Como selecionar as habilidades de aprendizagem da máquina

Publicado: Última actualização:
Capacidades de aprendizagem de máquinas de ecrã

Você precisa contratar alguém com habilidades de aprendizagem de máquinas? Não tem a certeza do que realmente é?

A aprendizagem de máquinas é o processo de habilitar computadores a realizar tarefas que até há pouco tempo eram realizadas exclusivamente por humanos.

Antes dos dias de aprendizagem funcional da máquina, o software e os sistemas informáticos só conheciam a informação que um programador lhe iria contar. O resultado é um sistema de software que é incapaz de inovar, e que deve receber comandos para funcionar.

A aprendizagem de máquinas permite que as organizações transformem grandes conjuntos de dados em conhecimento estatístico e inteligência accionável. Este valioso conhecimento pode ser integrado em processos de negócios diários e atividades operacionais para responder a mudanças nas demandas do mercado ou circunstâncias de negócios. Além de automatizar tarefas repetitivas, as empresas globalmente usam a aprendizagem de máquinas para ajudar a melhorar as operações e a escalabilidade de seus negócios.

Como as máquinas possuem um muito mais ampla capacidade de processamento de dados do que a dos seres humanosé possível para eles organizar e digitalizar dados muito mais rapidamente do que qualquer pessoa pode. Ele não só cria software mais útil mas também software mais eficaz.

Isto é super relevante para um gerente de contratação sem um forte background técnico. É seu papel decidir se um candidato tem as habilidades de aprendizagem de máquina adequadas que são necessárias para ser bem sucedido. Portanto, vamos aprofundar um pouco mais na aprendizagem de máquinas e as melhores formas de selecionar um especialista em aprendizagem de máquinas.

O que é a aprendizagem mecânica?

A aprendizagem de máquinas é um subconjunto da IA. Ou seja, toda a aprendizagem mecânica conta como IA, mas nem toda a IA conta como aprendizagem mecânica.

Algoritmos de aprendizagem de máquinas utilizam estatísticas para encontrar padrões em normalmente grandes quantidades de dados. Os dados, neste caso, abrangem uma grande variedade de coisas - números, palavras, imagens, cliques, qualquer coisa que possa ser processada por um computador. Basicamente, se podem ser armazenados digitalmente, eles podem ser alimentados em um algoritmo de aprendizagem de máquina.

A aprendizagem de máquinas é essencialmente uma forma de 'auto-programação'. Os algoritmos de aprendizagem de máquina constroem automaticamente um modelo matemático usando dados de amostra - também conhecidos como "dados de treinamento". para tomar decisões de forma inovadora. Um modelo de aprendizagem de máquinas é um programa que foi treinado para reconhecer certos tipos de padrões. Você treina um modelo sobre um conjunto de dados, fornecendo-lhe um algoritmo que ele pode usar para raciocinar e aprender com esses dados. Estas decisões são tomadas sem a necessidade de serem humanamente programadas, e voilá Inteligência Artificial na ponta dos dedos.

1.1 O que é IA?

Inteligência artificial é o conceito de sistemas informáticos que executam tarefas que normalmente requerem inteligência humana, tais como percepção visual, reconhecimento da fala, tomada de decisões e tradução entre línguas.

Na inteligência artificial, as máquinas imitam funções cognitivas que estão associadas às mentes humanas, tais como a "aprendizagem" e a "resolução de problemas".

1.2. Para que é usada a aprendizagem mecânica?

Usamos o poder da aprendizagem mecânica para uma variedade de serviços dos tempos modernos: sistemas de recomendação como os da Netflix, YouTube e Spotify; motores de busca como Google e Baidu; feeds de social-media como Facebook e Twitter, e assistentes de voz como Siri e Alexa. A lista é interminável.

Ao utilizar estes serviços, cada plataforma está a recolher o máximo de dados sobre si. Por exemplo, que géneros gosta de ver, em que links está a clicar e a que estados está a reagir. Estes dados são então usados para criar algoritmos que fazem inferências calculadas sobre o que você pode querer a seguir. Este processo é na verdade bastante básico: encontrar o padrão, aplicar o padrão. No entanto, ele é onipresente em quase toda a tecnologia que acessamos hoje.

