เชญเซ‚เชฎเชฟเช•เชพ-เชตเชฟเชถเชฟเชทเซเชŸ เช•เซŒเชถเชฒเซเชฏเซ‹

Machine learning test for hiring

Check how candidates choose, tune and interpret classical machine learning methods.

  • 10 เชฎเชฟเชจเชฟเชŸ
  • 15 เชชเซเชฐเชถเซเชจเซ‹
  • เชฎเชงเซเชฏเชฎ
  • เชฌเชนเซเชตเชฟเช•เชฒเซเชชเซ€
  • เช…เช‚เช—เซเชฐเซ‡เชœเซ€เชฎเชพเช‚ เชชเซเชฐเชถเซเชจเซ‹
  • เชซเซ‹เชจ เช…เชจเซ‡ เชกเซ‡เชธเซเช•เชŸเซ‹เชช

เชŸเซ‚เช‚เช•เซ‹ เชœเชตเชพเชฌ

The Machine Learning test is an intermediate, 10-minute check of working knowledge across classical methods. Multiple-choice questions use short scenarios, small results tables and brief Python snippets to assess regression, classification, trees and unsupervised methods. It is designed for hiring machine learning engineers, data scientists, data analysts, data engineers and AI engineers.

เชคเซ‡ เชถเซเช‚ เชฎเชพเชชเซ‡ เช›เซ‡

Working knowledge of classical machine learning methods: when to use each one, how to tune it and how to read its results.

Regression and regularization

Questions check how candidates fit and regularize regression models and interpret their results.

Classification and support vector machines

Candidates choose and assess classifiers, including support vector machines, in short scenarios.

Decision trees and ensembles

Questions cover the use and interpretation of decision trees and ensembles.

Clustering, anomalies and dimensionality reduction

Candidates consider clustering, anomaly detection and dimensionality reduction to find structure in unlabeled data.

เชชเซเชฐเชถเซเชจเซ‹เชจเชพ เชชเซเชฐเช•เชพเชฐเซ‹

เชฌเชนเซเชตเชฟเช•เชฒเซเชชเซ€

เช‰เชฎเซ‡เชฆเชตเชพเชฐ: เชŸเซ‚เช‚เช•เซ€ เชชเชฐเชฟเชธเซเชฅเชฟเชคเชฟ, เช•เซ‹เชทเซเชŸเช• เช…เชฅเชตเชพ เชตเชฟเชงเชพเชจ เชตเชพเช‚เชšเซ€เชจเซ‡ เชธเชพเชšเซ‹ เชœเชตเชพเชฌ เช…เชฅเชตเชพ เชฌเชงเชพ เชธเชพเชšเชพ เชœเชตเชพเชฌเซ‹ เชชเชธเช‚เชฆ เช•เชฐเซ‡ เช›เซ‡.

เชคเชฎเชจเซ‡ เชฆเซ‡เช–เชพเชฏ เช›เซ‡: เช‰เชฎเซ‡เชฆเชตเชพเชฐ เชธเชพเชฎเช—เซเชฐเซ€เชจเซ‡ เชฎเชพเชคเซเชฐ เช“เชณเช–เซ‡ เช›เซ‡ เช•เซ‡ เชคเซ‡เชจเซ‹ เช‰เชชเชฏเซ‹เช— เช•เชฐเซ€ เชถเช•เซ‡ เชเชŸเชฒเซ€ เชธเชพเชฐเซ€ เชฐเซ€เชคเซ‡ เชœเชพเชฃเซ‡ เช›เซ‡.

10 เชฎเชฟเชจเชฟเชŸเชฎเชพเช‚ 15 เชชเซเชฐเชถเซเชจเซ‹, เชเช• เชธเชฎเชฏเซ‡ เชเช• เชชเซเชฐเชถเซเชจ เช†เชชเชตเชพเชฎเชพเช‚ เช†เชตเซ‡ เช›เซ‡.

เช† test เชฎเชพเชŸเซ‡ เชฏเซ‹เช—เซเชฏ เชญเซ‚เชฎเชฟเช•เชพเช“

Machine learning engineers, data scientists, data analysts, data engineers and AI engineers, and technical leads or product people whose work calls for intermediate machine learning knowledge.

