Hoe screen je Data Science vaardigheden

Gepubliceerd: Laatst bijgewerkt:
Screen data science vaardigheden

Data wetenschap. Een modern modewoord. In onze huidige digitale wereld is het gebruikelijk om titels te ontdekken die worden toegekend aan rollen en disciplines die nog niet universeel gedefinieerd en aanvaard zijn. Geen enkele daarvan is zo wijdverbreid als data science en de vaardigheden van data scientists die eraan worden toegeschreven.

In dit artikel gaan we dieper in op de betekenis van datawetenschap en de vaardigheden van datawetenschappers, en geven we je advies over hoe je het beste kunt screenen voor een baan als datawetenschapper.

Het down-low over data wetenschap

Volgens marktonderzoeksbureau Forrester zullen op inzicht gebaseerde bedrijven in 2021 gezamenlijk ter waarde van $1,8 biljoen, een stijging ten opzichte van de $333 miljard in het jaar 2015. Deze "inzichten" worden afgeleid uit gegevens, die een centrale rol spelen bij het helpen van 's werelds meest succesvolle bedrijven om winstgevender te worden. Uit hetzelfde rapport blijkt dat datagedreven organisaties 8x sneller groeien dan het wereldwijde BBP. Voedsel voor de geest.

Het vermogen om gegevens te interpreteren en het nut ervan te benutten is duidelijk een behoorlijk serieuze taak. Maar er is min of meer een consensus over het gebrek aan consensus met betrekking tot een duidelijke definitie van data wetenschap.

Ondanks de moeilijkheden om zichzelf te definiëren, heeft dit de oprichting van nieuwe graduaatprogramma's niet vertraagd met "data science" in hun naam. Om dat te bevestigen, een recente enquête-analyse van KDNuggets heeft aangetoond dat afgestudeerde graden met de naam "data science" begonnen op te duiken in 2007, met een enorme piek van inschrijvingen 2012.

Het is duidelijk dat functies op het gebied van data science zich op een kritiek punt van hun levensduur bevinden. Door de schaalbaarheid van het vakgebied krijgt het de aandacht die het verdient. Maar hoe kunnen we mensen aanwerven als we niet goed begrijpen wat het is?

DevSkiller heeft je op beide fronten gedekt.

Wat is data wetenschap

Wat is Data Wetenschap?

In zijn eenvoudigste vorm is data science de discipline van het nuttig maken van gegevens. Het concept van data wetenschap is "het verenigen van statistiek, data analyse, machine lerenen hun verwante methoden" om "werkelijke verschijnselen te begrijpen en te analyseren" met gegevens.

Traditioneel waren de gegevens die we konden evalueren meestal gestructureerd en klein van omvang, en konden ze worden geanalyseerd met behulp van eenvoudige BI-tools. In tegenstelling tot de gegevens in de traditionele systemen die meestal gestructureerd waren, Tegenwoordig zijn de meeste gegevens ongestructureerd of semi-gestructureerd. Deze vraag heeft de rol van de data scientist in een stroomversnelling gebracht.

1.1 Wat is de rol van een data scientist?

Een datawetenschapper moet de datastrategie van het bedrijf uitstippelen, wat inhoudt dat hij alles opzet, van de engineering en de infrastructuur voor het verzamelen van gegevens en het loggen, tot de privacybelangen. Zij beslissen welke gegevens zal op de gebruiker gericht zijnhoe gegevens zullen worden gebruikt om beslissingen te nemen en hoe die gegevens weer in het product zullen worden verwerkt. Zij zullen zich ook bezighouden met het patenteren van innovatieve oplossingen en het vaststellen van onderzoeksdoelstellingen. Een lijst van hun basisverantwoordelijkheden omvat:

  • Het synthetiseren van alle beschikbare informatie, statistieken, en gegevens van een organisatie,
  • Verzamelen van informatie over de AI-behoeften in een organisatie,
  • Gegevens analyseren en potentiële toepassingen vinden met AI (soms verkennende gegevensanalyse genoemd),
  • Datapatronen uitleggen aan bedrijfsgerichte collega's en klanten (een proces dat bekend staat als data storytelling),
  • Ontwerpen en voorbereiden van modellen voor machinaal leren,
  • De doeltreffendheid van de modellen in de productieomgeving evalueren.

