Come valutare le competenze di apprendimento automatico

Pubblicato: Ultimo aggiornamento:
Competenze di apprendimento automatico a schermo

Avete bisogno di assumere qualcuno con competenze di apprendimento automatico? Non siete sicuri di cosa sia?

L'apprendimento automatico è il processo che consente ai computer di eseguire compiti che fino a poco tempo fa erano svolti esclusivamente dagli esseri umani.

Prima dell'avvento dell'apprendimento automatico funzionale, i software e i sistemi informatici conoscevano solo le informazioni che gli venivano fornite da un programmatore. Il risultato è un sistema software incapace di innovare e che deve ricevere comandi per funzionare.

L'apprendimento automatico consente alle organizzazioni di trasformare grandi insiemi di dati in conoscenza statistica e in intelligenza azionabile. Queste preziose conoscenze possono essere integrate nei processi aziendali quotidiani e nelle attività operative per rispondere alle mutevoli richieste del mercato o alle circostanze aziendali. Oltre ad automatizzare le attività ripetibili, le aziende di tutto il mondo utilizzano l'apprendimento automatico per migliorare le operazioni e la scalabilità delle loro aziende.

Poiché le macchine possiedono un capacità di elaborazione dei dati molto più ampia di quella umanaÈ possibile organizzare e scansionare i dati in modo molto più rapido di quanto possa fare qualsiasi persona. Non solo crea un software più utile ma anche un software più efficace.

Questo è molto importante per un responsabile delle assunzioni senza un forte background tecnico. È il loro ruolo a decidere se un candidato ha le giuste competenze di machine learning necessarie per avere successo. Approfondiamo quindi l'apprendimento automatico e i modi migliori per selezionare un esperto di machine learning.

Che cos'è l'apprendimento automatico?

L'apprendimento automatico è un sottoinsieme dell'IA. Cioè, tutto l'apprendimento automatico conta come IA, ma non tutta l'IA conta come apprendimento automatico.

Gli algoritmi di apprendimento automatico utilizzano la statistica per trovare modelli in grandi quantità di dati. I dati, in questo caso, comprendono un'ampia gamma di cose: numeri, parole, immagini, clic, qualsiasi cosa possa essere elaborata da un computer. In pratica, se può essere memorizzato digitalmente, può essere inserito in un algoritmo di apprendimento automatico.

L'apprendimento automatico è essenzialmente una forma di "autoprogrammazione". Gli algoritmi di apprendimento automatico costruiscono automaticamente un modello matematico utilizzando dati campione. noti anche come "dati di formazione" per prendere decisioni innovative. Un modello di apprendimento automatico è un programma che è stato addestrato per riconoscere alcuni tipi di modelli. Si addestra un modello su una serie di dati, fornendogli un algoritmo che può utilizzare per ragionare e imparare da quei dati. Queste decisioni vengono prese senza la necessità di essere programmate dall'uomo, e voilà l'Intelligenza Artificiale è a portata di mano.

1.1 Che cos'è l'IA?

L'intelligenza artificiale è il concetto di sistemi informatici che eseguono compiti che normalmente richiedono l'intelligenza umana, come la percezione visiva, il riconoscimento vocale, il processo decisionale e la traduzione tra le lingue.

Nell'intelligenza artificiale, le macchine imitano le funzioni cognitive associate alla mente umana, come l'apprendimento e la risoluzione di problemi.

1.2. A cosa serve l'apprendimento automatico?

Utilizziamo la potenza dell'apprendimento automatico per una varietà di servizi moderni: sistemi di raccomandazione come quelli di Netflix, YouTube e Spotify; motori di ricerca come Google e Baidu; feed di social media come Facebook e Twitter e assistenti vocali come Siri e Alexa. L'elenco è infinito.

Durante l'utilizzo di questi servizi, ogni piattaforma raccoglie il maggior numero possibile di dati sull'utente. Ad esempio, quali generi vi piace guardare, quali link cliccate e a quali status reagite. Questi dati vengono poi utilizzati per creare algoritmi che fanno delle inferenze calcolate su cosa si potrebbe desiderare dopo. Questo processo è in realtà piuttosto elementare: trovare il modello, applicare il modello. Tuttavia, è onnipresente in quasi tutte le tecnologie a cui abbiamo accesso oggi.