Outros usos para a aprendizagem de máquinas incluem fazer previsões, (por exemplo, comportamento de compra de futuros usuários, risco de crédito, flutuações no mercado habitacional), para detectar anomalias (por exemplo, quando a fraude de fios é cometida ou quando o equipamento de fábrica está perto de falhar), ou para gerar novos conteúdos (por exemplo, traduzir texto em um idioma estrangeiro, encontrar o melhor caminho para um local, guiar um robô que limpa automaticamente as superfícies).

1.3. Qual é a função de um engenheiro de aprendizagem de máquinas?

Alguém com habilidades de aprendizagem de máquinas é normalmente referido como um engenheiro de aprendizagem de máquinas. O papel é bastante novo, embora o termo "aprendizagem de máquinas" seja foi cunhada pela primeira vez em 1959. por Arthur Samuel, um pioneiro americano no campo dos jogos de computador e inteligência artificial.

Um engenheiro de aprendizagem de máquinas é o principal responsável pela construção, desenvolvimento e manutenção dos modelos de aprendizagem de máquinas de uma empresa.

O papel inclui a seleção do método de aprendizagem de máquina certo para a empresa, bem como o método preferido de avaliação de modelos. O engenheiro também é responsável pelo controle de qualidade e pela supervisão da implantação até a fase de produção. Após a produção, o engenheiro do ML irá monitorar e ajustar o modelo de acordo com as mudanças da situação do mercado. Uma lista das suas responsabilidades inclui:

  • Execução de experiências de aprendizagem de máquinas usando uma linguagem de programação com bibliotecas de aprendizagem de máquinas,
  • Implantação de soluções de aprendizagem de máquinas na produção,
  • Otimização de soluções para desempenho e escalabilidade,
  • Engenharia de dados, ou seja, assegurar um bom fluxo de dados entre a base de dados e os sistemas back end,
  • Implementação de código de aprendizagem de máquinas personalizado,
  • Análise de dados.

1.4. As posições na aprendizagem de máquinas são semelhantes a qualquer outro trabalho?

Um engenheiro de aprendizagem de máquinas é uma posição especializada, semelhante a um cientista de dados - mas um cientista de dados é treinado para realizar tarefas mais variadas.

Enquanto há sobreposição, cientistas de dados com formação em engenharia de software muitas vezes passam para as funções de engenheiro de aprendizagem de máquinas. Os cientistas de dados se concentram na análise de dados, no fornecimento de insights empresariais e na criação de modelos de protótipos, enquanto os engenheiros de aprendizagem de máquinas se concentram na codificação e na implantação de produtos complexos de aprendizagem de máquinas em larga escala.

Habilidades de aprendizagem de máquinas

O que é importante para um recrutador de TI saber sobre a aprendizagem de máquinas?

A implementação da aprendizagem mecânica significa essencialmente que um sistema não é mais limitado por a visão humana dos programadores ...já não. Agora, uma máquina é capaz de aprender seus próprios métodos através de novos e inovadores processos que os programadores ou analistas pode nem sequer ter considerado.

Isto é muito útil porque permite aos programadores criar software com um objectivo específico em mente, sem ter de se concentrar em todo o processo de como o faz.

Encontrar maneiras de programar computadores para interpretar quantidades tão vastas de informação tornou-se um desafio até mesmo para os melhores programadores para executar. O aprendizado de máquinas permite a criação de metodologias para além do planeamento e prospectiva humana.

2.1. Com que frequência o ambiente/desafios enfrentados muda?

A paisagem da aprendizagem de máquinas muda constantemente. Os dados estão sempre ficando maiores, os problemas sempre mais difíceis, então novas técnicas são desenvolvidas e novas estruturas serão seguidas.

2.2. Existem muitos recursos/ferramentas/tecnologias (bibliotecas, estruturas, etc.) disponíveis para a aprendizagem de máquinas?

Muitas ferramentas para a aprendizagem de máquinas estão disponíveis na linguagem Python, enquanto o R é menos comum. Alguns frameworks de aprendizagem profunda estão disponíveis em C++ ou Java, porque é mais rápido e mais eficiente em termos de memória do que o Python. Em Python, as bibliotecas mais populares incluem pandas, scikit-learn, PyTorch, e TensorFlow.

2.3. Com que habilidades, ferramentas e técnicas de aprendizagem de máquinas um engenheiro deve estar familiarizado?

Um engenheiro de aprendizagem de máquinas de sucesso deve possuir uma grande mente matemática. Além disso, eles devem ser especialistas em programação e estatística, onde usam suas habilidades de resolução de problemas para ter um conhecimento profundo dos modelos de aprendizagem de máquinas. Python é a língua franca indiscutível da Aprendizagem de Máquina.

