et le prototypage de modèles, tandis que les ingénieurs en apprentissage automatique se concentrent sur le codage et le déploiement de produits d'apprentissage automatique complexes et à grande échelle.

Compétences en apprentissage automatique

Qu'est-ce qu'il est important pour un recruteur informatique de savoir sur l'apprentissage automatique ?

La mise en œuvre de l'apprentissage automatique signifie essentiellement qu'un système n'est plus limité par la vision humaine des programmeurs plus. Désormais, une machine est capable d'apprendre ses propres méthodes par le biais de processus nouveaux et innovants que les programmeurs ou analystes n'ont peut-être même pas envisagé.

C'est très utile car cela permet aux programmeurs de créer des logiciels avec un objectif spécifique en tête, sans avoir à se concentrer sur l'ensemble du processus de réalisation.

Trouver des moyens de programmer des ordinateurs pour interpréter des quantités d'informations aussi importantes est devenu un défi, même pour les meilleurs programmeurs. L'apprentissage automatique permet la création de méthodologies au-delà de la planification et de l'anticipation humaines.

2.1. À quelle fréquence l'environnement/les défis à relever changent-ils ?

Le paysage de l'apprentissage automatique évolue constamment. Les données sont de plus en plus volumineuses et les problèmes de plus en plus difficiles. De nouvelles techniques sont donc développées et de nouveaux cadres de travail suivront.

2.2. Y a-t-il beaucoup de ressources/outils/technologies (bibliothèques, frameworks, etc.) disponibles pour l'apprentissage automatique ?

De nombreux outils d'apprentissage automatique sont disponibles en langage Python, tandis que R est moins courant. Certains cadres d'apprentissage profond sont disponibles en C++ ou en Java, car ils sont plus rapides et plus efficaces en termes de mémoire que le langage Python. En Python, les bibliothèques les plus populaires sont pandas, scikit-learn, PyTorch et TensorFlow.

2.3. Quels sont les compétences, outils et techniques d'apprentissage automatique qu'un ingénieur doit connaître ?

Pour réussir, un ingénieur en apprentissage automatique doit posséder un grand esprit mathématique. Il doit également être un expert à la fois en programmation et en statistiques, où il utilise ses compétences en résolution de problèmes pour avoir une connaissance approfondie des modèles d'apprentissage automatique. Python est la lingua franca incontestée de l'apprentissage automatique.

2.4. Quelles sont les compétences, les outils et les techniques d'IA qu'un ingénieur en apprentissage automatique doit connaître ?

Une bonne compréhension des langages de programmation, de préférence Python, R, Java et C++. Il est recommandé d'avoir une bonne compréhension des concepts de matrices, de vecteurs et de multiplications matricielles. De plus, des connaissances en dérivées et intégrales et leurs applications sont essentielles pour comprendre des concepts simples comme la descente de gradient. Une base solide et une expertise en théorie des algorithmes sont certainement indispensables.

Avoir de l'expérience avec l'architecture des réseaux neuronaux est le moyen le plus précis de contrer de nombreux problèmes tels que la traduction, la reconnaissance vocale et la classification des images, qui jouent un rôle central dans le département de l'IA.

De bonnes compétences en matière de communication et de prototypage rapide, ainsi qu'une connaissance approfondie du domaine, sont essentielles pour un ingénieur en apprentissage automatique.

2.5. Quel type d'expérience est-il important de rechercher chez un ingénieur en apprentissage automatique ?

Pour les projets de recherche uniquement, l'expérience universitaire ou scientifique sera la plus importante et la plus complète. Mais pour ce qui est de la création de modèles de production, une expérience préalable de travail avec d'autres modèles de production vous donnera le meilleur aperçu.

Comment vérifier les compétences en apprentissage automatique ?

Comment vérifier les compétences en apprentissage automatique lors de la phase de sélection ?

La plupart des recruteurs donnent la priorité aux tests de compétences lorsqu'ils recherchent le candidat idéal. En fin de compte, embaucher quelqu'un qui manque de compétences techniques peut être une erreur coûteuse. Cependant, les ingénieurs d'apprentissage automatique qui réussissent possèdent également des caractéristiques précieuses qu'un test de compétences ne peut pas identifier à lui seul. Beaucoup d'entre eux ne peuvent pas être appris dans un livre.