Altri usi dell'apprendimento automatico includono la formulazione di previsioni (ad esempio, il comportamento futuro di acquisto degli utenti, il rischio di credito, le fluttuazioni del mercato immobiliare), l'individuazione di anomalie (ad esempio, quando viene commessa una frode telematica o le apparecchiature di una fabbrica sono prossime al guasto) o la generazione di nuovi contenuti (ad esempio, la traduzione di un testo in una lingua straniera, la ricerca del percorso migliore per raggiungere un luogo, la guida di un robot che pulisce automaticamente le superfici).

1.3. Qual è la funzione di un ingegnere dell'apprendimento automatico?

Una persona con competenze di apprendimento automatico viene solitamente definita "ingegnere dell'apprendimento automatico". Il ruolo è abbastanza nuovo, anche se il termine "machine learning" (apprendimento automatico) è stato coniato per la prima volta nel 1959 di Arthur Samuel, un pioniere americano nel campo dei giochi per computer e dell'intelligenza artificiale.

Un ingegnere dell'apprendimento automatico è il principale responsabile della creazione, dello sviluppo e della manutenzione dei modelli di apprendimento automatico di un'azienda.

Il ruolo comprende la selezione del metodo di apprendimento automatico più adatto all'azienda e il metodo preferito di valutazione dei modelli. L'ingegnere è anche responsabile del controllo di qualità e della supervisione dell'implementazione nella fase di produzione. Dopo la produzione, l'ingegnere ML monitorerà e regolerà il modello in base all'evoluzione del mercato. Un elenco delle sue responsabilità comprende:

  • Esecuzione di esperimenti di apprendimento automatico utilizzando un linguaggio di programmazione con librerie di apprendimento automatico,
  • Implementazione di soluzioni di apprendimento automatico in produzione,
  • Ottimizzazione delle soluzioni in termini di prestazioni e scalabilità,
  • Ingegneria dei dati, ovvero garantire un buon flusso di dati tra il database e i sistemi backend,
  • Implementazione di codice di apprendimento automatico personalizzato,
  • Analisi dei dati.

1.4. Le posizioni nel campo dell'apprendimento automatico sono simili a qualsiasi altro lavoro?

Il ruolo di ingegnere dell'apprendimento automatico è una posizione specializzata, simile a quella del data scientist, ma quest'ultimo è addestrato a svolgere compiti più vari.

Sebbene vi sia una sovrapposizione, i data scientist con un background di ingegneria del software spesso passano a ruoli di machine learning engineer. Gli scienziati dei dati si concentrano sull'analisi dei dati, sulla fornitura di informazioni commerciali e sulla prototipazione di modelli, mentre gli ingegneri dell'apprendimento automatico si concentrano sulla codifica e sull'implementazione di prodotti di apprendimento automatico complessi e su larga scala.

Competenze di apprendimento automatico

Che cosa è importante che un selezionatore IT sappia sull'apprendimento automatico?

L'implementazione dell'apprendimento automatico significa essenzialmente che un sistema non è più limitato da la visione umana dei programmatori più. Ora, una macchina è in grado di apprendere i propri metodi attraverso processi nuovi e innovativi che i programmatori o gli analisti potrebbero non aver nemmeno preso in considerazione.

Questo è molto utile perché permette ai programmatori di creare un software con un obiettivo specifico in mente, senza doversi concentrare sull'intero processo di realizzazione.

Trovare il modo di programmare i computer per interpretare una così grande quantità di informazioni è diventata una sfida anche per i migliori programmatori. L'apprendimento automatico consente di creare metodologie al di là della pianificazione e della previsione umana.

2.1. Quanto spesso cambia l'ambiente/le sfide da affrontare?

Il panorama dell'apprendimento automatico cambia costantemente. I dati diventano sempre più grandi, i problemi sempre più difficili, quindi vengono sviluppate nuove tecniche e seguiranno nuovi framework.

2.2. Ci sono molte risorse/strumenti/tecnologie (librerie, framework, ecc.) disponibili per l'apprendimento automatico?

Molti strumenti per l'apprendimento automatico sono disponibili in linguaggio Python, mentre R è meno diffuso. Alcuni framework per il deep learning sono disponibili in C++ o Java, perché più veloci e più efficienti in termini di memoria rispetto a Python. In Python, le librerie più diffuse sono pandas, scikit-learn, PyTorch e TensorFlow.

2.3. Quali sono le competenze, gli strumenti e le tecniche di apprendimento automatico che un ingegnere dovrebbe conoscere?