Voor het geval je het nog niet wist, een machine learning model is een programma dat getraind om bepaalde soorten patronen te herkennen. Het is mogelijk een model te trainen op een reeks gegevens, waarbij het een algoritme krijgt dat het kan gebruiken om over die gegevens te redeneren en ervan te leren.

Een chief data scientist moet een team van ingenieurs, wetenschappers en analisten aansturen en communiceren met de leiding van het bedrijf, waaronder de CEO, CTO en productleiding. Ze zal zich ook bezighouden met het patenteren van innovatieve oplossingen en het vaststellen van onderzoeksdoelen.

Een populaire Twitter definitie heeft een data scientist omschreven als "iemand die beter is in statistiek dan een software engineer en beter in software engineering dan een statisticus".

1.2 Is een data scientist vergelijkbaar met een andere functie?

Veel verschillende soorten analisten zijn in staat om gegevens "nuttig te maken", gaande van een data engineer tot een kwalitatief expert. Hoewel al deze rollen deel uitmaken van data science, moet iemand, om van een data scientist te kunnen spreken, deskundig zijn op alle drie de gebieden (analytics, statistiek en ML/IA).

Om een voorbeeld te geven: een machine learning developer doet een subset van de taken van een data scientist, maar richt zich alleen op Machine Learning Models. De functie van data scientist is echt een overkoepelende term, hoewel functiebenamingen nooit echt een accurate weerspiegeling zijn geweest van iemands verantwoordelijkheden

Data wetenschap: Wat is belangrijk voor een IT recruiter

Wat is belangrijk voor een IT recruiter om te weten over Data Science?

2.1 Hoe vaak verandert de omgeving/het probleem?

Een van de dingen die een IT-recruiter moet weten, is dat het landschap voortdurend verandert. De gegevens worden steeds groter, en de problemen steeds moeilijker; dus worden er nieuwe technieken ontwikkeld en zullen er zeker nieuwe kaders volgen.

2.2 Zijn er veel hulpbronnen/tools/technologieën (bibliotheken, frameworks, enz.) beschikbaar?

Vertrouwd zijn met bepaalde hulpmiddelen en instrumenten zal zeker een groot voordeel zijn. Momenteel zijn er heel wat tools beschikbaar in de taal Python, maar voor R (een andere programmeertaal) zijn er heel wat minder beschikbaar. Sommige deep-learning frameworks zijn beschikbaar in C++, omdat dit sneller en geheugenefficiënter is dan Python. In Python zijn enkele van de populairste bibliotheken: pandas, Seaborn, plotly, scikit-learn, PyTorch, TensorFlow.

2.3 Wat moet een data scientist weten en wat zijn de belangrijkste data scientist skills?

Van data scientists wordt verwacht dat ze veel weten - machine learning, informatica, statistiek, wiskunde, datavisualisatie, communicatie, en deep learning. Binnen die gebieden zijn er tientallen talen, frameworks en technologieën die data scientists kunnen leren.

Gegevenswetenschap vereist vaardigheden op het gebied van statistiek en computerwetenschap - geen verrassing. Het is interessant dat communicatie wordt genoemd in bijna de helft van de data wetenschap vacatures deze dagen. Data scientists moeten in staat zijn inzichten over te brengen en met anderen samen te werken. Hieronder volgt een basislijst van wat een goede data scientist maakt:

  • Mogelijkheid tot gegevensanalyse
  • Bedreven in machinaal leren
  • Heeft goede communicatieve vaardigheden
  • beheerst een diep lerend kader
  • Is vloeiend in Python of R

2.4. Welk type ervaring is belangrijk om te zoeken in een data scientist (commercieel, open-source, wetenschappelijk, academisch)?