2.4. Com que habilidades, ferramentas e técnicas de IA um engenheiro de aprendizado de máquinas deve estar familiarizado?

Um bom entendimento das linguagens de programação, de preferência Python, R, Java e C++. É recomendado ter um bom entendimento dos conceitos de Matrizes, Vetores, e Multiplicação de Matrizes. Além disso, o conhecimento em Derivados e Integrais e suas aplicações é essencial até mesmo para entender conceitos simples como descida de gradiente. Uma base sólida e experiência em teoria algorítmica são certamente uma necessidade.

Ter experiência com arquitetura de redes neurais é a forma mais precisa de combater muitos problemas como Tradução, Reconhecimento de voz e Classificação de imagem, que desempenha um papel fundamental no departamento de IA.

Boa comunicação e rápida habilidade de prototipagem, bem como possuir um amplo conhecimento de domínio são essenciais para um engenheiro de aprendizagem de máquinas.

2.5. Que tipo de experiência é importante procurar em um engenheiro de aprendizagem de máquinas?

Para projetos apenas de pesquisa - a experiência acadêmica ou científica será a mais crucial e bem fundamentada. Mas em termos de criação de modelos de produção - a experiência anterior com o trabalho com outros modelos de produção dar-lhe-á a melhor perspectiva.

Como verificar a capacidade de aprendizagem da máquina?

Como verificar as habilidades de aprendizagem da máquina na fase de triagem?

A maioria dos recrutadores prioriza o teste de habilidades ao procurar o candidato ideal. Em última análise, contratar alguém que não tenha habilidades técnicas pode ser um erro caro. No entanto, engenheiros de aprendizagem de máquinas bem sucedidos também têm traços valiosos que um teste de habilidades sozinho não consegue identificar. Muitos deles você não pode aprender com um livro.

Então, o que são eles e como os identifica?

Também muito ironicamente, as empresas e recrutadores são voltando-se cada vez mais para a IA e soluções baseadas na aprendizagem de máquinas para encontrar a contratação certa.

3.1. O que levar em conta na triagem de um currículo?

Os engenheiros de aprendizagem de máquinas devem ser fluentes em conceitos matemáticos e estatísticos, incluindo álgebra linear, cálculo multivariado, variância, derivados, integrais e desvios padrão, etc.

Eles também devem conhecer os conceitos básicos de probabilidade como a regra Bayes, os modelos de mistura Gaussiana e os processos de decisão de Markov. A experiência anterior com bibliotecas de aprendizagem de máquinas é uma necessidade.

O candidato deve ter formação em informática/engenharia de software e ser fluente em pelo menos uma linguagem de programação com experiência suficiente em codificação, afirma Tsisana Caryn, especialista em RH da Serviços de Escrita de Atribuição. É vital ter uma compreensão profunda dos conceitos da informática como estruturas de dados, arquiteturas de computadores, algoritmos, computabilidade e complexidades.

Certifique-se de verificar se o candidato tem perspicácia empresarial decente e uma compreensão bem fundamentada dos fundamentos e princípios empresariais. O candidato ser capaz de listar quantitativamente suas realizações dentro de uma organização será uma grande vantagem.

3.2. Que termos do glossário são importantes de se saber na aprendizagem de máquinas (incluindo estruturas, bibliotecas e versões linguísticas)?

  • Aprendizagem de máquinas clássicas - resolução de tarefas usando modelos como regressão linear ou logística, árvores de decisão, florestas aleatórias, boosting, máquinas vetoriais de suporte, factorização de matriz não negativa, K-significativos, k-nearest vizinhos.
  • Rede neural - uma espécie de aprendizagem mecânica inspirada no funcionamento do cérebro humano. É um sistema informático composto por unidades interligadas (como os neurónios) que processa a informação respondendo a inputs externos, retransmitindo informação entre cada unidade. O processo requer múltiplas passagens nos dados para encontrar conexões e derivar significado a partir de dados indefinidos.
  • Aprendizagem profunda - resolver tarefas usando redes neurais (como imitar o cérebro). Alguns tipos de redes neurais incluem redes neurais convolucionais e redes neurais recorrentes. O aprendizado profundo tem sido usado na detecção de objetos, no reconhecimento da fala, na tradução de idiomas e na tomada de decisões. A IA do aprendizado profundo é capaz de aprender sem a supervisão humana, extraindo de dados não estruturados e não rotulados.
Bibliotecas de manipulação de dadosEm Python: NumPy, pandas Em R: dyplr, tidyr
Bibliotecas de manipulação de dados distribuídasEm Python: Dask In Scala, Java, e Python: Centelha
Bibliotecas de aprendizagem de máquinas em geralEm Python: scikit-learn Em Python, R, Java, Scala, C++: H2O.ai Em R: caret, e1071
Bibliotecas de aprendizagem profundaEm Python: Keras, Tensorflow, PyTorch In R: Nnet Em C++: Caffe

