機械学習のスキルを審査する方法

公開されました。 最終更新日
スクリーンの機械学習スキル

機械学習のスキルを持つ人を雇う必要がありますか?機械学習とは何か、よくわからないですか?

機械学習とは、つい最近まで人間だけが行っていた作業をコンピュータに行わせるプロセスです。

機能的な機械学習が登場する以前のソフトウェアやコンピュータシステムは、プログラマーが指示した情報しか知りませんでした。その結果、ソフトウェアシステムはイノベーションを起こすことができず、命令を与えられなければ機能しないものになってしまいました。

機械学習により、企業は大量のデータセットを統計的な知識や実用的なインテリジェンスに変換することができます。この貴重な知識を日常のビジネスプロセスや業務活動に組み込むことで、市場の需要やビジネス環境の変化に対応することができます。繰り返し行う作業を自動化するだけでなく、世界中の企業が機械学習を利用して、ビジネスのオペレーションやスケーラビリティの向上に役立てています。

機械が持っているのは 人間よりもはるかに広い範囲のデータ処理能力そのため、人よりもはるかに早くデータを整理し、スキャンすることができるのです。より便利なソフトウェアを生み出すだけでなく だけでなく、より効果的なソフトウェア.

これは、強い技術的背景を持たない採用担当者にとって超重要なことです。候補者が成功するために必要な機械学習のスキルを持っているかどうかを判断するのは彼らの役割です。それでは、機械学習についてもう少し掘り下げて、機械学習の専門家をスクリーニングする最善の方法をご紹介しましょう。

機械学習とは?

機械学習はAIのサブセットです。つまり、すべての機械学習はAIとしてカウントされますが、すべてのAIが機械学習としてカウントされるわけではありません。

機械学習のアルゴリズムは、統計学を用いて、通常は大量にあるデータからパターンを見つけ出します。ここでいうデータとは、数字、単語、画像、クリックなど、コンピュータで処理できるものであれば何でもOKです。基本的には、デジタルで保存できるものであれば、機械学習アルゴリズムに投入することができます。

機械学習は、本質的に「自己プログラミング」の一種です。機械学習のアルゴリズムは、サンプルデータを使って自動的に数学的モデルを構築します。 "トレーニングデータ "とも呼ばれる を使って革新的な意思決定を行うことができます。機械学習モデルとは、以下のことを学習させたプログラムのことです。 ある種のパターンの認識.一連のデータをもとにモデルを学習させ、そのデータを推論して学習するためのアルゴリズムを提供するのです。人間がプログラムしなくても、これらの判断ができるようになり、手元に人工知能ができあがります。

1.1 AIとは?

人工知能とは、視覚認識、音声認識、意思決定、言語間の翻訳など、通常は人間の知能を必要とする作業をコンピュータシステムが行うという概念です。

人工知能では、「学習」や「問題解決」など、人間の心に関わる認知機能を機械が模倣する。

1.2.機械学習は何のために使われるのか?

私たちは、機械学習の力をさまざまな場面で活用しています。 現代のサービスNetflix、YouTube、Spotifyなどのレコメンデーションシステム、GoogleやBaiduなどの検索エンジン、FacebookやTwitterなどのソーシャルメディアフィード、SiriやAlexaなどの音声アシスタント。挙げればきりがありません。

これらのサービスを利用している間、各プラットフォームはあなたのデータを可能な限り収集しています。例えば、あなたがどんなジャンルを見るのが好きなのか、どんなリンクをクリックしているのか、どんなステータスに反応しているのかなどです。これらのデータは、次のように計算された推論を行うアルゴリズムの作成に使用されます。 次は何をしたいですか?.このプロセスは、「パターンを見つけて、パターンを適用する」という極めて基本的なものです。しかし、このプロセスは、私たちが今日アクセスするほとんどすべての技術に共通しています。

機械学習の用途としては、ユーザーの購買行動や信用リスク、住宅市場の変動などの予測や、振り込め詐欺や工場設備の故障などの異常検知、新たなコンテンツの生成などが挙げられます(外国語の翻訳、ある場所への最適なルート検索、表面を自動で清掃するロボットの誘導など)。

1.3.機械学習エンジニアの機能とは?