A focused view of practical knowledge

  1. See choices in context

    Short scenarios show how candidates select a method for a problem, beyond what a resume lists.

  2. Check result reading

    Small results tables and code snippets prompt candidates to interpret an outcome or spot a mistake.

  3. Cover several method families

    One 10-minute check spans regression, classifiers, trees and ensembles, plus unsupervised methods.

  4. Focus follow-up

    Use the overall and sub-skill scores to focus a work sample and interview on the candidate's demonstrated knowledge.

เชฆเชฐเซ‡เช• เช‰เชฎเซ‡เชฆเชตเชพเชฐ เชฎเชพเชŸเซ‡ เชคเชฎเชจเซ‡ เชถเซเช‚ เชฎเชณเซ‡ เช›เซ‡

เชจเชฎเซ‚เชจเชพเชจเซ‹ เชฐเชฟเชชเซ‹เชฐเซเชŸ (เช•เชพเชฒเซเชชเชจเชฟเช• เชกเซ‡เชŸเชพ)เชฎเชถเซ€เชจ เชฒเชฐเซเชจเชฟเช‚เช—
77%เชชเชฐเซเชธเซ‡เชจเซเชŸเชพเช‡เชฒ 59. เชฌเซ‡เชจเซเชšเชฎเชพเชฐเซเช•: HireValid เช‰เชฎเซ‡เชฆเชตเชพเชฐเซ‹, n = 1,577
Regression and regularization81%
Classification and support vector machines76%
Decision trees and ensembles67%
Clustering, anomalies and dimensionality reduction82%
Integrity Scoreเช‰เชšเซเชš เชตเชฟเชถเซเชตเชพเชธ
  • เชธเชฎเช—เซเชฐ เชธเชฎเชฏ เชฆเชฐเชฎเชฟเชฏเชพเชจ เชŸเซ‡เชธเซเชŸ เชŸเซ…เชฌ เชชเชฐ เชœ เชฐเชนเซเชฏเชพ
  • เชชเซ‡เชธเซเชŸ เช•เชฐเซ‡เชฒเชพ เชœเชตเชพเชฌเซ‹ เชจเชฅเซ€
  • เชธเซเชฅเชฟเชฐ เช—เชคเชฟเช เชœเชตเชพเชฌ เช†เชชเซเชฏเชพ

เชธเซเช•เซ‹เชฐ, เชชเซเชฐเซ‹เชซเชพเช‡เชฒ เช…เชจเซ‡ เช…เช–เช‚เชกเชฟเชคเชคเชพเชจเชพ เชธเช‚เช•เซ‡เชคเซ‹ เช‡เชจเซเชŸเชฐเชตเซเชฏเซ‚ เชธเชพเชฅเซ‡ เชธเชฎเซ€เช•เซเชทเชพ เช•เชฐเชตเชพ เชฎเชพเชŸเซ‡เชจเชพ เชชเซเชฐเชพเชตเชพ เช›เซ‡, เช•เซเชฏเชพเชฐเซ‡เชฏ เชธเซเชตเชšเชพเชฒเชฟเชค เชจเชฟเชฐเซเชฃเชฏ เชจเชฅเซ€.

เช† เชŸเซ‡เชธเซเชŸ เชฎเชซเชคเชฎเชพเช‚ เช…เชœเชฎเชพเชตเซ‹

Test conditions and review signals

Each candidate receives a different set of questions from large pools, in a different order, with shuffled answer options. The browser shows one question at a time, and answer keys stay on HireValidโ€™s servers. The 10-minute timer runs on the server; reloading restores the same question with only the remaining time. Candidates cannot copy or select question text, and blocked copy attempts are recorded. Personal invitation links expire, and a finished test cannot be taken again. HireValid records signals such as time away from the test tab, pastes into answers and answers faster than a question can be read. An Integrity Score and evidence timeline help the employer review signals; neither makes the decision. With candidate consent, an employer can add webcam photos at random moments. See how we build our tests for more about the testing approach.