Voor onderzoek, alleen projecten - academische of wetenschappelijke ervaring zal de meest cruciale en goed afgeronde zijn. Maar wat het maken van productiemodellen betreft - eerdere ervaring met het werken met andere productiemodellen zal u het beste inzicht geven.

Controleer vaardigheden

Hoe kunnen de vaardigheden van datawetenschappers in de screeningfase worden geverifieerd?

Groeiende gegevens betekenen groeiende kansen - het moet allemaal gewoon goed worden beheerd. Het controleren van vaardigheden in de screeningfase is lastig, maar aandacht voor de soft-skills van een kandidaat kan ook helpen talent op een unieke manier te vinden. Het vinden van datawetenschappers die al goede besluitvormers zijn

kunnen makers uw bedrijf een hoop rompslomp besparen.

3.1 Waarmee moet rekening worden gehouden bij het screenen van een cv?

Het belangrijkste om te overwegen is of de kandidaat een gedetailleerde achtergrond heeft op de meest relevante gebieden. Eerdere kennis van wiskunde, statistiek, informatica, programmeren en machine learning libraries zijn hier absoluut essentieel. Eerdere ervaring met data science analytics en programmering zijn ook van vitaal belang.

Wat een goede van een geweldige datawetenschapper onderscheidt, zijn interpersoonlijke communicatievaardigheden, d.w.z. het vermogen om te converseren en samen te werken met een grote verscheidenheid aan mensen. De kandidaat moet ook een goed zakelijk inzicht hebben of een goed afgerond begrip van zakelijke grondbeginselen en principes.

Ga zeker na of de kandidaat heeft aangegeven hoe zijn werk een positieve invloed heeft gehad op een stijging van de verkoop, ROI, enz. Het is van essentieel belang dat topkandidaten kwantitatieve bewijzen van hun prestaties bijvoegen.

Als de kandidaat die u zoekt pas is afgestudeerd, richt u zich op zijn vaardigheden en relevante cursussen of stages die hij heeft gevolgd om zijn kennis te vergroten.

3.2 Welke termen uit de woordenlijst zijn belangrijk om te kennen?

  • Verkennende gegevensanalyse - deze bestaat uit het opschonen van gegevens, het verkennen van gegevenspatronen en het handmatig ontdekken van patronen in gegevens
  • Data storytelling - dit verwijst naar de beschrijving en visualisatie van datapatronen voor personen zonder technische kennis
  • Klassiek machinaal leren - taken oplossen met modellen als lineaire of logistische regressie, beslisbomen, random forests, boosting, support vector machines, niet-negatieve matrix factorisatie, K-means, k-nearest neighbors
  • Deep Learning - het oplossen van taken met behulp van neurale netwerken. Enkele soorten neurale netwerken zijn Convolutionele Neurale Netwerken en Recurrente Neurale Netwerken
Bibliotheken voor gegevensanalyse en -manipulatieIn Python: NumPy, pandas In R: dyplr, tidyr
Gedistribueerde bibliotheken voor analyse en manipulatie van gegevensIn Python: Dask in Scala, Java, en Python: Spark
Gegevens visualisatie bibliothekenIn Python: Seaborn, Plotly, Matplotlib In R: ggplot2
Algemene bibliotheken voor machinaal lerenIn Python: scikit-learn In R: caret, e1071
Deep Learning-bibliothekenIn Python: Keras, Tensorflow, PyTorch In R: Nnet In C++: Caffe

3.3 Welke certificeringen zijn beschikbaar en worden gerespecteerd? Hoe nuttig zijn ze bij het bepalen van de vaardigheden van data scientisten?

Laten we één ding vooropstellen: je hebt geen data science-certificaat nodig om een baan in data science te krijgen. Het helpt, maar recruiters maken zich er niet al te druk om.