Alors, qu'est-ce qu'ils sont et comment les identifier ?

Il est également assez ironique de constater que les entreprises et les recruteurs sont se tournent de plus en plus vers l'IA et des solutions basées sur l'apprentissage automatique pour trouver la bonne embauche.

3.1. Que faut-il prendre en compte lors de la sélection d'un CV ?

Les ingénieurs en apprentissage automatique doivent maîtriser les concepts mathématiques et statistiques, notamment l'algèbre linéaire, le calcul à plusieurs variables, la variance, les dérivés, les intégrales et les écarts types, etc.

Ils doivent également connaître les concepts de base des probabilités comme la règle de Bayes, les modèles de mélange gaussien et les processus de décision de Markov. Une expérience préalable des bibliothèques d'apprentissage automatique est indispensable.

Le candidat doit avoir une formation en informatique/ingénierie logicielle et maîtriser au moins un langage de programmation avec une expérience suffisante du codage. Il est essentiel d'avoir une compréhension approfondie des concepts informatiques tels que les structures de données, les architectures informatiques, les algorithmes, la calculabilité et les complexités.

Assurez-vous de vérifier si le candidat a un bon sens des affaires et une bonne compréhension des principes fondamentaux de l'entreprise. Le fait que le candidat soit capable d'énumérer quantitativement ses réalisations au sein d'une organisation sera un grand avantage.

3.2. Quels sont les termes du glossaire qu'il est important de connaître dans le domaine de l'apprentissage automatique (y compris les cadres, les bibliothèques et les versions de langage) ?

  • Apprentissage automatique classique - la résolution de tâches à l'aide de modèles tels que la régression linéaire ou logistique, les arbres de décision, les forêts aléatoires, le boosting, les machines à vecteurs de support, la factorisation de matrices non négatives, les K-means, les k-nearest neighbors.
  • Réseau neuronal - un type d'apprentissage automatique inspiré du fonctionnement du cerveau humain. Il s'agit d'un système informatique composé d'unités interconnectées (comme les neurones) qui traite l'information en répondant à des entrées externes, en relayant l'information entre chaque unité. Le processus nécessite de multiples passages sur les données pour trouver des connexions et dériver un sens à partir de données indéfinies.
  • Apprentissage approfondi - la résolution de tâches à l'aide de réseaux neuronaux (comme l'imitation du cerveau). Parmi les types de réseaux neuronaux, on trouve les réseaux neuronaux convolutifs et les réseaux neuronaux récurrents. L'apprentissage profond est utilisé pour détecter des objets, reconnaître la parole, traduire des langues et prendre des décisions. L'IA d'apprentissage profond est capable d'apprendre sans supervision humaine, à partir de données non structurées et non étiquetées.
Bibliothèques de manipulation de donnéesEn Python : NumPy, pandas En R : dyplr, tidyr
Bibliothèques de manipulation de données distribuéesEn Python : Dask en Scala, Java et Python : Spark
Bibliothèques générales d'apprentissage automatiqueEn Python : scikit-learn En Python, R, Java, Scala, C++ : H2O.ai En R : caret, e1071
Bibliothèques d'apprentissage profondEn Python : Keras, Tensorflow, PyTorch En R : Nnet En C++ : Caffe

3.3. Quelles sont les certifications disponibles et respectées ? Quelle est leur utilité pour déterminer les compétences en apprentissage automatique ?

On dit souvent que les certificats n'ont pas beaucoup d'importance pour les recruteurs. Au contraire, la certification prouve que vous connaissez le sujet à un niveau élevé et indique également que vous êtes motivé pour continuer à apprendre. De plus, les ingénieurs sont en mesure d'ajouter le travail de projet à leur portefeuille. Voici quelques cours respectés :