機械学習のスキルを持つ人は、通常、機械学習エンジニアと呼ばれます。この役割は非常に新しいものですが、「機械学習」という言葉は は、1959年に初めて作られた言葉です。 コンピュータゲームや人工知能の分野におけるアメリカの先駆者、アーサー・サミュエル氏によるものです。

機械学習エンジニアは、ビジネスの機械学習モデルの構築、開発、保守を主に担当します。

この役割には、企業に適した機械学習の手法や、モデルの評価方法の選択も含まれます。また、品質管理や生産段階への移行を監督する役割も担っています。製造後は、市場の状況変化に応じてモデルの監視と調整を行います。彼らの責務の一覧は以下の通りです。

  • 機械学習ライブラリを備えたプログラミング言語を使って、機械学習の実験を行う。
  • 機械学習ソリューションを本番環境に導入する
  • パフォーマンスとスケーラビリティのためのソリューションの最適化。
  • データエンジニアリング(データベースとバックエンドシステム間の良好なデータフローを確保する)。
  • カスタム機械学習コードの実装
  • データ分析。

1.4.機械学習の仕事は他の仕事と似ていますか?

機械学習エンジニアの役割は、データサイエンティストに似た専門的なポジションですが、データサイエンティストはより多様なタスクをこなすように訓練されています。

ソフトウェアエンジニアリングのバックグラウンドを持つデータサイエンティストは、機械学習エンジニアに転職することが多く、重複する部分もあります。データサイエンティストは、データ分析、ビジネスインサイトの提供、モデルのプロトタイピングを中心に行い、機械学習エンジニアは、複雑で大規模な機械学習製品のコーディングとデプロイメントを中心に行います。

機械学習のスキル

IT業界の採用担当者が機械学習について知っておくべきこととは?

機械学習を導入することで、システムの制約がなくなります。 プログラマーの人間模様 になりました。今や機械は、プログラマーやアナリストが新しい革新的なプロセスを経て、自らの手法を学ぶことができるようになりました。 は考えもしなかったかもしれません。.

これは、プログラマーが特定の目的を持ってソフトウェアを作成する際に、そのプロセス全体に注目する必要がないため、非常に便利です。

このような膨大な量の情報を解釈するためにコンピューターをプログラムする方法を見つけることは、最高のプログラマーにとっても困難なことです。機械学習は、そのような情報を解釈するための方法論を生み出すことができます。 人間の計画と先見の明を超えて.

2.1.環境や直面している課題はどのくらいの頻度で変化しますか?

機械学習の状況は常に変化しています。データは常に大きくなり、問題は常に難しくなっているので、新しい技術が開発され、新しいフレームワークが登場します。

2.2.機械学習に利用できるリソース/ツール/技術(ライブラリ、フレームワークなど)はたくさんありますか?

機械学習用のツールの多くはPython言語で提供されていますが、Rはあまり一般的ではありません。深層学習のフレームワークの中には、Pythonよりも高速でメモリ効率が良いため、C++やJavaで利用できるものもあります。Pythonでは、pandas、scikit-learn、PyTorch、TensorFlowなどのライブラリがよく使われています。

2.3.エンジニアが知っておくべき機械学習のスキル、ツール、テクニックとは?

機械学習エンジニアとして成功するためには、優れた数学的思考を持つ必要があります。また、プログラミングと統計学の両方に精通し、問題解決能力を駆使して機械学習モデルに関する深い知識を身につけていなければなりません。Pythonは機械学習の世界共通言語です。

2.4.機械学習エンジニアが熟知すべきAIのスキル、ツール、テクニックとは?

