Hoe kun je vaardigheden op het gebied van machinaal leren screenen

Gepubliceerd: Laatst bijgewerkt:
Screen machine learning vaardigheden

Moet u iemand inhuren met vaardigheden op het gebied van machinaal leren? Weet u niet zeker wat het eigenlijk is?

Machinaal leren is het proces waarbij computers in staat worden gesteld taken uit te voeren die tot voor kort uitsluitend door mensen werden uitgevoerd.

Vóór de tijd van het functionele leren van machines kenden software en computersystemen alleen de informatie die een programmeur het vertelde. Het resultaat is een softwaresysteem dat niet in staat is te innoveren, en dat bevelen moet krijgen om te kunnen functioneren.

Machine learning stelt organisaties in staat grote datasets om te zetten in statistische kennis en bruikbare intelligentie. Deze waardevolle kennis kan worden geïntegreerd in de dagelijkse bedrijfsprocessen en operationele activiteiten om te reageren op veranderende marktvraag of bedrijfsomstandigheden. Naast het automatiseren van herhaalbare taken gebruiken bedrijven wereldwijd machine learning om de bedrijfsvoering en schaalbaarheid van hun bedrijf te helpen verbeteren.

Aangezien machines een veel meer gegevens kunnen verwerken dan mensenis het voor hen mogelijk om gegevens veel sneller te ordenen en te scannen dan een mens dat kan. Het creëert niet alleen meer bruikbare software maar ook effectievere software.

Dit is super relevant voor een hiring manager zonder een sterke technische achtergrond. Het is hun taak om te beslissen of een kandidaat de juiste machineleervaardigheden heeft die nodig zijn om succesvol te zijn. Laten we dus wat dieper ingaan op machinaal leren en de beste manieren om een expert in machinaal leren te screenen.

Wat is machinaal leren?

Machinaal leren is een deelverzameling van AI. Dat wil zeggen, alle machinaal leren telt als AI, maar niet alle AI telt als machinaal leren.

Machine-learning-algoritmen maken gebruik van statistiek om patronen te vinden in doorgaans grote hoeveelheden gegevens. Gegevens omvatten in dit geval een breed scala van dingen - getallen, woorden, beelden, klikken, alles wat door een computer kan worden verwerkt. Kortom, als het digitaal kan worden opgeslagen, kan het aan een algoritme voor machinaal leren worden toegevoerd.

Machinaal leren is in wezen een vorm van "zelfprogrammering". Machine learning-algoritmen bouwen automatisch een wiskundig model op basis van voorbeeldgegevens - ook bekend als "opleidingsgegevens" om op innovatieve wijze beslissingen te nemen. Een machine-leermodel is een programma dat is getraind om bepaalde soorten patronen herkennen. U traint een model op een reeks gegevens en geeft het een algoritme waarmee het kan redeneren en leren van die gegevens. Deze beslissingen worden genomen zonder dat ze door mensen hoeven te worden geprogrammeerd, en voilà kunstmatige intelligentie binnen handbereik.

1.1 Wat is AI?

Kunstmatige intelligentie is het concept van computersystemen die taken uitvoeren waarvoor normaliter menselijke intelligentie vereist is, zoals visuele waarneming, spraakherkenning, besluitvorming en vertaling tussen talen.

Bij kunstmatige intelligentie bootsen machines cognitieve functies na die met de menselijke geest worden geassocieerd, zoals "leren" en "problemen oplossen".

1.2. Waar wordt machinaal leren voor gebruikt?

We gebruiken de kracht van machinaal leren voor een verscheidenheid van hedendaagse diensten: aanbevelingssystemen zoals die op Netflix, YouTube en Spotify; zoekmachines zoals Google en Baidu; sociale-mediafeeds zoals Facebook en Twitter, en spraakassistenten zoals Siri en Alexa. De lijst is eindeloos.

Terwijl u deze diensten gebruikt, verzamelt elk platform zoveel mogelijk gegevens over u. Bijvoorbeeld naar welke genres je graag kijkt, op welke links je klikt en op welke statussen je reageert. Deze gegevens worden vervolgens gebruikt om algoritmes te maken die berekende gevolgtrekkingen maken over wat je nu zou willen. Dit proces is eigenlijk vrij eenvoudig: zoek het patroon, pas het patroon toe. Het is echter alomtegenwoordig in bijna alle technologie waar we tegenwoordig toegang tot hebben.