Ongeveer de helft van de kennis over machinaal leren is echter theoretisch, dus certificeringen op dit gebied zijn zeer toepasselijk. De andere 50% komt uit ervaring, dus elk soort productiemodel dat is gemaakt, of Kaggle-wedstrijden. Certificeringen controleren meestal niet op vaardigheden op het gebied van bedrijfsanalyse of algemene mensenkennis. De top cursussen die we hebben gevonden staan hieronder.

  • Gecertificeerd Analytics Professional (CAP)
  • Cloudera Certified Associate: Data Analist
  • Cloudera Certified Professional: CCP Data Engineer
  • Data Science Council of America (DASCA) Senior Data Scientist (SDS)
  • Data Science Council of America (DASCA) Principle Data Scientist (PDS)
  • Dell EMC Data Science Track
  • Google gecertificeerde professionele gegevensingenieur
  • Google Data en Machine Leren
  • IBM Data Science Professional-certificaat
  • Microsoft MCSE: Gegevensbeheer en -analyse
  • Microsoft gecertificeerde Azure Data Scientist Associate
  • Open gecertificeerde datawetenschapper (Open CDS)
  • SAS Certified Advanced Analytics Professional
  • SAS gecertificeerde Big Data Professional
  • SAS gecertificeerde data wetenschapper

Certificaten van Coursera, edX, of Udacity worden ook zeer gerespecteerd.

3.4 Uit welke andere regels op een cv kunnen de vaardigheden van een data scientist blijken?

Uit de deelname van kandidaten aan conferenties als spreker kan blijken dat zij over de nodige vaardigheden beschikken om een goede verteller te zijn, een belangrijke vereiste in de datawetenschap. Het is uiteraard noodzakelijk om een expert te zijn op technisch vlak, maar het vermogen om je bevindingen uit te leggen aan mensen zonder technische kennis is net zo cruciaal.

Deelnemen aan machine learning wedstrijden kan ook een groot voordeel zijn. Platforms zoals Kaggle.com, topcoder.com, crowdai.org en knowledgepit.ml bieden allemaal de kans om mee te dingen naar prijzen op dit gebied.

In de wereld van vandaag is een goed cv alleen misschien niet genoeg om dat begeerde gesprek te krijgen. Vooral als je solliciteert naar een functie als data scientist. Aangezien we leven en bloeien in het midden van een digitale revolutie, is het logisch dat het rekruteringsproces daar ook rekening mee houdt.

Het doorbladeren van de LinkedIn- en GitHub-accounts van een kandidaat kan nuttig zijn om de contouren van een kandidaat te peilen en om zijn bekwaamheid in open-sourceprojecten te bekijken. U kunt bepalen of de projecten relevant zijn voor de huidige rol. Dit helpt u om het profiel van de kandidaat te visualiseren, zodat u in staat bent om vragen op een bepaalde manier te structureren. Je zult ook in staat zijn om te bepalen of de data scientist vaardigheden die door de kandidaat in zijn/haar cv worden genoemd, weerspiegelen in hun GitHub profiel.

Technische screening van data science-vaardigheden tijdens een technisch interview per telefoon/video

Het is moeilijk om alleen af te gaan op de woorden van een cv. Het is immers belangrijk dat u de kandidaat uitdaagt om te bepalen of hij of zij echt beschikt over de vaardigheden die hij of zij beweert te hebben. Ook al is het maar een telefonisch interview, het kan u helpen te begrijpen hoe de kandidaat denkt en problemen oplost die met zijn vak te maken hebben.