プログラミング言語(Python、R、Java、C++が望ましい)をよく理解していること。また、行列、ベクトル、行列乗算の概念をよく理解していることが望ましいです。さらに、勾配降下法のような単純な概念を理解するためには、微分・積分の知識とその応用が不可欠です。また、アルゴリズム理論の確固たる基礎と専門知識は必須です。

ニューラルネットワークアーキテクチャの経験を持つことは、翻訳、音声認識、画像分類など、AI部門で極めて重要な役割を果たす多くの問題に対抗する最も的確な方法です。

機械学習エンジニアには、幅広いドメイン知識を持っているだけでなく、優れたコミュニケーション能力と迅速なプロトタイピング能力が不可欠です。

2.5.機械学習エンジニアに求める重要な経験とはどのようなものでしょうか?

研究のみのプロジェクトでは、学術的または科学的な経験が最も重要であり、充実しています。しかし、生産モデルの作成に関しては、他の生産モデルに携わった経験があれば、最高の洞察力を得ることができます。

機械学習のスキルを検証するには?

スクリーニングの段階で機械学習のスキルを確認するには?

ほとんどの採用担当者は、理想的な候補者を探す際にスキルテストを優先します。最終的に、技術的なスキルが不足している人を採用することは、コストのかかるミスになりかねません。しかし、成功している機械学習エンジニアは、スキルテストだけでは特定できない貴重な特性も持っています。その多くは、本からは学べないものです。

では、それらはどのようなもので、どのように識別するのでしょうか。

また、皮肉なことに、企業やリクルートが AIの導入が進む と機械学習を利用したソリューションで、適切な人材を見つけることができます。

3.1.履歴書の審査で注意すべき点は?

機械学習エンジニアは、線形代数、多変量計算、分散、導関数、積分、標準偏差など、数学的・統計的な概念に精通している必要があります。

また、ベイズ則、ガウス混合モデル、マルコフ決定過程などの確率の基本的な概念を知っている必要があります。 機械学習ライブラリの使用経験があることが必須です。

候補者は、コンピュータサイエンス/ソフトウェアエンジニアリングのバックグラウンドを持ち、少なくとも1つのプログラミング言語に精通し、十分なコーディング経験があることが求められます。 主張するのは、「Tsisana Caryn」のHRスペシャリスト。 アサイメントライティングサービス.データ構造、コンピュータ・アーキテクチャ、アルゴリズム、計算可能性、複雑性など、コンピュータ・サイエンスの概念を深く理解することが不可欠です。

候補者がきちんとしたビジネス感覚を持ち、ビジネスの基本や原理を十分に理解しているかどうかを必ず確認してください。また、組織内での業績を定量的に示すことができれば、大きなアドバンテージとなります。

3.2.機械学習で知っておくべき用語集(フレームワーク、ライブラリ、言語バージョンなど)を教えてください。

  • 古典的な機械学習 - 線形回帰、ロジスティック回帰、決定木、ランダムフォレスト、ブースティング、サポートベクターマシン、非負行列因子分解、K-means、K-nearest neighborsなどのモデルを使ってタスクを解決する。
  • ニューラルネットワーク は、人間の脳の働きにヒントを得た機械学習の一種です。人間の脳は、ニューロンのように相互に接続されたユニットで構成されたコンピューティングシステムで、外部からの入力に反応して、各ユニット間で情報を中継しながら情報を処理します。このプロセスでは、定義されていないデータからつながりを見つけ、意味を導き出すために、データを何度も通過させる必要があります。
  • ディープラーニング - ニューラルネットワークを使って(脳を模倣して)課題を解決する。ニューラルネットワークの種類には、畳み込みニューラルネットワークやリカレントニューラルネットワークなどがあります。ディープラーニングは、物体の検出、音声の認識、言語の翻訳、意思決定などに利用されています。深層学習型AIは、人間が監督しなくても、構造化されていない、ラベルのないデータから学習することができます。
データ操作用ライブラリPythonではRでは: dyplr, tidyr
分散型データ操作ライブラリPythonで。Scala、Java、PythonでのDask。Spark
一般的な機械学習ライブラリIn Python: scikit-learn In Python, R, Java, Scala, C++: H2O.ai In R: caret, e1071
深層学習ライブラリPythonで。RでのKeras、Tensorflow、PyTorch。C++で: NnetCaffe