Andere toepassingen van machinaal leren zijn het doen van voorspellingen (bv. toekomstig aankoopgedrag van gebruikers, kredietrisico, schommelingen op de huizenmarkt), het opsporen van anomalieën (bv. wanneer draadfraude wordt gepleegd of fabrieksapparatuur bijna defect is), of het genereren van nieuwe inhoud (bv. het vertalen van tekst in een vreemde taal, het vinden van de beste route naar een locatie, het aansturen van een robot die automatisch oppervlakken schoonmaakt).

1.3. Wat is de functie van een machine learning engineer?

Iemand met vaardigheden op het gebied van machinaal leren wordt meestal een machine learning engineer genoemd. De rol is vrij nieuw, hoewel de term "machinaal leren werd voor het eerst genoemd in 1959 door Arthur Samuel, een Amerikaanse pionier op het gebied van computerspellen en kunstmatige intelligentie.

Een machine learning engineer is primair verantwoordelijk voor het bouwen, ontwikkelen en onderhouden van de machine learning modellen van een bedrijf.

De rol omvat het selecteren van de juiste machine learning-methode voor het bedrijf, evenals de voorkeursmethode voor het evalueren van modellen. De ingenieur is ook verantwoordelijk voor de kwaliteitscontrole en het toezicht op de implementatie naar de productiefase. Na de productie zal de ML-ingenieur het model monitoren en aanpassen aan de veranderende marktsituatie. Een lijst van hun verantwoordelijkheden omvat:

  • Het uitvoeren van experimenten met machinaal leren met behulp van een programmeertaal met bibliotheken voor machinaal leren,
  • Inzetten van oplossingen voor machinaal leren in productie,
  • Optimaliseren van oplossingen voor prestaties en schaalbaarheid,
  • Data engineering, d.w.z. zorgen voor een goede gegevensstroom tussen database en backend-systemen,
  • Implementeren van aangepaste machine learning code,
  • Analyse van de gegevens.

1.4. Zijn functies op het gebied van machinaal leren vergelijkbaar met andere banen?

Een machine learning engineer is een gespecialiseerde functie, vergelijkbaar met een data scientist - maar een data scientist is opgeleid om meer gevarieerde taken uit te voeren.

Hoewel er sprake is van overlapping, stappen datawetenschappers met een software-engineeringachtergrond vaak over naar een functie als machine learning engineer. Data scientists richten zich op het analyseren van gegevens, het verschaffen van zakelijke inzichten en het maken van prototypes van modellen, terwijl machine learning engineers zich richten op het coderen en implementeren van complexe, grootschalige machine learning producten.

Vaardigheden in machine-leren

Wat is belangrijk voor een IT Recruiter om te weten over machine learning?

De toepassing van machinaal leren betekent in wezen dat een systeem niet langer wordt beperkt door de menselijke visie van de programmeurs meer. Nu is een machine in staat om zijn eigen methoden te leren door middel van nieuwe en innovatieve processen die programmeurs of analisten misschien niet eens overwogen hebben.

Dit is zeer nuttig omdat het programmeurs in staat stelt software te maken met een specifiek doel voor ogen, zonder zich te hoeven concentreren op het hele proces van hoe het dat doet.

Het vinden van manieren om computers te programmeren om zulke enorme hoeveelheden informatie te interpreteren is zelfs voor de beste programmeurs een uitdaging geworden om uit te voeren. Machinaal leren maakt het mogelijk methodologieën te creëren verder dan menselijke planning en vooruitziendheid.

2.1. Hoe vaak verandert de omgeving/het probleem waarmee men wordt geconfronteerd?

Het landschap van machine learning verandert voortdurend. De gegevens worden steeds groter, de problemen steeds moeilijker, dus worden er nieuwe technieken ontwikkeld en zullen er nieuwe frameworks volgen.

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

Veel tools voor machinaal leren zijn beschikbaar in de taal Python, terwijl R minder gangbaar is. Sommige deep learning frameworks zijn beschikbaar in C++ of Java, omdat dat sneller en geheugenefficiënter is dan Python. In Python zijn de populairste bibliotheken onder meer pandas, scikit-learn, PyTorch en TensorFlow.

2.3. Met welke machineleervaardigheden, -hulpmiddelen en -technieken moet een ingenieur vertrouwd zijn?

Een succesvolle machine learning engineer moet een groot wiskundig inzicht hebben. Ook moet hij een expert zijn in zowel programmeren als statistiek, waarbij hij zijn probleemoplossend vermogen gebruikt om een diepgaande kennis te hebben van machine learning modellen. Python is de onbetwiste lingua franca van Machine Learning.