4.1 Vragen die je moet stellen over een data scientist's ervaring. Waarom zou je elk van die vragen stellen?

  • Wat voor soort DS-projecten heeft u gedaan, en wat was de mate van uw betrokkenheid bij de projecten?
    Reden: Aangezien data science een zeer brede functie is, met vaak verschillende verantwoordelijkheden; sommige kandidaten werken misschien alleen in data-analyse en storytelling of verzamelen alleen requirements en maken machine learning modellen. De ervaring van de kandidaat moet overeenkomen met de verantwoordelijkheden van de functie waarvoor u werft. Deze vraag is eigenlijk bedoeld om de omvang van de vaardigheden van de kandidaat na te gaan.
  • Hoe heeft uw werk een positief financieel effect gehad op de organisatie met de projecten waaraan u hebt meegewerkt?Reden: De rol van data scientist is een functie die een goed begrip van de zakelijke eisen en voorwaarden vereist. Zoek naar antwoorden die specifieke metingen laten zien, zoals 'het marketingteam heeft dankzij onze resultaten de kosten met 10% kunnen verlagen', of 'we hebben het klantverloop met 5% verlaagd dankzij onze nieuwe retentiemogelijkheden'.
  • Wat voor bibliotheken en programmeertechnieken heb je gebruikt?
    Reden: Data scientists kunnen een grote verscheidenheid aan tools gebruiken om dezelfde resultaten te bereiken. Deze kunnen afhangen van de programmeertaal die men kiest, de interne bedrijfsinfrastructuur en de omvang van de dataset waarmee de kandidaat heeft gewerkt. De kandidaat zal waarschijnlijk het best presteren met tools waarmee hij/zij eerder ervaring heeft opgedaan.

4.2 Vragen die je moet stellen over een data scientist's kennis en meningen. Waarom zou je elk van die vragen stellen?

  • Hoe controleert u of een model naar behoren functioneert?
    Reden: De ideale methodologie is om de dataset op te splitsen in secties: trainingsset, validatieset en testset. De trainingsset is de enige waarover het model beschikt en vormt de basis van het trainingsproces. De parameters van het model worden ingesteld met behulp van de validatieset en de doeltreffendheid van het model wordt getest op de testset.
  • Hoe controleert u of de gegevens in de dataset van goede kwaliteit zijn?
    Reden: Een data scientist zal hoogstwaarschijnlijk moeten werken met een dataset die binnen het bedrijf is verzameld en die mogelijk ontbrekende waarden, fouten of inconsistenties bevat - dit zijn de tekenen van rommelige data. Om dergelijke problemen te vinden, moet een data scientist een verkennende data-analyse uitvoeren om de belangrijkste kenmerken ervan samen te vatten.
  • Wat is boosting en wat zijn de voordelen van het gebruik ervan?
    Reden: Boosting-modellen zijn boomgebaseerde modellen die bestaan uit groepen bomen die sequentieel worden getraind. Boosting-modellen zijn momenteel de meest efficiënte modellen met een grote nauwkeurigheid, relatief korte trainingstijden, minder geheugengebruik en middelgrote vereiste trainingsdatasets (in vergelijking met deep learning-technieken).

Een tip van onze expert is om vragen te stellen die verband houden met bedrijfsproblemen waarvoor u momenteel rekruteert. Zoals iedereen werken datawetenschappers het best op gebieden waarmee ze vertrouwd zijn.

Niet elke kandidaat heeft bijvoorbeeld een "gevoel" voor (of is geïnteresseerd in, of bereid om te leren) de innerlijke werking van fabrieksapparatuur (problemen van voorspellend onderhoud), medische termen (het creëren van AI voor de medische industrie), of klantvoorkeuren (aanbevelingssystemen voor e-commerce).