Un ingegnere dell'apprendimento automatico di successo deve possedere una grande mente matematica. Inoltre, deve essere un esperto sia di programmazione che di statistica, dove utilizza le proprie capacità di problem solving per avere una conoscenza approfondita dei modelli di apprendimento automatico. Python è la lingua franca indiscussa del Machine Learning.

2.4. Quali sono le competenze, gli strumenti e le tecniche di IA che un ingegnere di apprendimento automatico dovrebbe conoscere?

Buona conoscenza dei linguaggi di programmazione, preferibilmente Python, R, Java e C++. È consigliabile avere una buona conoscenza dei concetti di matrici, vettori e moltiplicazione di matrici. Inoltre, la conoscenza delle derivate e degli integrali e delle loro applicazioni è essenziale per comprendere anche concetti semplici come la discesa del gradiente. Una solida base e competenza nella teoria degli algoritmi sono sicuramente indispensabili.

Avere esperienza con l'architettura delle reti neurali è il modo più preciso per risolvere molti problemi come la traduzione, il riconoscimento vocale e la classificazione delle immagini, che svolgono un ruolo fondamentale nel settore dell'intelligenza artificiale.

Una buona capacità di comunicazione e di prototipazione rapida, oltre a possedere un'ampia conoscenza del dominio, sono essenziali per un ingegnere dell'apprendimento automatico.

2.5. Che tipo di esperienza è importante ricercare in un ingegnere dell'apprendimento automatico?

Per i progetti di sola ricerca, l'esperienza accademica o scientifica sarà la più importante e completa. Ma per quanto riguarda la creazione di modelli di produzione, l'esperienza precedente di lavoro con altri modelli di produzione vi darà la migliore visione.

Come verificare le competenze di apprendimento automatico?

Come verificare le competenze di apprendimento automatico nella fase di screening?

La maggior parte dei selezionatori dà la priorità ai test sulle competenze quando cerca il candidato ideale. In definitiva, assumere qualcuno che non ha competenze tecniche può essere un errore costoso. Tuttavia, gli ingegneri di machine learning di successo hanno anche caratteristiche preziose che un test di abilità da solo non può identificare. Molte di queste non si possono imparare da un libro.

Cosa sono e come si riconoscono?

Inoltre, ironia della sorte, le aziende e i reclutatori stanno si rivolge sempre più all'IA e soluzioni basate sull'apprendimento automatico per trovare l'assunzione giusta.

3.1. Di cosa tenere conto quando si esamina un CV?

Gli ingegneri dell'apprendimento automatico devono conoscere bene i concetti matematici e statistici, tra cui l'algebra lineare, il calcolo multivariato, la varianza, le derivate, gli integrali e le deviazioni standard, ecc.

Devono inoltre conoscere i concetti di base della probabilità, come la regola di Bayes, i modelli a miscela gaussiana e i processi decisionali di Markov. Una precedente esperienza con le librerie di apprendimento automatico è indispensabile.

Il candidato deve avere una formazione in informatica/ingegneria del software e conoscere almeno un linguaggio di programmazione con una sufficiente esperienza di codifica afferma Tsisana Caryn, specialista delle risorse umane di Servizi di scrittura di incarichi. È fondamentale avere una conoscenza approfondita di concetti di informatica come strutture dati, architetture informatiche, algoritmi, computabilità e complessità.

Assicuratevi che il candidato abbia un discreto acume commerciale e una comprensione completa dei fondamenti e dei principi aziendali. Il fatto che il candidato sia in grado di elencare quantitativamente i risultati ottenuti all'interno di un'organizzazione costituirà un grande vantaggio.

3.2. Quali sono i termini del glossario che è importante conoscere nell'apprendimento automatico (compresi framework, librerie e versioni del linguaggio)?

  • Apprendimento automatico classico - risolvere compiti utilizzando modelli come la regressione lineare o logistica, gli alberi decisionali, le foreste casuali, il boosting, le macchine vettoriali di supporto, la fattorizzazione della matrice non negativa, K-means, k-nearest neighbors.
  • Rete neurale un tipo di apprendimento automatico ispirato al funzionamento del cervello umano. Si tratta di un sistema informatico composto da unità interconnesse (come i neuroni) che elabora le informazioni rispondendo agli input esterni, trasmettendo le informazioni tra ciascuna unità. Il processo richiede più passaggi sui dati per trovare connessioni e ricavare un significato da dati indefiniti.
  • Apprendimento profondo - risolvere compiti utilizzando reti neurali (come imitare il cervello). Alcuni tipi di reti neurali sono le reti neurali convoluzionali e le reti neurali ricorrenti. L'apprendimento profondo viene utilizzato per rilevare oggetti, riconoscere il parlato, tradurre lingue e prendere decisioni. L'intelligenza artificiale dell'apprendimento profondo è in grado di apprendere senza la supervisione umana, attingendo a dati non strutturati e non etichettati.
Librerie di manipolazione dei datiIn Python: NumPy, pandas In R: dyplr, tidyr
Librerie di manipolazione dei dati distribuiteIn Python: Dask in Scala, Java e Python: Spark
Librerie generali di apprendimento automaticoIn Python: scikit-learn In Python, R, Java, Scala, C++: H2O.ai In R: caret, e1071
Librerie di apprendimento profondoIn Python: Keras, Tensorflow, PyTorch In R: Nnet In C++: Caffe