Use the score as evidence

Review the score as one signal, not as a hiring decision. Pair it with a job-relevant work sample that asks the candidate to choose or interpret a method, then use a structured interview to explore their reasoning. The Artificial Intelligence test and Software Engineer test are related options when you need to consider adjacent skills.

Structured interview questions

  1. Describe how you would choose and assess a classifier for a work problem. What result would change your next step?

    Listen for a reasoned method choice and attention to interpreting results, rather than a definition.

  2. Talk me through how you would review a regression result before using the model.

    Listen for relevant checks around fitting, regularization and what the result means for the problem.

  3. How would you investigate a clustering or anomaly result that did not fit the scenario?

    Listen for a clear approach to examining the result and considering whether the method fits the data.

เชจเซเชฏเชพเชฏเชธเช‚เช—เชคเชคเชพ เช…เชจเซ‡ เชœเชฐเซ‚เชฐเซ€ เชธเซเชตเชฟเชงเชพเช“

Questions test concepts rather than the defaults or function names of any one library, so candidates who learned on different tools start even. The code snippets are short, written in plain Python, and need no library knowledge. Scenarios use neutral settings such as sensors, deliveries, website visits and equipment, with no money symbols, idioms or local knowledge, and names from many backgrounds. The numbers in tables are chosen so that scratch paper is enough and no calculator is needed.

เชธเซเชตเชฟเชงเชพ เชคเชฐเซ€เช•เซ‡ เชคเชฎเซ‡ เช•เซ‹เชˆเชชเชฃ เช‰เชฎเซ‡เชฆเชตเชพเชฐเชจเซ‡ เชตเชงเชพเชฐเชพเชจเซ‹ เชธเชฎเชฏ เช†เชชเซ€ เชถเช•เซ‹ เช›เซ‹. เชชเชฐเชฟเชฃเชพเชฎเซ‹ เชตเซเชฏเช•เซเชคเชฟ เชฆเซเชตเชพเชฐเชพ เชธเชฎเซ€เช•เซเชทเชพ เช•เชฐเชตเชพ เชฎเชพเชŸเซ‡เชจเชพ เชชเซเชฐเชพเชตเชพ เช›เซ‡, เช•เซเชฏเชพเชฐเซ‡เชฏ เช†เชชเชฎเซ‡เชณเซ‡ เชฒเซ‡เชตเชพเชคเซ‹ เชจเชฟเชฐเซเชฃเชฏ เชจเชนเซ€เช‚.

Provisional: reliability is reported once 200 candidates have completed it.

เชจเชฟเชทเซเชชเช•เซเชทเชคเชพ เช…เช‚เช—เซ‡เชจเซ‹ เช…เชฎเชพเชฐเซ‹ เช…เชญเชฟเช—เชฎ เชตเชพเช‚เชšเซ‹

เชŸเซ‡เชธเซเชŸเชจเซ€ เชตเชฟเช—เชคเซ‹

A ten-minute check of working knowledge across classical machine learning: fitting and regularizing regression models, building classifiers including support vector machines, using decision trees and ensembles, and finding structure in unlabeled data through clustering, anomaly detection and dimensionality reduction. Questions show short scenarios, small results tables and brief code snippets, and ask the candidate to pick the right method, read a result or spot a mistake.

  • เชชเซเชฐเชถเซเชจเซ‹ เช…เช‚เช—เซเชฐเซ‡เชœเซ€เชฎเชพเช‚ เช›เซ‡.
  • เชฎเช‚เชœเซ‚เชฐ เชธเชนเชพเชฏ: เชฐเชซ เช•เชพเชฎ เชฎเชพเชŸเซ‡เชจเซเช‚ เช•เชพเช—เชณ.
  • เชฆเชฐเซ‡เช• เชชเซเชฐเชถเซเชจเชจเซ‹ เชœเชตเชพเชฌ เช•เซเชฐเชฎ เชชเซเชฐเชฎเชพเชฃเซ‡ เชเช• เชœ เชตเชพเชฐ เช†เชชเซ€ เชถเช•เชพเชฏ เช›เซ‡; เชชเชพเช›เชพ เชœเชˆ เชถเช•เชพเชคเซเช‚ เชจเชฅเซ€.
  • เชธเชฎเชฏเชฎเชฐเซเชฏเชพเชฆเชพเชตเชพเชณเชพ test เชชเชนเซ‡เชฒเชพเช‚ 4 เชชเซเชฐเซ‡เช•เซเชŸเชฟเชธ เชชเซเชฐเชถเซเชจเซ‹, 4 เชฎเชฟเชจเชฟเชŸ.

