Search test library by skills or roles
⌘ K

About the test:

De deep-leer vóór de dienstbaarheidstest evalueert het begrip van een kandidaat van kerndeep-leerconcepten zoals activeringsfuncties, backpropagatie, RNNS & CNN's, leersnelheid, uitval, batch-normalisatie, gegevensverwerkingspijplijnen, meerlagige perceptrons en gegevensnormalisatie. Deze test richt zich ook op hun vermogen om de diepe leeralgoritmen toe te passen op gebruiksgevallen zoals computer vision, beeldherkenning, objectdetectie, tekstclassificatie enz.

Covered skills:

  • Neurale netwerken
  • Kostenfuncties en activeringsfuncties
  • Neurale netwerken
  • Terugkerende neurale netwerken
  • Natuurlijke taalverwerking
  • Overdracht leren
  • Optimalisatie -algoritmen
  • Gegevensnormalisatie
  • Backpropagatie
  • Convolutionele neurale netwerken
  • Generatieve tegenstandernetwerken
  • Computer visie
  • Autoencoders

9 reasons why
9 reasons why

Adaface Deep Learning Test is the most accurate way to shortlist Data scientists



Reason #1

Tests for on-the-job skills

The Deep Learning Online Test helps recruiters and hiring managers identify qualified candidates from a pool of resumes, and helps in taking objective hiring decisions. It reduces the administrative overhead of interviewing too many candidates and saves time by filtering out unqualified candidates at the first step of the hiring process.

The test screens for the following skills that hiring managers look for in candidates:

  • Neurale netwerken begrijpen en implementeren
  • Gegevensnormalisatietechnieken toepassen
  • Het selecteren van geschikte kostenfuncties en activeringsfuncties
  • Implementatie van backpropagatie -algoritme
  • Convolutionele neurale netwerken ontwerpen en evalueren
  • Het ontwikkelen van terugkerende neurale netwerken
  • Generatieve tegenstanders maken
  • Het toepassen van technieken voor natuurlijke taalverwerking
  • Computer vision -algoritmen implementeren
  • Overdracht leren en implementeren
  • Autoencoders ontwikkelen
  • Optimalisatie van diepe leermodellen met behulp van optimalisatie -algoritmen
Reason #2

No trick questions

no trick questions

Traditional assessment tools use trick questions and puzzles for the screening, which creates a lot of frustration among candidates about having to go through irrelevant screening assessments.

View sample questions

The main reason we started Adaface is that traditional pre-employment assessment platforms are not a fair way for companies to evaluate candidates. At Adaface, our mission is to help companies find great candidates by assessing on-the-job skills required for a role.

Why we started Adaface
Reason #3

Non-googleable questions

We have a very high focus on the quality of questions that test for on-the-job skills. Every question is non-googleable and we have a very high bar for the level of subject matter experts we onboard to create these questions. We have crawlers to check if any of the questions are leaked online. If/ when a question gets leaked, we get an alert. We change the question for you & let you know.

How we design questions

Dit zijn slechts een klein monster uit onze bibliotheek met meer dan 10.000 vragen. De werkelijke vragen hierover Diep leertest zal niet-googelbaar zijn.

🧐 Question

Medium

Changed decision boundary
Solve
We have trained a model on a linearly separable training set to classify the data points into 2 sets (binary classification). Our intern recently labelled some new data points which are all correctly classified by the model. All of the new data points lie far away from the decision boundary. We added these new data points and re-trained our model- our decision boundary changed. Which of these models do you think we could be working with?
The 2 data sources use SQL Server and have a 3-character CompanyCode column. Both data sources contain an ORDER BY clause to sort the data by CompanyCode in ascending order. 