2.4. Met welke AI-vaardigheden, -tools en -technieken moet een machine learning engineer vertrouwd zijn?

Een goed begrip van programmeertalen, bij voorkeur Python, R, Java, en C++. Een goed begrip van de begrippen matrices, vectoren en matrixvermenigvuldiging wordt aanbevolen. Bovendien is kennis van afgeleiden en integralen en hun toepassingen essentieel om zelfs eenvoudige concepten zoals gradiëntafdaling te begrijpen. Een solide basis en deskundigheid in algoritmetheorie zijn zeker een must.

Ervaring hebben met neurale netwerkarchitectuur is de meest precieze manier om vele problemen op te lossen, zoals vertaling, spraakherkenning en beeldclassificatie, die een centrale rol speelt in de AI-afdeling.

Goede communicatieve vaardigheden, rapid prototyping en een brede domeinkennis zijn essentieel voor een machine learning engineer.

2.5. Wat voor soort ervaring is belangrijk om te zoeken in een machine learning ingenieur?

Voor projecten die alleen onderzoek betreffen, is academische of wetenschappelijke ervaring het belangrijkst en het meest veelzijdig. Maar als het gaat om het maken van productiemodellen - zal eerdere ervaring met het werken met andere productiemodellen u het beste inzicht geven.

Hoe controleer je machinaal leren?

Hoe kunnen vaardigheden op het gebied van machinaal leren in de screeningfase worden geverifieerd?

De meeste recruiters geven voorrang aan het testen van vaardigheden wanneer ze op zoek zijn naar de ideale kandidaat. Uiteindelijk kan het een kostbare vergissing zijn om iemand aan te nemen die niet over de nodige technische vaardigheden beschikt. Succesvolle machine learning ingenieurs hebben echter ook waardevolle eigenschappen die een vaardigheidstest alleen niet kan identificeren. Veel van deze eigenschappen kun je niet uit een boek leren.

Dus, wat zijn ze en hoe identificeer je ze?

Ook heel ironisch, bedrijven en recruiters zijn steeds meer gebruik maken van AI en op machine learning gebaseerde oplossingen om de juiste aanwerving te vinden.

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

Machine learning-ingenieurs moeten vertrouwd zijn met wiskundige en statistische concepten, waaronder lineaire algebra, multivariate calculus, variantie, afgeleiden, integralen en standaardafwijkingen, enz.

Zij moeten ook de basisbegrippen van kansberekening kennen, zoals de Bayes-regel, Gaussiaanse mengmodellen en Markov-besluitvormingsprocessen. Ervaring met machine learning bibliotheken is een must.

De kandidaat moet een informatica/software engineering achtergrond hebben en vloeiend zijn in minstens één programmeertaal met voldoende codervaring beweert Tsisana Caryn, HR specialist van Diensten voor het schrijven van opdrachten. Het is van vitaal belang een diepgaand inzicht te hebben in computerwetenschappelijke concepten zoals gegevensstructuren, computerarchitecturen, algoritmen, berekenbaarheid en complexiteit.

Ga na of de kandidaat een goed zakelijk inzicht heeft en een goed afgerond begrip van de grondbeginselen en beginselen van het bedrijfsleven. Het zal een groot voordeel zijn als de kandidaat zijn verwezenlijkingen binnen een organisatie kwantitatief kan opsommen.

3.2. Welke termen zijn belangrijk om te kennen bij machinaal leren (met inbegrip van raamwerken, bibliotheken en taalversies)?

  • Klassiek machinaal leren - het oplossen van taken met behulp van modellen zoals lineaire of logistische regressie, beslisbomen, random forests, boosting, support vector machines, niet-negatieve matrix factorisatie, K-means, k-nearest neighbors.
  • Neuraal netwerk - een vorm van machinaal leren die is geïnspireerd op de werking van het menselijk brein. Het is een computersysteem dat bestaat uit onderling verbonden eenheden (zoals neuronen) die informatie verwerken door te reageren op externe inputs, waarbij informatie tussen elke eenheid wordt doorgegeven. Het proces vereist meerdere bewerkingen van de gegevens om verbanden te vinden en betekenis af te leiden uit ongedefinieerde gegevens.
  • Diep leren - het oplossen van taken met behulp van neurale netwerken (zoals het nabootsen van de hersenen). Enkele soorten neurale netwerken zijn convolutionele neurale netwerken en recurrente neurale netwerken. Deep learning wordt gebruikt bij het detecteren van objecten, het herkennen van spraak, het vertalen van talen en het nemen van beslissingen. Deep learning AI is in staat te leren zonder menselijke supervisie en put uit gegevens die zowel ongestructureerd als ongelabeld zijn.
Bibliotheken voor gegevensmanipulatieIn Python: NumPy, pandas In R: dyplr, tidyr
Gedistribueerde gegevensmanipulatiebibliothekenIn Python: Dask in Scala, Java, en Python: Spark
Algemene bibliotheken voor machinaal lerenIn Python: scikit-learn In Python, R, Java, Scala, C++: H2O.ai In R: caret, e1071
Bibliotheken voor diep lerenIn 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 machineleervaardigheden?