Python เชคเซ‡เชจเชพ เชฎเชพเชฒเชฟเช•เชจเซ‹ เชŸเซเชฐเซ‡เชกเชฎเชพเชฐเซเช• เช›เซ‡. HireValid เชคเซ‡เชจเซ€ เชธเชพเชฅเซ‡ เชธเช‚เช•เชณเชพเชฏเซ‡เชฒเซเช‚ เชจเชฅเซ€ เช•เซ‡ เชคเซ‡เชจเชพ เชฆเซเชตเชพเชฐเชพ เชธเชฎเชฐเซเชฅเชฟเชค เชจเชฅเซ€.

เชตเชพเชฐเช‚เชตเชพเชฐ เชชเซ‚เช›เชพเชคเชพ เชชเซเชฐเชถเซเชจเซ‹

What does the Machine Learning test measure?+

It measures working knowledge of classical machine learning methods: when to use them, how to tune them and how to read their results. Topics include regularized regression, support vector machines, trees and ensembles, clustering, anomaly detection and dimensionality reduction.

What question formats appear in the Machine Learning test?+

The 15 multiple-choice questions use short scenarios, small results tables and brief Python code snippets. Candidates choose a method, read a result or spot a mistake; the snippets require no library knowledge.

Who should use the Machine Learning test in hiring?+

It is for hiring machine learning engineers, data scientists, data analysts, data engineers and AI engineers. It can also suit technical leads or product people whose work calls for intermediate machine learning knowledge.

Can candidates go back in the Machine Learning test?+

No. The 10-minute test does not allow candidates to return to an earlier question. Candidates may use scratch paper, and a four-question practice set takes four minutes.

เชธเช‚เชฌเช‚เชงเชฟเชค เช•เชธเซ‹เชŸเซ€เช“

เชญเซ‚เชฎเชฟเช•เชพ-เชตเชฟเชถเชฟเชทเซเชŸ เช•เซŒเชถเชฒเซเชฏเซ‹

เชกเซ€เชช เชฒเชฐเซเชจเชฟเช‚เช—

10 เชฎเชฟเชจเชฟเชŸ, เชญเซ‚เชฎเชฟเช•เชพ-เชตเชฟเชถเชฟเชทเซเชŸ เช•เซŒเชถเชฒเซเชฏเซ‹

เชœเซเช“
เชญเซ‚เชฎเชฟเช•เชพ-เชตเชฟเชถเชฟเชทเซเชŸ เช•เซŒเชถเชฒเซเชฏเซ‹

เช•เซƒเชคเซเชฐเชฟเชฎ เชฌเซเชฆเซเชงเชฟ

10 เชฎเชฟเชจเชฟเชŸ, เชญเซ‚เชฎเชฟเช•เชพ-เชตเชฟเชถเชฟเชทเซเชŸ เช•เซŒเชถเชฒเซเชฏเซ‹

เชœเซเช“
เชญเซ‚เชฎเชฟเช•เชพ-เชตเชฟเชถเชฟเชทเซเชŸ เช•เซŒเชถเชฒเซเชฏเซ‹

เชจเซ‡เชšเชฐเชฒ เชฒเซ‡เช‚เช—เซเชตเซ‡เชœ เชชเซเชฐเซ‹เชธเซ‡เชธเชฟเช‚เช— (NLP)