Teylor wants to make sure that the Merge Join transformation works without additional transformations. What would you recommend?
A: Perceptron
B: SVM
C: Logistic regression
D: Guassion discriminant analysis

Medium

CNN Architecture Tuning
Convolutional Neural Networks
Hyperparameter Optimization
Solve
You are fine-tuning a Convolutional Neural Network (CNN) for image classification. The network architecture is as follows:
 image
The model is trained using the following parameters:

- Batch size: 64
- Learning rate: 0.001
- Optimizer: Adam
- Loss function: Categorical cross-entropy

After several training epochs, you observe that the training accuracy is high, but the validation accuracy plateaus and is significantly lower. This suggests possible overfitting. Which of the following adjustments would most effectively mitigate this issue without overly compromising the model's performance?
A: Increase the batch size to 128
B: Add dropout layers with a dropout rate of 0.5 after each MaxPooling2D layer
C: Replace Adam optimizer with SGD (Stochastic Gradient Descent)
D: Decrease the number of filters in each Conv2D layer by half
E: Increase the learning rate to 0.01
F: Reduce the size of the Dense layer to 64 units

Medium

CNN for Imbalanced Image Dataset
Convolutional Neural Networks
Imbalanced Datasets
Solve
You are fine-tuning a Convolutional Neural Network (CNN) for an image classification task where the dataset is highly imbalanced. The majority class comprises 70% of the data. The initial model setup and subsequent experiments yield the following observations:

**Initial Setup:**

- CNN architecture: 6 convolutional layers with increasing filter sizes, followed by 2 fully connected layers.
- Activation function: ReLU
- No class-weighting or data augmentation.
- Results: High overall accuracy, but poor precision and recall for minority classes.

**Experiment 1:**

- Changes: Implement class-weighting to penalize mistakes on minority classes more heavily.
- Results: Improved precision and recall for minority classes, but overall accuracy slightly decreased.

**Experiment 2:**

- Changes: Add dropout layers with a rate of 0.5 after each convolutional layer.
- Results: Overall accuracy decreased, and no significant change in precision and recall for minority classes.

Given these outcomes, what is the most effective strategy to further improve the model's performance specifically for the minority classes without compromising the overall accuracy?
A: Increase the dropout rate to 0.7
B: Further fine-tune class-weighting parameters
C: Increase the number of filters in the convolutional layers
D: Add batch normalization layers after each convolutional layer
E: Use a different activation function like LeakyReLU
F: Implement more aggressive data augmentation on the minority class

Easy

Gradient descent optimization
Gradient Descent
Solve
You are working on a regression problem using a simple neural network. You want to optimize the model's weights using gradient descent with different learning rate schedules. Consider the following pseudo code for training the neural network:
 image
Which of the following learning rate schedules would most likely result in the fastest convergence without overshooting the optimal weights?

A: Constant learning rate of 0.01
B: Exponential decay with initial learning rate of 0.1 and decay rate of 0.99
C: Exponential decay with initial learning rate of 0.01 and decay rate of 0.99
D: Step decay with initial learning rate of 0.1 and decay rate of 0.5 every 100 epochs
E: Step decay with initial learning rate of 0.01 and decay rate of 0.5 every 100 epochs
F: Constant learning rate of 0.1

Medium

Less complex decision tree model
Model Complexity
Overfitting
Solve
You are given a dataset to solve a classification problem using a decision tree algorithm. You are concerned about overfitting and decide to implement pruning to control the model's complexity. Consider the following pseudo code for creating the decision tree model:
 image
Which of the following combinations of parameters would result in a less complex decision tree model, reducing the risk of overfitting?

A: max_depth=5, min_samples_split=2, min_samples_leaf=1
B: max_depth=None, min_samples_split=5, min_samples_leaf=5
C: max_depth=3, min_samples_split=2, min_samples_leaf=1
D: max_depth=None, min_samples_split=2, min_samples_leaf=1
E: max_depth=3, min_samples_split=10, min_samples_leaf=10
F; max_depth=5, min_samples_split=5, min_samples_leaf=5

Easy

n-gram generator
Solve
Our newest machine learning developer want to write a function to calculate the n-gram of any text. An N-gram means a sequence of N words. So for example, "black cats" is a 2-gram, "saw black cats" is a 3-gram etc. The 2-gram of the sentence "the big bad wolf fell down" would be [["the", "big"], ["big", "bad"], ["bad", "wolf"], ["wolf", "fell"], ["fell", "down"]]. Can you help them select the correct function for the same?
 image

Easy

Recommendation System Selection
Recommender Systems
Collaborative Filtering
Content-Based Filtering
Solve
You are tasked with building a recommendation system for a newly launched e-commerce website. Given that the website is new, there is not much user interaction data available. Also, the items in the catalog have rich descriptions. Based on these requirements, which type of recommendation system approach would be the most suitable for this task?