Er wordt veel gezegd over certificaten die niet van veel belang zijn voor recruiters. Integendeel, de certificering bewijst wel dat je het onderwerp op een hoog niveau kent en geeft ook aan dat je gemotiveerd bent om te blijven leren. Bovendien kunnen ingenieurs het projectwerk aan hun portfolio toevoegen. Enkele gerespecteerde cursussen zijn:

  • Machine Learning-certificaat van Stanford University (Coursera)
  • Kunstmatige Intelligentie (Northwestern | Kellogg School of Management)
  • Machinaal leren met TensorFlow op Google Cloud Platform
  • Kunstmatige Intelligentie: Bedrijfsstrategieën & Toepassingen (Berkeley ExecEd)
  • Deep Learning-certificering door DeepLearning.ai - Andrew Ng (Coursera)
  • Machine Learning Data Science-certificaat van Harvard University (edX)
  • Machine Learning - Data Science-certificaat van IBM (Coursera)
  • Professional Certificate Program in Machine Learning & Kunstmatige Intelligentie (MIT Professional Education)
  • Machine Learning certificering (Universiteit van Washington)

3.4. Uit welke andere regels op een CV kunnen vaardigheden op het gebied van machinaal leren blijken?

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.

Het doorbladeren van de LinkedIn- en GitHub-accounts van een kandidaat kan nuttig zijn om de contouren van een kandidaat te peilen en om te zien hoe bedreven hij is in open-sourceprojecten.

Technische screening van vaardigheden op het gebied van machinaal leren tijdens een technisch interview per telefoon/video

Wie solliciteert voor een baan in machineleren kan verwachten een aantal verschillende soorten van vragen tijdens een interview, zegt Colin Shaw, directeur van machine learning bij RevUnit.

"Goede machine learning engineers hebben een mix van verschillende vaardigheden en weten deze kennis ook te versmelten tot code die meegenomen kan worden naar productie. De algemene interessegebieden waar we naar zoeken zijn wiskunde en statistiek, machine learning en data science, deep learning, algemene kennis en probleemoplossing, en informatica en programmeren."

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

  1. Kunt u beschrijven wat voor soort machine learning problemen u hebt opgelost?
    Dit is een inleidende vraag, maar geeft ook aan hoever de kennis van de kandidaat op het gebied reikt. Aangezien de problemen zeer uiteenlopend zijn, is het het beste om mensen te zoeken die ervaring hebben met de problemen waarvoor u rekruteert.
  2. Wat voor modellen voor machinaal leren hebt u in het verleden gebruikt?
    Gericht op het achterhalen van de mate van kennis van de ingenieur in specifieke ML technieken. Er is een wezenlijk verschil tussen klassieke ML-algoritmen en diep-lerende algoritmen, dus kennis van de ene impliceert geen kennis van de andere.
  3. Wat is het interessantste project waar je ooit aan gewerkt hebt?
    Dit is een goede vraag omdat ze kandidaten de kans geeft te praten over iets waar ze gepassioneerd over zijn en hun kennis te tonen over iets dat ze heel goed kennen. Bovendien voelen nerveuze kandidaten zich zo meer op hun gemak en komen hun beste kwaliteiten naar voren.
  4. Hoe lang heeft het project geduurd? Hebt u het in productie genomen en/of het model verder ontwikkeld?
    Ontworpen om na te gaan of de ingenieur al ervaring heeft met de productie van modellen voor machinaal leren, wat een specifieke subset van uitdagingen heeft die anders onbekend zouden zijn.

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

  • Hoe controleert u of een model naar behoren functioneert?
    De ideale methode bestaat erin 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.
  • Wat zijn de verschillen tussen klassieke ML-modellen en deep learning-modellen?
    Deep learning-modellen maken altijd gebruik van neurale netwerken en vereisen niet zo veel feature engineering als klassieke modellen. Zij hebben echter meestal grotere trainingssets nodig om patronen te leren dan klassieke modellen.
  • Welke ML-bibliotheek/bibliotheken zou u gebruiken voor een dataset bestaande uit afbeeldingen?
    Momenteel is de beste aanpak voor beeldgegevens het gebruik van OpenCV - een bibliotheek die uitgebreide beeldmanipulatie mogelijk maakt. Evenals elke vorm van deep learning bibliotheken zoals: Keras, Tensorflow, pyTorch, Caffe.