3.3. Que certificações estão disponíveis e são respeitadas? Qual é a sua utilidade na determinação das competências de aprendizagem da máquina?

Há muitas coisas sendo ditas sobre certificados não serem de grande importância para os recrutadores. Pelo contrário, a certificação prova que você conhece o assunto a um nível elevado e também indica que você está motivado a continuar a aprender. Além disso, os engenheiros são capazes de adicionar o trabalho do projeto ao seu portfólio. Alguns cursos respeitados incluem:

  • Certificação em Aprendizagem de Máquinas pela Universidade de Stanford (Coursera)
  • Inteligência Artificial (Northwestern | Kellogg School of Management)
  • Aprendizagem mecânica com TensorFlow na plataforma Google Cloud
  • Inteligência Artificial: Estratégias de Negócios & Aplicações (Berkeley ExecEd)
  • Certificação Deep Learning pelo DeepLearning.ai - Andrew Ng (Coursera)
  • Certificação em Machine Learning Data Science da Universidade de Harvard (edX)
  • Machine Learning - Certificação em Ciência de Dados da IBM (Coursera)
  • Programa de Certificação Profissional em Aprendizagem de Máquina e Inteligência Artificial (MIT Professional Education)
  • Certificação em Aprendizagem de Máquina (Universidade de Washington)

3.4. Que outras linhas de um CV podem mostrar habilidades de aprendizagem de máquinas?

Participar em competições de aprendizagem de máquinas também pode ser uma grande vantagem. Plataformas como Kaggle.com, topcoder.com, crowdai.org, e knowledgepit.ml oferecem a chance de competir por prêmios no espaço.

Navegar nas contas do LinkedIn e GitHub de um candidato pode ser útil para avaliar o perfil de um candidato, bem como para ver sua proficiência em projetos open-source.

Triagem técnica de habilidades de aprendizagem de máquinas durante uma entrevista técnica por telefone/vídeo

Aqueles que se candidatam a empregos de aprendizagem de máquinas podem esperar uma série de tipos diferentes de perguntas durante uma entrevista, diz Colin Shaw, diretor de aprendizagem de máquinas da RevUnit.

"Bons engenheiros de aprendizagem de máquinas têm uma mistura de uma variedade de habilidades e também sabem como fundir esse conhecimento em código que pode ser levado à produção. As áreas gerais de interesse que procuramos incluem matemática e estatística, aprendizagem de máquinas e ciência dos dados, aprendizagem profunda, conhecimento geral e resolução de problemas, e ciência da computação e programação".

4.1. Perguntas que você deve fazer sobre uma EML experiência. Por que você deveria fazer cada uma dessas perguntas?

  1. Consegue descrever o tipo de problemas de aprendizagem de máquinas que resolveu?
    Esta é uma questão de aquecimento, introdutória, mas também mostra a extensão do conhecimento do candidato na área. Como há uma grande variedade de problemas, é melhor encontrar pessoas que tenham tido experiência com as questões para as quais você está recrutando.
  2. Que tipo de modelos de aprendizagem de máquinas você já usou no passado?
    Com o objetivo de descobrir a extensão do conhecimento do engenheiro em técnicas ML específicas. Há uma diferença substancial entre algoritmos clássicos de ML e algoritmos de aprendizagem profunda, portanto o conhecimento de um não implica conhecimento do outro.
  3. Qual é o projeto mais interessante em que você já trabalhou?
    Esta é uma boa pergunta porque dá aos candidatos a oportunidade de falar sobre algo que eles são apaixonados e mostrar os seus conhecimentos sobre algo que eles sabem muito bem. Além disso, ajuda os candidatos nervosos a sentirem-se mais confortáveis e a mostrarem as suas melhores qualidades.
  4. Quanto tempo durou o projeto? Você o levou para a produção e/ou desenvolveu o modelo mais adiante?
    Concebido para verificar se o engenheiro tem experiência anterior com a produção de modelos de aprendizagem de máquinas, que tem um subconjunto específico de desafios que de outra forma seriam desconhecidos.