3.3. Quali certificazioni sono disponibili e rispettate? Quanto sono utili per determinare le competenze di apprendimento automatico?

Si dice spesso che i certificati non siano molto importanti per i selezionatori. Al contrario, la certificazione dimostra che conoscete la materia a un livello elevato e indica anche che siete motivati a continuare a imparare. Inoltre, gli ingegneri possono aggiungere il lavoro di progetto al loro portfolio. Alcuni corsi rispettati includono:

  • Certificazione sull'apprendimento automatico dell'Università di Stanford (Coursera)
  • Intelligenza artificiale (Northwestern | Kellogg School of Management)
  • Apprendimento automatico con TensorFlow su Google Cloud Platform
  • Intelligenza artificiale: Strategie e applicazioni aziendali (Berkeley ExecEd)
  • Certificazione sull'apprendimento profondo di DeepLearning.ai - Andrew Ng (Coursera)
  • Certificazione in scienza dei dati dell'apprendimento automatico dell'Università di Harvard (edX)
  • Apprendimento automatico - Certificazione in scienza dei dati di IBM (Coursera)
  • Programma di certificazione professionale in Machine Learning e Intelligenza Artificiale (MIT Professional Education)
  • Certificazione in apprendimento automatico (Università di Washington)

3.4. Quali altre righe di un CV possono mostrare le competenze di apprendimento automatico?

Anche partecipare a competizioni di apprendimento automatico può essere un grande vantaggio. Piattaforme come Kaggle.com, topcoder.com, crowdai.org e knowledgepit.ml offrono tutte la possibilità di competere per ottenere premi in questo settore.

La consultazione degli account LinkedIn e GitHub di un candidato può essere utile per valutare il profilo di un candidato e per vedere la sua competenza nei progetti open-source.

Screening tecnico delle competenze di machine learning durante un colloquio tecnico telefonico/video

Chi si candida per lavori nell'ambito dell'apprendimento automatico può aspettarsi una serie di tipi diversi di domande durante un colloquio, afferma Colin Shaw, direttore del dipartimento di machine learning di RevUnit.

"I bravi ingegneri dell'apprendimento automatico hanno una miscela di competenze diverse e sanno anche come fondere queste conoscenze in un codice che può essere portato in produzione. Le aree di interesse generali che cerchiamo sono matematica e statistica, apprendimento automatico e scienza dei dati, deep learning, conoscenza generale e problem solving, informatica e programmazione".

4.1. Domande da porsi in merito a un MLE esperienza. Perché dovreste porre ciascuna di queste domande?

  1. Può descrivere il tipo di problemi di apprendimento automatico che ha risolto?
    Si tratta di una domanda introduttiva e di riscaldamento, ma mostra anche il grado di conoscenza del candidato nel settore. Poiché i problemi sono molto vari, è meglio trovare persone che abbiano avuto esperienza con i problemi per i quali si sta reclutando.
  2. Che tipo di modelli di apprendimento automatico avete utilizzato in passato?
    Ha lo scopo di scoprire il grado di conoscenza dell'ingegnere in specifiche tecniche di ML. Esiste una differenza sostanziale tra gli algoritmi di ML classici e quelli di deep learning, quindi la conoscenza di uno non implica la conoscenza dell'altro.
  3. Qual è il progetto più interessante a cui ha lavorato?
    Questa è una buona domanda perché dà ai candidati la possibilità di parlare di qualcosa che li appassiona e di mostrare le loro conoscenze su qualcosa che conoscono molto bene. Inoltre, aiuta i candidati più nervosi a sentirsi a proprio agio e mette in luce le loro migliori qualità.
  4. Quanto è durato il progetto? L'avete portato in produzione e/o avete sviluppato ulteriormente il modello?
    Progettato per verificare se l'ingegnere ha una precedente esperienza nella produzione di modelli di apprendimento automatico, che presenta un sottoinsieme specifico di sfide altrimenti sconosciute.