  • Certification en apprentissage automatique par l'université de Stanford (Coursera)
  • Intelligence artificielle (Northwestern | Kellogg School of Management)
  • Apprentissage automatique avec TensorFlow sur Google Cloud Platform
  • Intelligence Artificielle : Stratégies et applications commerciales (Berkeley ExecEd)
  • Certification Deep Learning par DeepLearning.ai - Andrew Ng (Coursera)
  • Certification en science des données pour l'apprentissage automatique de l'Université de Harvard (edX)
  • Apprentissage automatique - Certification en science des données d'IBM (Coursera)
  • Programme de certificat professionnel en apprentissage automatique et intelligence artificielle (formation professionnelle du MIT)
  • Certification en apprentissage automatique (Université de Washington)

3.4. Quelles autres lignes d'un CV peuvent montrer des compétences en apprentissage automatique ?

Participer à des concours d'apprentissage automatique peut aussi être un grand avantage. Des plateformes telles que Kaggle.com, topcoder.com, crowdai.org et knowledgepit.ml offrent toutes la possibilité de concourir pour des prix dans ce domaine.

La consultation des comptes LinkedIn et GitHub d'un candidat peut s'avérer utile pour évaluer les grandes lignes d'un candidat ainsi que ses compétences en matière de projets open-source.

Vérification technique des compétences en matière d'apprentissage automatique lors d'un entretien technique par téléphone ou vidéo.

Les personnes qui postulent pour un emploi dans le domaine de l'apprentissage automatique peuvent s'attendre à un certain nombre de types différents de questions lors d'un entretien, explique Colin Shaw, directeur de l'apprentissage automatique chez RevUnit.

"Les bons ingénieurs en apprentissage automatique ont un mélange de diverses compétences et savent aussi comment fusionner ces connaissances dans un code qui peut être mis en production. Les domaines d'intérêt généraux que nous recherchons comprennent les mathématiques et les statistiques, l'apprentissage automatique et la science des données, l'apprentissage profond, les connaissances générales et la résolution de problèmes, ainsi que l'informatique et la programmation."

4.1. Les questions que vous devriez poser au sujet de l'ELM expérience. Pourquoi devriez-vous poser chacune de ces questions ?

  1. Pouvez-vous décrire le type de problèmes d'apprentissage automatique que vous avez résolus ?
    Il s'agit d'une question d'échauffement, d'introduction, mais qui montre également l'étendue des connaissances du candidat dans le domaine. Comme il existe un large éventail de problèmes variés, il est préférable de trouver des personnes qui ont eu une expérience des questions pour lesquelles vous recrutez.
  2. Quels types de modèles d'apprentissage automatique avez-vous utilisés dans le passé ?
    L'objectif est de déterminer l'étendue des connaissances de l'ingénieur en matière de techniques ML spécifiques. Il existe une différence substantielle entre les algorithmes classiques de ML et les algorithmes d'apprentissage profond, de sorte que la connaissance de l'un n'implique pas la connaissance de l'autre.
  3. Quel est le projet le plus intéressant sur lequel vous avez travaillé ?
    Il s'agit d'une bonne question car elle donne aux candidats l'occasion de parler de quelque chose qui les passionne et de montrer leurs connaissances sur un sujet qu'ils maîtrisent parfaitement. De plus, elle aide les candidats nerveux à se sentir plus à l'aise et met en valeur leurs meilleures qualités.
  4. Quelle a été la durée du projet ? L'avez-vous mis en production et/ou développé davantage le modèle ?
    Conçu pour vérifier si l'ingénieur a une expérience préalable de la mise en production de modèles d'apprentissage automatique, qui présente un sous-ensemble spécifique de défis qui seraient autrement inconnus.

4.2. Questions à poser sur l'efficacité d'une ELM connaissances et opinions. Pourquoi devriez-vous poser chacune de ces questions ?