3.3.どのような認定資格があり、尊重されているか?機械学習のスキルを判断する上で、それらはどのように役立つのでしょうか?

証明書は採用担当者にとってあまり重要ではないということがいろいろと言われています。逆に言えば、証明書はそのテーマを高いレベルで知っていることを証明するものであり、また、学習を続ける意欲があることを示すものでもあります。さらに、エンジニアはプロジェクトワークを自分のポートフォリオに加えることができます。評判の良いコースには次のようなものがあります。

  • スタンフォード大学による機械学習の認証(Coursera
  • 人工知能(ノースウェスタン大学ケロッグ経営大学院)
  • Google Cloud PlatformでのTensorFlowによる機械学習
  • 人工知能。ビジネス戦略とアプリケーション (バークレーExecEd)
  • DeepLearning.aiによるDeep Learning Certification - Andrew Ng (Coursera)
  • ハーバード大学の機械学習データサイエンス認証(edX
  • 機械学習-IBMのデータサイエンス資格(Coursera
  • 機械学習と人工知能のプロフェッショナル・サーティフィケート・プログラム(MITプロフェッショナル・エデュケーション
  • 機械学習資格(ワシントン大学

3.4.機械学習のスキルを示すことができる履歴書の他の行とは?

機械学習のコンペティションに参加することも、大きなメリットになります。Kaggle.com、topcoder.com、cloudai.org、knowledgepit.mlなどのプラットフォームでは、この分野の賞を競うことができます。

候補者のLinkedInやGitHubのアカウントを閲覧することは、候補者のアウトラインを測るだけでなく、オープンソースのプロジェクトに精通しているかどうかを確認するのにも役立ちます。

電話/ビデオの技術面接で機械学習のスキルを技術的に審査

機械学習の仕事に応募する人は、次のことを期待できます。 数多くの種類 RevUnit社の機械学習担当ディレクター、コリン・ショー氏は、面接時の質問についてこう語る。

"優れた機械学習エンジニアは、さまざまなスキルを融合させており、さらにその知識をプロダクションに持ち込めるようなコードに融合させる方法を知っています。私たちが求める一般的な分野は、数学と統計、機械学習とデータサイエンス、深層学習、一般的な知識と問題解決、コンピュータサイエンスとプログラミングなどです。"

4.1.MLEの疑問点 経験.なぜ、それぞれの質問をする必要があるのですか?

  1. あなたが解決した機械学習の問題の種類を説明していただけますか?
    これはウォームアップのための導入的な質問ですが、候補者がその分野でどの程度の知識を持っているかを示すものでもあります。多様な問題があるので、募集する問題を経験したことのある人を探すのが一番です。
  2. これまでどのような機械学習モデルを使ってきたのでしょうか?
    特定のML技術について、エンジニアがどの程度の知識を持っているかを調べることを目的としています。古典的なMLアルゴリズムと深層学習アルゴリズムには大きな違いがあり、一方の知識が他方の知識を意味するわけではありません。
  3. これまでに手がけたプロジェクトの中で、最も面白かったものは何ですか?
    この質問は、候補者が情熱を傾けていることについて話したり、自分がよく知っていることについての知識を披露したりするチャンスとなるため、良い質問です。さらに、緊張している候補者にとっては、より安心感を与え、自分の最高の資質をアピールすることができる。
  4. プロジェクトの期間はどのくらいですか?生産に移したり、モデルをさらに開発したりしましたか?
    エンジニアが機械学習モデルのプロダクション化の経験があるかどうかを確認するために設計されており、他では知られていない特定のサブセットの課題があります。

4.2.MLEの疑問点 識見.なぜ、それぞれの質問をする必要があるのですか?