Easy

Sensitivity and Specificity
Confusion Matrix
Model Evaluation
Solve
You have trained a supervised learning model to classify customer reviews as either "positive" or "negative" based on a dataset with 10,000 samples and 35 features, including the review text, reviewer's name, and rating. The dataset is split into a 7,000-sample training set and a 3,000-sample test set.

After training the model, you evaluate its performance using a confusion matrix on the test set, which shows the following results:
 image
Based on the confusion matrix, what are the sensitivity and specificity of the model?
🧐 Question🔧 Skill

Medium

Changed decision boundary

2 mins

Deep Learning
Solve

Medium

CNN Architecture Tuning
Convolutional Neural Networks
Hyperparameter Optimization

3 mins

Deep Learning
Solve

Medium

CNN for Imbalanced Image Dataset
Convolutional Neural Networks
Imbalanced Datasets

3 mins

Deep Learning
Solve

Easy

Gradient descent optimization
Gradient Descent

2 mins

Machine Learning
Solve

Medium

Less complex decision tree model
Model Complexity
Overfitting

2 mins

Machine Learning
Solve

Easy

n-gram generator

2 mins

Machine Learning
Solve

Easy

Recommendation System Selection
Recommender Systems
Collaborative Filtering
Content-Based Filtering

2 mins

Machine Learning
Solve

Easy

Sensitivity and Specificity
Confusion Matrix
Model Evaluation

2 mins

Machine Learning
Solve
🧐 Question🔧 Skill💪 Difficulty⌛ Time
Changed decision boundary
Deep Learning
Medium2 mins
Solve
CNN Architecture Tuning
Convolutional Neural Networks
Hyperparameter Optimization
Deep Learning
Medium3 mins
Solve
CNN for Imbalanced Image Dataset
Convolutional Neural Networks
Imbalanced Datasets
Deep Learning
Medium3 mins
Solve
Gradient descent optimization
Gradient Descent
Machine Learning
Easy2 mins
Solve
Less complex decision tree model
Model Complexity
Overfitting
Machine Learning
Medium2 mins
Solve
n-gram generator
Machine Learning
Easy2 mins
Solve
Recommendation System Selection
Recommender Systems
Collaborative Filtering
Content-Based Filtering
Machine Learning
Easy2 mins
Solve
Sensitivity and Specificity
Confusion Matrix
Model Evaluation
Machine Learning
Easy2 mins
Solve
Reason #4

1200+ customers in 75 countries

customers in 75 countries
Brandon

Met Adaface konden we ons eerste screeningproces met ruim 75% optimaliseren, waardoor kostbare tijd vrijkwam voor zowel de rekruteringsmanagers als ons talentacquisitieteam!


Brandon Lee, Hoofd Mensen, Love, Bonito

Reason #5

Designed for elimination, not selection

The most important thing while implementing the pre-employment Diep leertest in your hiring process is that it is an elimination tool, not a selection tool. In other words: you want to use the test to eliminate the candidates who do poorly on the test, not to select the candidates who come out at the top. While they are super valuable, pre-employment tests do not paint the entire picture of a candidate’s abilities, knowledge, and motivations. Multiple easy questions are more predictive of a candidate's ability than fewer hard questions. Harder questions are often "trick" based questions, which do not provide any meaningful signal about the candidate's skillset.

Science behind Adaface tests
Reason #6

1 click candidate invites

Email invites: You can send candidates an email invite to the Diep leertest from your dashboard by entering their email address.

Public link: You can create a public link for each test that you can share with candidates.

API or integrations: You can invite candidates directly from your ATS by using our pre-built integrations with popular ATS systems or building a custom integration with your in-house ATS.

invite candidates
Reason #7

Detailed scorecards & benchmarks

Reason #7

Detailed scorecards & benchmarks

Along with scorecards that report the performance of the candidate in detail, you also receive a comparative analysis against the company average and industry standards.