4.2. Perguntas que você deve fazer sobre uma EML conhecimentos e opiniões. Por que você deveria fazer cada uma dessas perguntas?

  • Como você verificaria se um modelo está funcionando corretamente?
    A metodologia ideal é dividir o conjunto de dados em secções: conjunto de formação, conjunto de validação e conjunto de teste. O conjunto de treinamento é o único disponível para o modelo e é a base do processo de treinamento. Os parâmetros do modelo são definidos usando o conjunto de validação e a eficiência do modelo é testada no conjunto de teste.
  • Quais são as diferenças entre os modelos ML clássicos e os modelos de aprendizagem profunda?
    Modelos de aprendizagem profunda usam sempre redes neurais e não requerem tanto de engenharia de características como os modelos clássicos. No entanto, geralmente requerem conjuntos de treinamento maiores para aprender padrões do que os modelos clássicos.
  • Que biblioteca/biblioteca ML você usaria para um conjunto de dados composto por imagens?
    Atualmente, a melhor abordagem para os dados de imagem é usar ou OpenCV - uma biblioteca que permite a manipulação extensiva de imagens. Assim como qualquer tipo de biblioteca de aprendizagem profunda: Keras, Tensorflow, pyTorch, Caffe.

4.3. Comportamental perguntas que você deve fazer a uma EML. Por que você deve fazer cada uma dessas perguntas?

  • Que tipo de problemas você gostaria de resolver no futuro? Que tipos de modelos ML você gostaria de usar?Uma pergunta para verificar a preferência do candidato por modelos/problemas, ou para ver se ele tem uma especialização e qual a área que ele pode ter melhor desempenho. Esta pergunta também pode ajudar a concluir como um candidato planeja se desenvolver no campo de aprendizagem de máquinas.
  • Onde você encontra informações sobre novas técnicas de aprendizagem de máquinas?
    Esta pergunta é feita para descobrir o quão envolvido ou não um candidato está na comunidade tecnológica e na aprendizagem de novas habilidades em um campo em constante evolução. Qualquer uma destas fontes é digna: documentos da conferência, documentos do workshop, MOOCs, Facebook ou grupos de correio com um tema de aprendizagem de máquinas, ou mesmo aprender com um mentor.
  • Qual você considera ser o seu maior sucesso e maior fracasso no campo da aprendizagem de máquinas?
    Uma pergunta bastante genérica, mas que mostra a capacidade de auto-reflexão do candidato. Isto é necessário no processo de aprendizagem, que é uma parte importante de ser um grande engenheiro de aprendizagem de máquinas.
Testes de codificação da aprendizagem de máquinas

5. Triagem técnica das habilidades de um EML usando um teste de codificação online

Contratar um bom engenheiro de aprendizado de máquinas continua sendo uma tarefa desafiadora para os recrutadores - não apenas por causa da escassez de talentos do ML, mas também devido à falta de experiência relevante entre os especialistas de recrutamento. A aprendizagem de máquinas continua a ser um campo novo e obscuro para a maioria dos recrutadores. Vamos mostrar-lhe a melhor forma de seleccionar um engenheiro de aprendizagem de máquinas!

5.1. Que teste online de habilidades de aprendizagem de máquinas você deve escolher?

Ao procurar o direito teste de competências de aprendizagem de máquinas você deve certificar-se de que corresponde aos seguintes critérios:

  • O teste reflete a qualidade do trabalho profissional que está sendo realizado
  • A duração não é muito longa, uma a duas horas no máximo.
  • O teste pode ser enviado automaticamente e é simples por natureza.
  • O nível de dificuldade corresponde às capacidades do candidato.
  • O teste vai além de verificar se a solução funciona - ele verifica a qualidade do código e como ele funciona em casos de bordas
  • É o mais próximo possível do ambiente natural de programação e permite que o candidato tenha acesso a recursos relevantes
  • Proporciona ao candidato a oportunidade de utilizar todas as bibliotecas, estruturas e outras ferramentas com as quais se depara regularmente.