10 เชฎเชฟเชจเชฟเชŸ, เชญเซ‚เชฎเชฟเช•เชพ-เชตเชฟเชถเชฟเชทเซเชŸ เช•เซŒเชถเชฒเซเชฏเซ‹

เชœเซเช“
เชญเซ‚เชฎเชฟเช•เชพ-เชตเชฟเชถเชฟเชทเซเชŸ เช•เซŒเชถเชฒเซเชฏเซ‹

เชฐเซ€เช‡เชจเซเชซเซ‹เชฐเซเชธเชฎเซ‡เชจเซเชŸ เชฒเชฐเซเชจเชฟเช‚เช— (RL)

10 เชฎเชฟเชจเชฟเชŸ, เชญเซ‚เชฎเชฟเช•เชพ-เชตเชฟเชถเชฟเชทเซเชŸ เช•เซŒเชถเชฒเซเชฏเซ‹

เชœเซเช“
เชชเซเชฐเซ‹เช—เซเชฐเชพเชฎเชฟเช‚เช— เช•เซเชถเชณเชคเชพ

Scikit-learn

10 เชฎเชฟเชจเชฟเชŸ, เชชเซเชฐเซ‹เช—เซเชฐเชพเชฎเชฟเช‚เช— เช•เซเชถเชณเชคเชพ

เชœเซเช“
เชชเซเชฐเซ‹เช—เซเชฐเชพเชฎเชฟเช‚เช— เช•เซเชถเชณเชคเชพ

เช•เชฎเซเชชเซเชฏเซเชŸเชฐ เชตเชฟเชเชจ

10 เชฎเชฟเชจเชฟเชŸ, เชชเซเชฐเซ‹เช—เซเชฐเชพเชฎเชฟเช‚เช— เช•เซเชถเชณเชคเชพ

เชœเซเช“

เชคเชฎเชพเชฐเซ€ เช†เช—เชพเชฎเซ€ เชญเชฐเชคเซ€เชฎเชพเช‚ เชฎเชถเซ€เชจ เชฒเชฐเซเชจเชฟเช‚เช— เชŸเซ‡เชธเซเชŸเชจเซ‹ เช‰เชชเชฏเซ‹เช— เช•เชฐเซ‹

เชฆเชฐเซ‡เช• เชชเซเชฒเชพเชจเชฎเชพเช‚, Free เชธเชนเชฟเชค, เชŸเซ‡เชธเซเชŸเชจเซ€ เชธเช‚เชชเซ‚เชฐเซเชฃ เชฒเชพเช‡เชฌเซเชฐเซ‡เชฐเซ€ เชธเชพเชฎเซ‡เชฒ เช›เซ‡.

เช† เชŸเซ‡เชธเซเชŸ เชฎเชซเชคเชฎเชพเช‚ เช…เชœเชฎเชพเชตเซ‹Free เชชเซเชฒเชพเชจ. เช•เซเชฐเซ‡เชกเชฟเชŸ เช•เชพเชฐเซเชกเชจเซ€ เชœเชฐเซ‚เชฐ เชจเชฅเซ€.
Free เชชเซเชฒเชพเชจ. เช•เซเชฐเซ‡เชกเชฟเชŸ เช•เชพเชฐเซเชกเชจเซ€ เชœเชฐเซ‚เชฐ เชจเชฅเซ€.เช† เชŸเซ‡เชธเซเชŸ เชฎเชซเชคเชฎเชพเช‚ เช…เชœเชฎเชพเชตเซ‹

เชธเช‚เชชเชพเชฆเช•เซ€เชฏ เชŸเซ€เชฎ เชตเชฟเชถเซ‡

HireValidเชจเซ€ เชธเช‚เชชเชพเชฆเช•เซ€เชฏ เชŸเซ€เชฎ เชฆเซเชตเชพเชฐเชพ เชฒเช–เชพเชฏเซ‡เชฒเซเช‚ เช…เชจเซ‡ เชคเชฅเซเชฏเซ‹เชจเซ€ เชšเช•เชพเชธเชฃเซ€ เช•เชฐเซ‡เชฒเซเช‚. เชคเชชเชพเชธเซ‡เชฒเชพ เชธเซเชฐเซ‹เชคเซ‹ . เชธเช‚เชชเชพเชฆเช•เซ€เชฏ เชจเซ€เชคเชฟ เชตเชพเช‚เชšเซ‹.