  • Comment vérifier qu'un modèle fonctionne correctement ?
    La méthodologie idéale consiste à diviser l'ensemble de données en sections : ensemble d'entraînement, ensemble de validation et ensemble de test. L'ensemble d'apprentissage est le seul disponible pour le modèle et constitue la base du processus d'apprentissage. Les paramètres du modèle sont définis à l'aide de l'ensemble de validation et l'efficacité du modèle est testée sur l'ensemble de test.
  • Quelles sont les différences entre les modèles ML classiques et les modèles d'apprentissage profond ?
    Les modèles d'apprentissage profond utilisent toujours des réseaux neuronaux et ne nécessitent pas autant d'ingénierie des caractéristiques que les modèles classiques. Cependant, ils nécessitent généralement des ensembles d'apprentissage plus importants pour apprendre des modèles que les modèles classiques.
  • Quelle(s) bibliothèque(s) ML utiliseriez-vous pour un ensemble de données composé d'images ?
    Actuellement, la meilleure approche pour les données d'image est d'utiliser soit OpenCV - une bibliothèque qui permet une manipulation étendue des images. Ainsi que tout type de bibliothèques d'apprentissage profond comme : Keras, Tensorflow, pyTorch, Caffe.

4.3. Comportemental Les questions que vous devez poser à un ELM. Pourquoi devriez-vous poser chacune de ces questions ?

  • Quel genre de problèmes aimeriez-vous résoudre à l'avenir ? Quels types de modèles ML aimeriez-vous utiliser ?Une question pour vérifier la préférence du candidat pour les modèles/problèmes, ou pour voir s'il a une spécialisation et dans quel domaine il pourrait être le plus performant. Cette question peut également aider à conclure comment un candidat envisage de se développer dans le domaine de l'apprentissage automatique.
  • Où trouver des informations sur les nouvelles techniques d'apprentissage automatique ?
    Cette question est posée pour savoir dans quelle mesure un candidat est impliqué ou non dans la communauté technologique, et dans l'apprentissage de nouvelles compétences dans un domaine en constante évolution. Toutes ces sources sont valables : articles de conférence, articles d'atelier, MOOC, groupes Facebook ou de messagerie ayant pour thème l'apprentissage automatique, ou même l'apprentissage auprès d'un mentor.
  • Quel est, selon vous, votre plus grand succès et votre plus grand échec dans le domaine de l'apprentissage automatique ?
    Une question assez générique, mais qui montre les capacités d'autoréflexion du candidat. Cela est nécessaire dans le processus d'apprentissage qui est une partie importante pour être un grand ingénieur en apprentissage automatique.
Tests de codage de l'apprentissage automatique

5. Examen technique des compétences d'un ELM à l'aide d'un test de codage en ligne

Le recrutement d'un bon ingénieur en apprentissage automatique reste une tâche difficile pour les recruteurs - non seulement en raison de la rareté des talents en apprentissage automatique, mais aussi en raison du manque d'expérience pertinente des spécialistes du recrutement. L'apprentissage automatique reste un domaine nouveau et obscur pour la plupart des recruteurs. Nous allons vous montrer la meilleure façon de sélectionner un ingénieur en apprentissage automatique !

5.1. Quel test en ligne pour les compétences en apprentissage automatique devriez-vous choisir ?

Lorsque l'on cherche le bon test de compétences en apprentissage automatique vous devez vous assurer qu'il répond aux critères suivants :

  • Le test reflète la qualité du travail professionnel effectué
  • La durée n'est pas trop longue, une à deux heures maximum
  • Le test peut être envoyé automatiquement et est de nature simple
  • Le niveau de difficulté correspond aux capacités du candidat
  • Le test va au-delà de la vérification du bon fonctionnement de la solution : il vérifie la qualité du code et son bon fonctionnement dans les cas limites
  • Il est aussi proche que possible de l'environnement naturel de programmation et permet au candidat d'accéder aux ressources pertinentes
  • Il donne au candidat la possibilité d'utiliser toutes les bibliothèques, cadres et autres outils qu'il rencontre régulièrement

5.2. Tests de compétences en apprentissage automatique en ligne prêts à l'emploi de DevSkiller

Les tests de codage DevSkiller utilisent notre méthodologie RealLifeTesting™ pour refléter l'environnement de codage réel dans lequel votre candidat travaille. Plutôt que d'utiliser d'obscurs algorithmes académiques, les tests DevSkiller demandent aux candidats de construire des applications ou des fonctionnalités. Ils sont notés de manière totalement automatique et peuvent être passés partout dans le monde. En même temps, le candidat a accès à toutes les ressources qu'il utiliserait normalement, y compris les bibliothèques, les frameworks, StackOverflow et même Google.

