Deep-Learning-Einstellungstest
Erfahren Sie, wie Kandidat*innen über Modelltraining, die Auswahl von Netzwerken und Bildaufgaben nachdenken.
- 10 Minuten
- 15 Fragen
- Mittelstufe
- Multiple Choice
- Fragen auf Englisch
- Smartphone und Desktop
Die kurze Antwort
Der Deep-Learning-Einstellungstest ist ein 10-minütiger Test mit 15 Fragen für Machine-Learning- und Deep-Learning-Ingenieur*innen, AI-Ingenieur*innen, angewandte Wissenschaftler*innen sowie Analyst*innen und Entwickler*innen, die Kenntnisse auf mittlerem Niveau benötigen. Er prüft mathematische Grundlagen, Netzwerkarchitektur, Training und Regularisierung sowie neuronale Netze für Bilder - anhand von Szenarien, Tabellen mit Trainingsergebnissen und kurzen Python-Codeausschnitten.
Was gemessen wird
Deep-Learning-Kenntnisse und Urteilsvermögen: die zugrunde liegende Mathematik, Netzwerkarchitektur, Training und Regularisierung sowie neuronale Netze für Bilder.
Mathematische Grundlagen
Prüft die Mathematik hinter dem Training eines Deep-Learning-Modells.
Netzwerkarchitektur
Prüft die Auswahl und Analyse von Netzwerkarchitekturen.
Training und Regularisierung
Prüft das Training eines Modells und den Einsatz von Regularisierung.
Neuronale Netze für Bilder
Prüft Faltungsnetzwerke und ihren Einsatz mit Bildern.
Frageformate
Multiple Choice
Die Kandidatin oder der Kandidat: Liest eine kurze Situation, Tabelle oder Aussage und wählt die richtige oder alle richtigen Antworten aus.
Sie sehen: Ob die kandidierende Person den Stoff gut genug kennt, um ihn anzuwenden, statt ihn nur wiederzuerkennen.
15 Fragen in 10 Minuten, die nacheinander angezeigt werden.
Passende Rollen für diesen Test
Machine-Learning- und Deep-Learning-Ingenieur*innen, AI-Ingenieur*innen, angewandte Wissenschaftler*innen sowie Datenanalyst*innen und Entwickler*innen, deren Arbeit Kenntnisse in Deep Learning auf mittlerem Niveau erfordert.
Ein gezielter Hinweis für die Besetzung technischer Stellen
Blicken Sie über den Lebenslauf hinaus
Erfahren Sie, wie Kandidat*innen Tabellen mit Trainingsergebnissen interpretieren und ihr Deep-Learning-Urteilsvermögen anwenden - nicht nur, welche Tools oder Projekte im Lebenslauf stehen.
Prüfen Sie vier relevante Bereiche
Bewerten Sie in einem kurzen Test die Kenntnisse in Trainingsmathematik, Netzwerkarchitektur, Training und Regularisierung sowie neuronalen Netzen für Bilder.
Gestalten Sie das nächste Gespräch gezielter
Nutzen Sie die Antworten, um eine passende Arbeitsprobe oder eine weiterführende Frage auszuwählen, statt im Interview Zeit darauf zu verwenden, herauszufinden, was die Kandidatin oder der Kandidat bereits weiß.
Halten Sie den Test kurz
Der 10-minütige Test umfasst 15 Multiple-Choice-Fragen, darunter kurze Szenarien, Tabellen mit Trainingsergebnissen und kurze Python-Codeausschnitte.
Was Sie für jede kandidierende Person erhalten
- Während des gesamten Tests im Test-Tab geblieben
- Keine eingefügten Antworten
- In gleichmäßigem Tempo beantwortet
Ergebnisse, Profile und Integritätssignale dienen Ihnen als Anhaltspunkte, die Sie zusammen mit einem Vorstellungsgespräch prüfen können. Sie führen niemals automatisch zu einer Entscheidung.