  • 機種が正常に機能しているかどうかは、どのように確認するのでしょうか?
    理想的な方法は、データセットを「トレーニングセット」「検証セット」「テストセット」の3つに分割することです。トレーニングセットは、モデルが利用できる唯一のセットであり、トレーニングプロセスの基礎となります。検証セットを用いてモデルのパラメータを設定し、テストセットを用いてモデルの効率性を検証します。
  • 古典的なMLモデルと深層学習モデルの違いは何ですか?
    深層学習モデルは、常にニューラルネットワークを使用しており、古典的なモデルのように特徴量のエンジニアリングを必要としません。しかし、パターンを学習するためには、古典的なモデルよりも多くのトレーニングセットを必要とします。
  • 画像で構成されたデータセットには、どのようなMLライブラリー/ライブラリを使用しますか?
    現在、画像データに最適なアプローチは、広範囲な画像操作を可能にするライブラリであるOpenCVを使用することです。また、Keras、Tensorflow、pyTorch、Caffeなどの深層学習ライブラリを使用することもできます。Keras、Tensorflow、pyTorch、Caffe。

4.3. 行動 MLEに質問すべきこと。なぜそれぞれの質問をする必要があるのでしょうか?

  • 今後、どのような問題を解決していきたいですか?どのようなMLモデルを使いたいですか?候補者のモデル/問題に対する好みを確認するための質問、または、候補者に専門分野があるかどうか、どの分野で最もパフォーマンスを発揮できるかを確認するための質問です。この質問は、候補者が機械学習の分野でどのように成長していくかを結論づけるのにも役立ちます。
  • 機械学習の新技術に関する情報はどこで入手できますか?
    この質問は、候補者が技術コミュニティにどれだけ参加しているか、あるいは参加していないか、また、常に進化する分野で新しいスキルを学ぶことにどれだけ関心があるかを知るために尋ねています。カンファレンス論文、ワークショップ論文、MOOCs、機械学習をテーマにしたFacebookやメールグループ、あるいはメンターからの学習など、どのような情報源も価値があります。
  • 機械学習分野での最大の成功と最大の失敗は何だと思いますか?
    かなり一般的な質問ですが、候補者の自己反省のスキルを示しています。これは、優れた機械学習エンジニアになるための大きな要素である学習プロセスにおいて必要なことです。
機械学習のコーディングテスト

5.オンラインコーディングテストを用いたMLEの技術審査

優秀な機械学習エンジニアを採用することは、採用担当者にとって依然として困難な課題です。これは、機械学習分野の人材が不足しているだけでなく、採用担当者に関連する経験が不足していることが原因です。ほとんどの採用担当者にとって、機械学習はまだ新しく、わかりにくい分野です。今回は、機械学習エンジニアを選考するための最適な方法をご紹介します

5.1.機械学習スキルのオンラインテストはどれを選べばいいの?

正しいものを探すとき 機械学習技能検定 以下の条件に合致していることを確認してください。

  • このテストは、実施されているプロの仕事の質を反映しています。
  • 持続時間は長すぎず、最大で1~2時間です。
  • テストは自動的に送信することができ、自然の中で簡単です。
  • 候補者の能力に合わせた難易度
  • このテストは、ソリューションが動作するかどうかのチェックにとどまらず、コードの品質やエッジケースでの動作をチェックします。
  • 限りなく自然なプログラミング環境に近く、候補者は関連するリソースにアクセスすることができます。
  • これは、候補者が定期的に遭遇するすべてのライブラリ、フレームワーク、およびその他のツールを使用する機会を提供します。