5.2. Testes de aptidão para a aprendizagem de máquinas online DevSkiller prontas a usar

Os testes de codificação DevSkiller usam nossa metodologia RealLifeTesting™ para espelhar o ambiente de codificação real em que seu candidato trabalha. Ao invés de usar algoritmos acadêmicos obscuros, os testes DevSkiller exigem que os candidatos construam aplicações ou recursos. Eles são classificados de forma completamente automática e podem ser levados para qualquer parte do mundo. Ao mesmo tempo, o candidato tem acesso a todos os recursos que normalmente utilizaria, incluindo bibliotecas, frameworks, StackOverflow e até mesmo o Google.

As empresas usam o DevSkiller para testar candidatos usando sua própria base de código de qualquer parte do mundo. Para facilitar, o DevSkiller também oferece uma série de testes pré-fabricados de habilidades em ciências de dados como os que estão aqui:

Python
MÉDIO
Competências testadas
Duração
104 minutos, no máximo.
Avaliação
Automático
Visão geral dos testes

Perguntas de escolha

avaliação do conhecimento de Keras, Aprendizagem de Máquina, Python

Tarefa de programação - Nível: Médio

Python | NLP, Keras | Sentiment analysis of customer reviews - Realize uma análise de sentimentos e marcação de críticas de clientes de filmes e companhias aéreas, usando um modelo de rede neural multi-output.

Python
MÉDIO
Competências testadas
Duração
72 minutos, no máximo.
Avaliação
Automático
Visão geral dos testes

Perguntas de escolha

avaliação do conhecimento de Aprendizagem de Máquina, Reforço da aprendizagem

Tarefa de programação - Nível: Médio

Python | PyTorch | Aprendizagem do Reforço | Deep Q-Network - Completar a implementação do algoritmo DQN.

Python
JUNIOR
Competências testadas
Duração
63 minutos, no máximo.
Avaliação
Automático
Visão geral dos testes

Perguntas de escolha

avaliação do conhecimento de Aprendizagem de Máquina, PyTorch

Tarefa de programação - Nível: Fácil

Python | PyTorch, Computer Vision | Model Builder - Complete a implementação de um pipeline de treinamento de modelos.

Python
MÉDIO
Competências testadas
Duração
70 minutos, no máximo.
Avaliação
Automático
Visão geral dos testes

Perguntas de escolha

avaliação do conhecimento de Aprendizagem de Máquina, Python

Tarefa de programação - Nível: Médio

Python | Analisador de ADN | Criar e limpar fios de ADN - Implementar 2 métodos em Python que criam e limpam fios de ADN.

Python
JUNIOR
Competências testadas
Duração
49 minutos, no máximo.
Avaliação
Automático
Visão geral dos testes

Perguntas de escolha

avaliação do conhecimento de Aprendizagem de Máquina

Tarefa de programação - Nível: Fácil

Python | DNA Analyzer - Implemente um método em Python que gera relatório estatístico de DNA.

Python
MÉDIO
Competências testadas
Duração
80 minutos, no máximo.
Avaliação
Automático
Visão geral dos testes

Perguntas de escolha

avaliação do conhecimento de Aprendizagem de Máquina, Python

Tarefa de programação - Nível: Médio

Python | Analisador de ADN | Criar e limpar fios de ADN - Implementar 2 métodos em Python que criam e limpam fios de ADN.

Python
MÉDIO
Competências testadas
Duração
80 minutos, no máximo.
Avaliação
Automático
Visão geral dos testes

Perguntas de escolha

avaliação do conhecimento de Aprendizagem de Máquina, Python

Tarefa de programação - Nível: Médio

Python Data Extraction, Processing - Complete e atualize o código para o programa que extrai arquivos PDF e os converte para um formato específico para exibição/saída.

Android
MÉDIO
Competências testadas
Duração
102 minutos, no máximo.
Avaliação
Automático
Visão geral dos testes

Perguntas de escolha

avaliação do conhecimento de Aprendizagem de Máquina, Android

Tarefa de programação - Nível: Médio

Android | Social Network login - Implementar secções em falta do LoginActivity e MainActivity, LoginManager e CredentialsStorage.

Partilhar correio

Saiba mais sobre a contratação de tecnologia

Subscreva o nosso Centro de Aprendizagem para obter informações úteis directamente na sua caixa de entrada.

Verificar e desenvolver as habilidades de codificação sem problemas.

Veja os produtos DevSkiller em ação.

Certificações de segurança e conformidade. Certificamo-nos de que os seus dados estão seguros e protegidos.

Logotipo DevSkiller Logotipo TalentBoost Logotipo TalentScore