View sample scorecard
Reason #8

High completion rate

Adaface tests are conversational, low-stress, and take just 25-40 mins to complete.

This is why Adaface has the highest test-completion rate (86%), which is more than 2x better than traditional assessments.

test completion rate
Reason #9

Advanced Proctoring


Learn more

About the Deep Learning Assessment Test

Why you should use Pre-employment Deep Learning Online Test?

The Diep leertest makes use of scenario-based questions to test for on-the-job skills as opposed to theoretical knowledge, ensuring that candidates who do well on this screening test have the relavant skills. The questions are designed to covered following on-the-job aspects:

  • Mogelijkheid om neurale netwerken op te bouwen en op te leiden
  • Inzicht in gegevensnormalisatietechnieken
  • Kennis van verschillende kostenfuncties en activeringsfuncties
  • Vaardigheid bij de implementatie van backpropagatie
  • Mogelijkheid om convolutionele neurale netwerken te ontwerpen en te optimaliseren
  • Bekendheid met terugkerende neurale netwerken en hun toepassingen
  • Inzicht in generatieve tegenstanders en hun componenten
  • Kennis van technieken voor natuurlijke taalverwerking
  • Vaardigheid in computer vision -algoritmen en technieken
  • Mogelijkheid om overdrachtsleren toe te passen in deep -leermodellen

Once the test is sent to a candidate, the candidate receives a link in email to take the test. For each candidate, you will receive a detailed report with skills breakdown and benchmarks to shortlist the top candidates from your pool.

What topics are covered in the Deep Learning Online Test?

  • Data Normalisatie

    Data -normalisatie is een techniek die wordt gebruikt om het bereik van gegevenswaarden te standaardiseren. Het omvat het transformeren van de gegevens om een ​​consistente schaal te hebben, meestal tussen 0 en 1. Deze vaardigheid wordt in deze test gemeten om de mogelijkheid om gegevens voor het proces effectief te evalueren, wat cruciaal is voor het trainen van nauwkeurige neurale netwerken.

  • kosten Functies en activeringsfuncties

    Kostenfuncties worden gebruikt om het verschil tussen voorspelde en werkelijke waarden in een neuraal netwerk te meten, waardoor het leerproces wordt begeleid. Activeringsfuncties introduceren niet-lineariteit in de output van elk neuron in een neuraal netwerk, waardoor complexe berekeningen mogelijk worden. Deze vaardigheid wordt in deze test gemeten om de kennis te beoordelen van het selecteren van geschikte kosten- en activeringsfuncties voor verschillende taken.

  • Backpropagatie

    Backpropagatie is een belangrijk algoritme voor het trainen van neurale netwerken. Het berekent de gradiënten van de parameters van het netwerk met betrekking tot het verlies, waardoor de gewichten in eerdere lagen kunnen worden aangepast. Deze vaardigheid wordt in deze test gemeten om het begrip te peilen van hoe gradiënten zich achteruit voortplanten via een neuraal netwerk voor efficiënt leren.

  • convolutionele neurale netwerken

    Convolutional Neural Networks (CNNS) zijn diep leren Modellen die speciaal zijn ontworpen voor het verwerken van gestructureerde rastergegevens, zoals afbeeldingen. Ze zijn gebouwd op het idee van convolutie, waarbij filters lokale patronen scannen en halen uit invoergegevens. Deze vaardigheid wordt in deze test gemeten om de kennis van CNN -architectuur en de toepassing ervan in computer vision -taken te evalueren.

  • Recurrent Neural Networks

    Recurrent Neural Networks (RNNS) zijn neurale netwerken die verwerken die verwerken Sequentiële gegevens variabele lengte, zoals tekst of tijdreeks. Ze hebben feedbackverbindingen waarmee informatie in het netwerk kan blijven bestaan. Deze vaardigheid wordt in deze test gemeten om het begrip van RNN's te beoordelen en hun vermogen om sequentiële patronen te modelleren.