Hinweise zur Integrität des Tests
Jede kandidierende Person erhält eine andere Auswahl aus einem umfangreichen Fragenpool. Bei jedem Versuch erscheinen die Fragen in einer anderen Reihenfolge, und die Antwortmöglichkeiten werden gemischt. Der Browser erhält immer nur eine Frage; die Lösungsschlüssel bleiben auf den Servern von HireValid. Die Zeitmessung erfolgt auf dem Server. Wird die Seite neu geladen, erscheint daher dieselbe Frage mit der verbleibenden Zeit. Der Fragetext kann weder kopiert noch markiert werden. Ein blockierter Kopierversuch wird in der Zeitleiste vermerkt. HireValid fasst Hinweise wie die Zeit außerhalb des Test-Tabs, eingefügte Antworten und Antworten, die schneller eingegeben wurden, als sich die Frage lesen lässt, in einem Integrity Score und einer Zeitleiste mit Hinweisen zur Prüfung durch den Arbeitgeber zusammen. Das System trifft keine eigenständige Entscheidung. Mit Einwilligung der kandidierenden Person können Arbeitgeber zufällig Webcam-Fotos aufnehmen lassen.
So beugen wir KI-gestützter Täuschung vor · Integritätssignale
Nutzen Sie den Score als Nachweis
Betrachten Sie den Score als einen Anhaltspunkt, den eine Person prüfen sollte, nicht als Einstellungsentscheidung. Ergänzen Sie ihn durch eine kurze Arbeitsprobe, in der die Kandidatin oder der Kandidat Trainingsergebnisse interpretieren oder eine Modellwahl erklären soll. Nutzen Sie anschließend ein strukturiertes Interview, um die Überlegungen dahinter zu erkunden. Die Arbeitsprobe sollte für die Stelle relevant sein. Bewerten Sie sie zusammen mit den anderen Nachweisen zur Eignung der Kandidatin oder des Kandidaten. Wenn Sie eine Stelle mit einem breiteren technischen Aufgabengebiet besetzen, vergleichen Sie diesen Test mit Machine Learning, Artificial Intelligence oder Data Science.
Fragen für strukturierte Vorstellungsgespräche
Die Ergebnisse eines Modells beim Training verbessern sich, während sich die Validierungsergebnisse verschlechtern. Wie würden Sie untersuchen, was passiert, und entscheiden, was geändert werden sollte?
Achten Sie darauf, wie die kandidierende Person die Ergebnisse interpretiert, Regularisierung berücksichtigt und einen konkreten nächsten Schritt erläutert.
Sie müssen für eine Bildverarbeitungsaufgabe mit wenigen beschrifteten Beispielen ein Netzwerk auswählen. Wie würden Sie mögliche Ansätze vergleichen?
Achten Sie auf Überlegungen zur Netzwerkarchitektur für Bilder, zum Aufgabenkontext und zu möglichen Kompromissen - nicht auf auswendig gelernte Bezeichnungen.
Ein kurzer Python-Codeausschnitt führt während des Modelltrainings zu einer unerwarteten Tensorform. Wie würden Sie die Ursache ermitteln?
Achten Sie auf ein klares Vorgehen beim Prüfen der Tensorformen, Lesen des Codes und Testen einer Änderung.
Bewertung und Vergleichswerte verstehen
Fairness und angemessene Vorkehrungen
Die Fragen enthalten neutrale Szenarien aus vielen Branchen und setzen weder Redewendungen noch Kenntnisse zu Geld oder lokalen Gegebenheiten voraus. Der Code besteht aus kurzen, framework-neutralen Python-Beispielen. Tensorformen und mögliche Konventionen von Bibliotheken werden in Kommentaren angegeben, sodass die Eigenheiten einer bestimmten Bibliothek nicht über die Antwort entscheiden. Die Rechenaufgaben lassen sich leicht auf Schmierpapier lösen, benötigte Logarithmen oder Exponentialfunktionen sind angegeben, und die verwendeten Namen stammen aus vielen unterschiedlichen kulturellen Hintergründen.
Sie können jedem Kandidaten als angemessene Anpassung mehr Zeit geben. Die Ergebnisse dienen der Prüfung durch eine Person, niemals einer automatischen Entscheidung.
Vorläufig: Die Zuverlässigkeit wird angegeben, sobald 200 Kandidat*innen den Test abgeschlossen haben.