4.2. Domande da porsi in merito a un MLE conoscenze e opinioni. Perché dovreste porre ciascuna di queste domande?

  • Come si può verificare che un modello funzioni correttamente?
    La metodologia ideale consiste nel dividere il set di dati in sezioni: set di addestramento, set di validazione e set di test. L'insieme di formazione è l'unico disponibile per il modello e costituisce la base del processo di formazione. I parametri del modello vengono impostati utilizzando l'insieme di validazione e l'efficienza del modello viene testata sull'insieme di test.
  • Quali sono le differenze tra i modelli di ML classici e quelli di deep learning?
    I modelli di apprendimento profondo utilizzano sempre reti neurali e non richiedono l'ingegnerizzazione delle caratteristiche come i modelli classici. Tuttavia, per apprendere i modelli, di solito richiedono set di addestramento più ampi rispetto ai modelli classici.
  • Quali librerie ML utilizzereste per un set di dati composto da immagini?
    Attualmente, l'approccio migliore per i dati delle immagini è quello di utilizzare OpenCV, una libreria che consente un'ampia manipolazione delle immagini. Così come qualsiasi tipo di libreria per l'apprendimento profondo come: Keras, Tensorflow, pyTorch, Caffe.

4.3. Comportamento domande che dovreste porre a un MLE. Perché dovreste porre ciascuna di queste domande?

  • Che tipo di problemi vorreste risolvere in futuro? Quali tipi di modelli di ML vorreste utilizzare?Una domanda per verificare la preferenza del candidato per modelli/problemi o per vedere se ha una specializzazione e in quale area potrebbe dare il meglio di sé. Questa domanda può anche aiutare a capire come il candidato intende svilupparsi nel campo dell'apprendimento automatico.
  • Dove trovare informazioni sulle nuove tecniche di apprendimento automatico?
    Questa domanda viene posta per scoprire quanto il candidato sia coinvolto o meno nella comunità tecnologica e nell'apprendimento di nuove competenze in un campo in continua evoluzione. Sono valide tutte le fonti: documenti di conferenze, workshop, MOOC, gruppi Facebook o di posta elettronica sul tema dell'apprendimento automatico, o anche l'apprendimento da parte di un mentore.
  • Quali sono, a suo avviso, il suo più grande successo e il suo più grande fallimento nel campo dell'apprendimento automatico?
    È una domanda piuttosto generica, ma mostra le capacità di auto-riflessione del candidato. Questo è necessario nel processo di apprendimento, che è una parte importante dell'essere un grande ingegnere dell'apprendimento automatico.
Test di codifica dell'apprendimento automatico

5. Screening tecnico delle competenze di un MLE mediante un test di codifica online.

L'assunzione di un buon ingegnere dell'apprendimento automatico rimane un compito impegnativo per i reclutatori, non solo per la scarsità di talenti dell'apprendimento automatico, ma anche per la mancanza di esperienza in materia tra gli specialisti del reclutamento. L'apprendimento automatico rimane un campo nuovo e oscuro per la maggior parte dei reclutatori. Vi mostreremo come selezionare al meglio un ingegnere dell'apprendimento automatico!

5.1. Quale test online per le competenze di apprendimento automatico dovreste scegliere?

Quando si cerca il giusto test delle competenze di apprendimento automatico è necessario assicurarsi che corrisponda ai seguenti criteri:

  • Il test riflette la qualità del lavoro professionale che viene svolto
  • La durata non è eccessiva, da una a due ore al massimo.
  • Il test può essere inviato automaticamente ed è di natura semplice.
  • Il livello di difficoltà corrisponde alle capacità del candidato
  • Il test va oltre la verifica del funzionamento della soluzione: controlla la qualità del codice e il suo funzionamento nei casi limite.
  • È il più vicino possibile all'ambiente naturale di programmazione e consente al candidato di accedere alle risorse pertinenti.
  • Fornisce al candidato l'opportunità di utilizzare tutte le librerie, i framework e gli altri strumenti che incontra regolarmente.