Les entreprises utilisent DevSkiller pour tester les candidats à l'aide de leur propre base de données de codes, où qu'ils se trouvent dans le monde. Pour faciliter la tâche, DevSkiller propose également un certain nombre de tests de compétences en sciences des données, comme ceux qui sont proposés ici :

Python
MIDDLE
Des compétences éprouvées
Durée
104 minutes max.
Évaluation
Automatique
Aperçu des tests

Questions sur le choix

l'évaluation de la connaissance des Keras, Apprentissage automatique, Python

Tâche de programmation - Niveau : Moyen :

Python | NLP, Keras | Analyse des sentiments des critiques des clients - Effectuez une analyse des sentiments et un étiquetage des critiques des clients de films et de compagnies aériennes, en utilisant un modèle de réseau neuronal à sorties multiples.

Python
MIDDLE
Des compétences éprouvées
Durée
72 minutes max.
Évaluation
Automatique
Aperçu des tests

Questions sur le choix

l'évaluation de la connaissance des Apprentissage automatique, Renforcement de l'apprentissage

Tâche de programmation - Niveau : Moyen :

Python | PyTorch | Reinforcement Learning | Deep Q-Network - Achever l'implémentation de l'algorithme DQN.

Python
JUNIOR
Des compétences éprouvées
Durée
63 minutes max.
Évaluation
Automatique
Aperçu des tests

Questions sur le choix

l'évaluation de la connaissance des Apprentissage automatique, PyTorch

Tâche de programmation - Niveau : Facile

Python | PyTorch, Computer Vision | Model Builder - Achever la mise en place d'un pipeline de formation de modèles.

Python
MIDDLE
Des compétences éprouvées
Durée
70 minutes max.
Évaluation
Automatique
Aperçu des tests

Questions sur le choix

l'évaluation de la connaissance des Apprentissage automatique, Python

Tâche de programmation - Niveau : Moyen :

Python | Analyseur d'ADN | Créer et nettoyer des brins d'ADN - Implémentez 2 méthodes en Python qui créent et nettoient des brins d'ADN.

Python
JUNIOR
Des compétences éprouvées
Durée
49 minutes max.
Évaluation
Automatique
Aperçu des tests

Questions sur le choix

l'évaluation de la connaissance des Apprentissage automatique

Tâche de programmation - Niveau : Facile

Python | Analyseur d'ADN - Implémente une méthode en Python qui génère un rapport statistique sur l'ADN.

Python
MIDDLE
Des compétences éprouvées
Durée
80 minutes max.
Évaluation
Automatique
Aperçu des tests

Questions sur le choix

l'évaluation de la connaissance des Apprentissage automatique, Python

Tâche de programmation - Niveau : Moyen :

Python | Analyseur d'ADN | Créer et nettoyer des brins d'ADN - Implémentez 2 méthodes en Python qui créent et nettoient des brins d'ADN.

Python
MIDDLE
Des compétences éprouvées
Durée
80 minutes max.
Évaluation
Automatique
Aperçu des tests

Questions sur le choix

l'évaluation de la connaissance des Apprentissage automatique, Python

Tâche de programmation - Niveau : Moyen :

Python Data Extraction, Processing - Compléter et mettre à jour le code du programme qui extrait les fichiers PDF de traitement et les convertit dans un format spécifique pour l'affichage/la sortie.

Android
MIDDLE
Des compétences éprouvées
Durée
102 minutes max.
Évaluation
Automatique
Aperçu des tests

Questions sur le choix

l'évaluation de la connaissance des Apprentissage automatique, Android

Tâche de programmation - Niveau : Moyen :

Connexion aux réseaux sociaux Android | - Mettre en œuvre les sections manquantes de LoginActivity et MainActivity, LoginManager et CredentialsStorage.

Partager le poste

C'est plus qu'un simple bulletin d'information

Recevez des informations utiles directement dans votre boîte de réception et apprenez-en davantage sur l'embauche des techniciens.

Vérifier et développer les compétences de codage de manière transparente.

Voir les produits DevSkiller en action.

Certifications de sécurité et conformité. Nous veillons à ce que vos données soient sûres et sécurisées.