4.3 Gedrag vragen die je aan een data wetenschapper moet stellen. Waarom zou je elk van die vragen stellen?

  • Hoe gaat u om met meningsverschillen met collega's?
    Reden: Een data scientist moet beschikken over goede communicatieve en interpersoonlijke vaardigheden (i.e. empathie), aangezien hun rol gebaseerd is op het compileren van gegevens van collega's en het vinden van verbeterpunten binnen hun organisatie of samenleving.
  • Waar vind je informatie over nieuwe data science technieken of cases?
    Reden: Aangezien het data science-veld voortdurend evolueert en groeit, vereist de functie constant onderzoek om op de hoogte te blijven van de laatste updates en om problemen op de meest efficiënte manier op te lossen. Elk van deze bronnen is de moeite waard: papers van conferenties, papers van workshops, MOOC's, blogs van bedrijven die zich met DS bezighouden, meetups van de DS-gemeenschap, Facebook- of mailgroepen met een DS-thema, of leren van een mentor.
  • Wat beschouwt u als uw grootste succes en uw grootste mislukking op het gebied van DS?
    Reden: Dit is een vrij algemene vraag, maar het toont de zelfherkenning en zelfreflectievaardigheden van de kandidaat. Beide zijn nodig in het leerproces dat een groot deel uitmaakt van het zijn van een goede data scientist.
Coderingstests

Technische screening van de vaardigheden van een datawetenschapper met behulp van een online codeertest

Het inhuren van een data scientist kan een lastig proces zijn. De eigenlijke definitie van een data scientist is vaag, en de dagelijkse job van iemand met 'data scientist' in zijn functietitel varieert sterk tussen organisaties. Bovendien komen mensen met zeer uiteenlopende achtergronden naar het vakgebied. Het verleden van een kandidaat-data scientist onderzoeken is een wetenschap op zich, die een blogpost op zich waard is. We houden het hier bij het laten zien hoe je het beste kunt screenen op een data scientist!

5.1 Welke online test voor data scientist vaardigheden moet je kiezen?

Bij het zoeken naar de juiste data science vaardigheden test moet u ervoor zorgen dat het aan de volgende criteria voldoet:

  • De test weerspiegelt de kwaliteit van het verrichte professionele werk
  • De duur is niet te lang, maximaal één à twee uur
  • De test kan automatisch worden verstuurd en is ongecompliceerd van aard
  • De moeilijkheidsgraad past bij de capaciteiten van de kandidaat
  • De test gaat verder dan controleren of de oplossing werkt - hij controleert de kwaliteit van de code en hoe goed die werkt in randgevallen
  • Het staat zo dicht mogelijk bij de natuurlijke programmeeromgeving en geeft de kandidaat toegang tot relevante bronnen
  • Het geeft de kandidaat de kans om alle bibliotheken, frameworks en andere tools te gebruiken die hij regelmatig tegenkomt

5.2 DevSkiller kant-en-klare online data science vaardigheidstesten

DevSkiller codeertests maken gebruik van onze RealLifeTesting™ methodologie om de werkelijke codeeromgeving waarin uw kandidaat werkt te weerspiegelen. In plaats van obscure algoritmen te gebruiken, vragen DevSkiller-tests kandidaten om applicaties of functies te bouwen. Ze worden volledig automatisch beoordeeld en kunnen overal ter wereld worden afgelegd. Tegelijkertijd heeft de kandidaat toegang tot alle bronnen die hij normaal zou gebruiken, inclusief bibliotheken, frameworks, StackOverflow, en zelfs Google.

Bedrijven gebruiken DevSkiller om kandidaten te testen met hun eigen codebase, waar ook ter wereld. Om het gemakkelijk te maken, biedt DevSkiller ook een aantal kant-en-klare data science vaardigheidstesten aan, zoals degene hier:

Python
MIDDEN
Geteste vaardigheden
Duur
70 maximaal minuten.
Evaluatie
Automatisch
Testoverzicht

Keuzevragen

beoordeling van kennis van Python, Vonk

Programmeeropdracht - Niveau: Medium

Python | PySpark | Customer Preference Model - Implementeer een Data Engineering applicatie voor het voorbewerken van marketing data.