4.3. Gedrag vragen die je aan een MLE moet stellen. Waarom moet je elk van die vragen stellen?

  • Wat voor soort problemen zou u in de toekomst willen oplossen? Wat voor ML-modellen zou u willen gebruiken?Een vraag om na te gaan of de kandidaat een voorkeur heeft voor modellen/problemen, of om te zien of hij een specialisatie heeft en op welk gebied hij het best zou kunnen presteren. Deze vraag kan ook helpen vaststellen hoe een kandidaat zich op het gebied van machinaal leren denkt te ontwikkelen.
  • Waar vindt u informatie over nieuwe technieken voor machinaal leren?
    Deze vraag wordt gesteld om na te gaan hoe betrokken of niet betrokken een kandidaat is bij de technologiegemeenschap, en bij het leren van nieuwe vaardigheden in een voortdurend evoluerend veld. Elk van deze bronnen is de moeite waard: papers van conferenties, papers van workshops, MOOC's, Facebook- of mailgroepen met een thema over machinaal leren, of zelfs leren van een mentor.
  • Wat beschouwt u als uw grootste succes en uw grootste mislukking op het gebied van machinaal leren?
    Een vrij algemene vraag, maar ze toont de zelfreflectievaardigheden van de kandidaat. Dit is nodig in het leerproces, dat een groot deel uitmaakt van het zijn van een goede machine learning engineer.
Machine learning coderingstests

5. Technische screening van de vaardigheden van een MLE met behulp van een online codeertest

Het inhuren van een goede machine learning engineer blijft een uitdagende taak voor recruiters - niet alleen vanwege de schaarste aan ML-talent, maar ook door een gebrek aan relevante ervaring bij recruitmentspecialisten. Machine learning blijft een nieuw en obscuur gebied voor de meeste recruiters. Wij gaan u laten zien hoe u het beste kunt screenen op een machine learning engineer!

5.1. Welke online test voor machinaal leren moet u kiezen?

Bij het zoeken naar de juiste machine learning vaardigheidstest 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 machine learning vaardigheidstesten

DevSkiller codeertests maken gebruik van onze RealLifeTesting™ methodologie om de werkelijke codeeromgeving waarin uw kandidaat werkt te weerspiegelen. In plaats van obscure academische algoritmen te gebruiken, vereisen DevSkiller-tests dat kandidaten applicaties of functies bouwen. Ze worden volledig automatisch beoordeeld en kunnen overal ter wereld worden afgelegd. Tegelijkertijd heeft de kandidaat toegang tot alle bronnen die hij normaal gesproken zou gebruiken, waaronder 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
104 maximaal minuten.
Evaluatie
Automatisch
Testoverzicht

Keuzevragen

beoordeling van kennis van Keras, Machine Leren, Python

Programmeeropdracht - Niveau: Medium

Python | NLP, Keras | Sentiment analyse van klantenbeoordelingen - Voer een sentimentanalyse en tagging uit van klantenbeoordelingen van films en luchtvaartmaatschappijen, met behulp van een multi-output neuraal netwerkmodel.

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

Keuzevragen

beoordeling van kennis van Machine Leren, Versterkingsleren

Programmeeropdracht - Niveau: Medium

Python | PyTorch | Reinforcement Learning | Deep Q-Network - Voltooi de implementatie van het DQN algoritme.

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

Keuzevragen

beoordeling van kennis van Machine Leren, PyTorch

Programmeer taak - Niveau: Gemakkelijk

Python | PyTorch, Computer Vision | Model Builder - Voltooi de implementatie van een model training pijplijn.

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.

Python
MIDDEN
Geteste vaardigheden
Duur
80 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
MIDDEN
Geteste vaardigheden
Duur
80 maximaal minuten.
Evaluatie
Automatisch
Testoverzicht

Keuzevragen

beoordeling van kennis van Machine Leren, Python

Programmeeropdracht - Niveau: Medium

Python Data Extractie, Processing - Voltooiing en update van de code voor het programma dat PDF-bestanden extraheert verwerkt en converteert naar een specifiek formaat voor weergave/output.

Android
MIDDEN
Geteste vaardigheden
Duur
102 maximaal minuten.
Evaluatie
Automatisch
Testoverzicht

Keuzevragen

beoordeling van kennis van Machine Leren, Android

Programmeeropdracht - Niveau: Medium

Android | Social Network login - Implementeer ontbrekende secties van LoginActivity en MainActivity, LoginManager en CredentialsStorage.

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