5.2. DevSkiller: test di competenze online sull'apprendimento automatico pronti per l'uso

I test di codifica DevSkiller utilizzano la nostra metodologia RealLifeTesting™ per rispecchiare l'ambiente di codifica reale in cui lavora il vostro candidato. Invece di utilizzare oscuri algoritmi accademici, i test DevSkiller richiedono ai candidati di costruire applicazioni o funzionalità. Sono valutati in modo completamente automatico e possono essere sostenuti in qualsiasi parte del mondo. Allo stesso tempo, il candidato ha accesso a tutte le risorse che utilizzerebbe normalmente, tra cui librerie, framework, StackOverflow e persino Google.

Le aziende utilizzano DevSkiller per testare i candidati utilizzando la propria base di codice da qualsiasi parte del mondo. Per semplificare le cose, DevSkiller offre anche una serie di test di competenze di data science già pronti, come quelli qui riportati:

Pitone
MEDIO
Competenze testate
Durata
104 minuti al massimo.
Valutazione
Automatico
Panoramica del test

Domande a scelta

valutare la conoscenza di Keras, Apprendimento automatico, Pitone

Attività di programmazione - Livello: Medio

Python | NLP, Keras | Analisi del sentiment delle recensioni dei clienti - Eseguire l'analisi del sentiment e l'etichettatura delle recensioni dei clienti di film e compagnie aeree, utilizzando un modello di rete neurale multi-output.

Pitone
MEDIO
Competenze testate
Durata
72 minuti al massimo.
Valutazione
Automatico
Panoramica del test

Domande a scelta

valutare la conoscenza di Apprendimento automatico, Apprendimento per rinforzo

Attività di programmazione - Livello: Medio

Python | PyTorch | Reinforcement Learning | Deep Q-Network - Completare l'implementazione dell'algoritmo DQN.

Pitone
JUNIOR
Competenze testate
Durata
63 minuti al massimo.
Valutazione
Automatico
Panoramica del test

Domande a scelta

valutare la conoscenza di Apprendimento automatico, PyTorch

Attività di programmazione - Livello: Facile

Python | PyTorch, Computer Vision | Model Builder - Completare l'implementazione di una pipeline di addestramento dei modelli.

Pitone
MEDIO
Competenze testate
Durata
70 minuti al massimo.
Valutazione
Automatico
Panoramica del test

Domande a scelta

valutare la conoscenza di Apprendimento automatico, Pitone

Attività di programmazione - Livello: Medio

Python | Analizzatore di DNA | Creare e pulire filamenti di DNA - Implementare 2 metodi in Python per creare e pulire filamenti di DNA.

Pitone
JUNIOR
Competenze testate
Durata
49 minuti al massimo.
Valutazione
Automatico
Panoramica del test

Domande a scelta

valutare la conoscenza di Apprendimento automatico

Attività di programmazione - Livello: Facile

Python | Analizzatore di DNA - Implementa un metodo in Python che genera rapporti statistici sul DNA.

Pitone
MEDIO
Competenze testate
Durata
80 minuti al massimo.
Valutazione
Automatico
Panoramica del test

Domande a scelta

valutare la conoscenza di Apprendimento automatico, Pitone

Attività di programmazione - Livello: Medio

Python | Analizzatore di DNA | Creare e pulire filamenti di DNA - Implementare 2 metodi in Python per creare e pulire filamenti di DNA.

Pitone
MEDIO
Competenze testate
Durata
80 minuti al massimo.
Valutazione
Automatico
Panoramica del test

Domande a scelta

valutare la conoscenza di Apprendimento automatico, Pitone

Attività di programmazione - Livello: Medio

Estrazione ed elaborazione dati in Python - Completare e aggiornare il codice del programma che estrae i file PDF e li converte in un formato specifico per la visualizzazione/output.

Android
MEDIO
Competenze testate
Durata
102 minuti al massimo.
Valutazione
Automatico
Panoramica del test

Domande a scelta

valutare la conoscenza di Apprendimento automatico, Android

Attività di programmazione - Livello: Medio

Android | Accesso ai social network - Implementare le sezioni mancanti di LoginActivity e MainActivity, LoginManager e CredentialsStorage.

Condividi post

Per saperne di più sulle assunzioni nel settore tecnologico

Iscrivetevi al nostro Learning Hub per ricevere utili approfondimenti direttamente nella vostra casella di posta elettronica.

Verifica e sviluppo delle competenze di codifica senza soluzione di continuità.

Guardate i prodotti DevSkiller in azione.

Certificazioni di sicurezza e conformità. Ci assicuriamo che i vostri dati siano sicuri e protetti.

Logo DevSkiller Logo TalentBoost Logo TalentScore