Python
JUNIOR
Geteste vaardigheden
Duur
65 maximaal minuten.
Evaluatie
Automatisch
Testoverzicht

Keuzevragen

beoordeling van kennis van Python

Programmeer taak - Niveau: Gemakkelijk

Python | PySpark | ML Logs Transformer - Voltooi de implementatie van de logs transformatie pijplijn.

Scala
JUNIOR
Geteste vaardigheden
Duur
66 maximaal minuten.
Evaluatie
Automatisch
Testoverzicht

Keuzevragen

beoordeling van kennis van Scala

Programmeer taak - Niveau: Gemakkelijk

Scala | Spark | ML Logs Transformer - Voltooi de implementatie van de logs transformatie pijplijn.

Gegevenswetenschap
JUNIOR
Geteste vaardigheden
Duur
45 maximaal minuten.
Evaluatie
Automatisch
Testoverzicht

Taak - Niveau: Gemakkelijk

SQL | Postzegelcatalogus | De drie hoogste prijzen - Kies drie postzegels (prijs en naam) met de hoogste prijs.

Programmeer taak - Niveau: Gemakkelijk

Python | Pandas | HTML tabel parser - Implementeer een functie om een HTML tabel om te zetten in een CSV-formaat bestand.

Python
JUNIOR
Geteste vaardigheden
Duur
35 maximaal minuten.
Evaluatie
Automatisch
Testoverzicht

Keuzevragen

beoordeling van kennis van Python

Programmeer taak - Niveau: Gemakkelijk

Python | Pandas | HTML tabel parser - Implementeer een functie om een HTML tabel om te zetten in een CSV-formaat bestand.

Python
MIDDEN
Geteste vaardigheden
Duur
120 maximaal minuten.
Evaluatie
Automatisch
Testoverzicht

Keuzevragen

beoordeling van kennis van Python

Programmeeropdracht - Niveau: Medium

Python | Voertuig verkoop rapport - Implementeer een applicatie om rapporten te maken gebaseerd op het voertuig verkoop data warehouse.

Python
MIDDEN
Geteste vaardigheden
Duur
96 maximaal minuten.
Evaluatie
Automatisch
Testoverzicht

Keuzevragen

beoordeling van kennis van Python

Programmeeropdracht - Niveau: Medium

Python | Pandas | Een voedsel bezorging startup - Transformatie van een database van bestellingen door het verminderen van de dimensionaliteit en het creëren van een extra analytische tabel.

Python
JUNIOR
Geteste vaardigheden
Duur
45 maximaal minuten.
Evaluatie
Automatisch
Testoverzicht

Keuzevragen

beoordeling van kennis van Python

Programmeer taak - Niveau: Gemakkelijk

Python | Client Base Creator - Implementeer de applicatie om de contactgegevens van de klant uit de chatberichten te halen.

Python
MIDDEN
Geteste vaardigheden
Duur
70 maximaal minuten.
Evaluatie
Automatisch
Testoverzicht

Keuzevragen

beoordeling van kennis van Machine Leren, Python

Programmeeropdracht - Niveau: Medium

Python | DNA Analyzer | DNA strengen maken en schoonmaken - Implementeer 2 methodes in Python die DNA strengen maken en schoonmaken.

Python
JUNIOR
Geteste vaardigheden
Duur
49 maximaal minuten.
Evaluatie
Automatisch
Testoverzicht

Keuzevragen

beoordeling van kennis van Machine Leren

Programmeer taak - Niveau: Gemakkelijk

Python | DNA Analyzer - Implementeer een methode in Python die een DNA statistisch rapport genereert.

Post delen

Meer informatie over het inhuren van tech

Abonneer u op onze Learning Hub en ontvang nuttige inzichten rechtstreeks in uw inbox.

Verifieer en ontwikkel coderingsvaardigheden naadloos.

Zie DevSkiller producten in actie.

Beveiligingscertificeringen & naleving. Wij zorgen ervoor dat uw gegevens veilig en beveiligd zijn.

DevSkiller logo TalentBoost logo TalentScore logo