Testdetails
Ein kurzer, zeitlich begrenzter Test praxisrelevanter Deep-Learning-Kenntnisse in vier Bereichen: die Mathematik hinter dem Training, die Auswahl und Analyse von Netzwerkarchitekturen, das Training und die Regularisierung eines Modells sowie Faltungsnetzwerke für Bilder. Viele Fragen enthalten kurze Szenarien, Tabellen mit Trainingsergebnissen oder kurze Python-Codeausschnitte und fragen, zu welchem Schluss Kandidat*innen kommen oder was sie ändern würden.
- Die Fragen sind auf Englisch.
- Zulässige Hilfsmittel: Notizpapier.
- Jede Frage wird der Reihe nach einmal beantwortet. Ein Zurückgehen ist nicht möglich.
- 4 Übungsfragen, 4 Minuten, vor dem zeitlich begrenzten Test.
Häufig gestellte Fragen
Was misst der Deep-Learning-Test?+
Der Test prüft mathematische Grundlagen, Netzwerkarchitektur, Training und Regularisierung sowie neuronale Netze für Bilder. Die Fragen können kurze Szenarien, Tabellen mit Trainingsergebnissen oder kurze Python-Codeausschnitte enthalten und fragen, zu welchem Schluss Kandidat*innen kommen oder was sie ändern würden.
Für wen eignet sich der Deep-Learning-Test?+
Setzen Sie den Test für Machine-Learning- und Deep-Learning-Engineers, AI-Engineers und angewandte Wissenschaftlerinnen und Wissenschaftler ein. Er eignet sich auch für Datenanalystinnen und Datenanalysten oder Entwicklerinnen und Entwickler, deren Arbeit fortgeschrittene Deep-Learning-Kenntnisse erfordert. Er ist als Einstellungssignal konzipiert, das zusammen mit anderen Nachweisen geprüft werden sollte.
Wie lange dauert der Deep-Learning-Test, und können Kandidat*innen zu vorherigen Fragen zurückkehren?+
Der Test umfasst 15 Multiple-Choice-Fragen und dauert höchstens 10 Minuten. Kandidat*innen können nicht zu vorherigen Fragen zurückkehren. Schmierpapier ist erlaubt. Außerdem können Kandidat*innen einen separaten Übungssatz mit vier Fragen und einem Zeitlimit von vier Minuten ausprobieren.
Ist der Deep-Learning-Test auf ein bestimmtes Framework ausgerichtet?+
Nein. Der Code besteht aus kurzen, framework-neutralen Python-Beispielen. Tensorformen und mögliche Konventionen von Bibliotheken werden in Kommentaren angegeben, sodass die Eigenheiten einer bestimmten Bibliothek nicht über die Antwort entscheiden. Alle benötigten Logarithmen oder Exponentialfunktionen sind angegeben, und die Rechenaufgaben lassen sich leicht auf Schmierpapier lösen.
Wie sollte ich das Ergebnis des Deep-Learning-Tests interpretieren?+
Betrachten Sie das Ergebnis als Hinweis, nicht als Urteil oder alleinige Grundlage für eine Einstellungsentscheidung. Besprechen Sie relevante Antworten in einem strukturierten Interview und ergänzen Sie das Ergebnis durch eine Arbeitsprobe, die die Deep-Learning-Aufgaben der Stelle widerspiegelt.
Ähnliche Tests
Reinforcement Learning (RL)
10 Minuten, Rollenspezifische Fähigkeiten
EntdeckenMaschinelles Lernen
10 Minuten, Rollenspezifische Fähigkeiten
EntdeckenKünstliche Intelligenz
10 Minuten, Rollenspezifische Fähigkeiten
EntdeckenVerarbeitung natürlicher Sprache (NLP)
10 Minuten, Rollenspezifische Fähigkeiten
EntdeckenNeuronale Netze
10 Minuten, Programmierfähigkeiten
EntdeckenTensorFlow
10 Minuten, Programmierfähigkeiten
EntdeckenNutzen Sie den Test Deep Learning bei Ihrer nächsten Einstellung
Der Tarif Free umfasst 5 wichtige Tests; kostenpflichtige Tarife umfassen den Vollständige Testbibliothek.