5.2.DevSkiller すぐに使えるオンライン機械学習スキルテスト

DevSkillerのコーディングテストでは、RealLifeTesting™という手法を用いて、受験者が実際に働くコーディング環境を再現しています。曖昧な学術的アルゴリズムを使用するのではなく、DevSkillerテストでは受験者がアプリケーションや機能を構築することが求められます。採点は完全に自動化されており、世界のどこでも受験することができます。同時に、受験者は、ライブラリ、フレームワーク、StackOverflow、Googleなど、通常使用するすべてのリソースにアクセスできます。

企業はDevSkillerを利用して、世界中のどこからでも独自のコードベースを使って受験者をテストしています。また、DevSkillerでは、簡単にできるように、ここで紹介したようなデータサイエンスのスキルテストも数多く用意されています。

パイソン
ミドル
テストされたスキル
持続時間
104 分以内
評価
自動
テストの概要

選択問題

知識評価 Keras, 機械学習, パイソン

プログラミングタスク - レベル。中程度

Python|NLP|Keras|カスタマーレビューのセンチメント分析 - 映画や航空会社のカスタマーレビューのセンチメント分析とタグ付けを、多出力のニューラルネットワークモデルを用いて行います。

パイソン
ミドル
テストされたスキル
持続時間
72 分以内
評価
自動
テストの概要

選択問題

知識評価 機械学習, 強化学習

プログラミングタスク - レベル。中程度

Python|PyTorch|強化学習|Deep Q-Network - DQNアルゴリズムの実装を完成させる。

パイソン
ジュニア
テストされたスキル
持続時間
63 分以内
評価
自動
テストの概要

選択問題

知識評価 機械学習, ピートーチ

プログラミングタスク - レベル。簡単

Python|PyTorch|コンピュータビジョン|モデルビルダ - モデルトレーニングパイプラインの実装を完了します。

パイソン
ミドル
テストされたスキル
持続時間
70 分以内
評価
自動
テストの概要

選択問題

知識評価 機械学習, パイソン

プログラミングタスク - レベル。中程度

Python|DNA Analyzer|DNA鎖を作成してきれいにする - DNA鎖を作成してきれいにする2つのメソッドをPythonで実装します。

パイソン
ジュニア
テストされたスキル
持続時間
49 分以内
評価
自動
テストの概要

選択問題

知識評価 機械学習

プログラミングタスク - レベル。簡単

Python | DNA Analyzer - DNA統計レポートを生成するメソッドを Python で実装したもの。

パイソン
ミドル
テストされたスキル
持続時間
80 分以内
評価
自動
テストの概要

選択問題

知識評価 機械学習, パイソン

プログラミングタスク - レベル。中程度

Python|DNA Analyzer|DNA鎖を作成してきれいにする - DNA鎖を作成してきれいにする2つのメソッドをPythonで実装します。

パイソン
ミドル
テストされたスキル
持続時間
80 分以内
評価
自動
テストの概要

選択問題

知識評価 機械学習, パイソン

プログラミングタスク - レベル。中程度

Pythonデータ抽出、処理 - PDFファイルを抽出して処理し、表示/出力用の特定の形式に変換するプログラムのコードを完成させ、更新します。

アンドロイド
ミドル
テストされたスキル
持続時間
102 分以内
評価
自動
テストの概要

選択問題

知識評価 機械学習, アンドロイド

プログラミングタスク - レベル。中程度

Android | ソーシャルネットワークログイン - LoginActivity と MainActivity、LoginManager、CredentialsStorage の欠落しているセクションを実装しました。

シェアポスト

技術者の採用についてはこちら

ラーニングハブに登録すると、有益な情報をメールで受け取ることができます。

シームレスにコーディングスキルを検証&開発

DevSkillerの製品をご覧ください。

セキュリティ認証とコンプライアンス。お客様のデータの安全性を確認します。

DevSkillerのロゴ タレントブーストのロゴ タレントスコアのロゴ