  • generatieve tegenstanders

    Generatieve tegenstanders (GANS) bestaan ​​uit twee neurale netwerken: een generator en een discriminator. Ze worden samen getraind in een competitief proces, waarbij de generator wil synthetische gegevens produceren die niet te onderscheiden zijn van echte gegevens. Deze vaardigheid wordt in deze test gemeten om kennis van GAN -architectuur en de toepassing ervan te evalueren bij het genereren van realistische gegevens.

  • Natuurlijke taalverwerking

    Natuurlijke taalverwerking (NLP) omvat de interactie tussen computers en menselijke taal. Het omvat taken zoals spraakherkenning, tekstclassificatie en machinevertaling. Deze vaardigheid wordt in deze test gemeten om het begrip van NLP-technieken en hun toepassing in verschillende taalgerelateerde taken te beoordelen.

  • Computer Vision

    Computer Vision is een tak van kunstmatige intelligentie die handelt die handelt met het interpreteren van visuele informatie uit afbeeldingen of video's. Het omvat taken zoals objectdetectie, beeldherkenning en beeldsegmentatie. Deze vaardigheid wordt in deze test gemeten om de kennis van computer vision-algoritmen en hun toepassing te evalueren bij het oplossen van visuele perceptieproblemen.

  • overdracht leren

    Overdracht leren verwijst naar het gebruik van vooraf opgeleide modellen op Een taak om de prestaties op een andere taak te verbeteren. Door gebruik te maken van kennis van eerdere taken, kan overdracht leren de hoeveelheid trainingsgegevens en benodigde tijd aanzienlijk verminderen. Deze vaardigheid wordt in deze test gemeten om het begrip van het overbrengen van geleerde functies van het ene domein naar het andere te beoordelen.

  • AutoEncoders

    AutoEncoders zijn neurale netwerken die zijn ontworpen om de invoergegevens van een gecomprimeerde weergave te reconstrueren , de latente ruimte genoemd. Ze worden vaak gebruikt voor niet -gecontroleerd leren en dimensionaliteitsvermindering. Deze vaardigheid wordt in deze test gemeten om de kennis van autoencoders en hun toepassing te evalueren in taken zoals gegevenscompressie en anomaliedetectie.

  • optimalisatie -algoritmen

    Optimalisatie -algoritmen spelen een cruciale rol in training neural Netwerken door de parameters van het model iteratief aan te passen om het trainingsverlies te minimaliseren. Voorbeelden zijn stochastische gradiëntafdaling (SGD), ADAM en RMSPROP. Deze vaardigheid wordt in deze test gemeten om de bekendheid met verschillende optimalisatie -algoritmen en hun impact op netwerkconvergentie en prestaties te beoordelen.

  • Full list of covered topics

    The actual topics of the questions in the final test will depend on your job description and requirements. However, here's a list of topics you can expect the questions for Diep leertest to be based on.

    Neuron
    Gradiëntafdaling
    Feedforward Neural Network
    Vooroordeel
    Activeringsfunctie
    Gewichtsinitialisatie
    Overfect
    Regularisatie
    Verliesfunctie
    Leerpercentage
    Batch -normalisatie
    Afvaller
    Convolutionele laag
    Het poolen
    Terugkerend neuraal netwerk
    LSTM
    Gan
    Taalmodellering
    Woordinbedding
    CNN -architectuur
    Beeldclassificatie
    Objectdetectie
    Beeldsegmentatie
    RNN -architectuur
    Spraakherkenning
    Sentiment analyse
    Versterking leren
    Tekstgeneratie
    Optimalisatie -algoritmen
    Adam Optimizer
    Stochastische gradiëntafdaling
    Leerpercentage verval
    Leertechnieken overbrengen
    Voorgesneden modellen
    Autoencoder -architectuur
    Dimensionaliteitsvermindering
    Encoder-decoder
    Hyperparameterafstemming
    Gegevensvergroting
    Geregulariseerde autoencoders
    Ruisinjectie
    Verdwijnende gradiëntprobleem
    Generatieve modellen
    GAN -training
    Beeldgeneratie
    Tegenstanders
    CNN interpreteerbaarheid
    Aandachtsmechanismen
    Natuurlijke taal begrip
    Visuele vraag beantwoorden
    Afbeelding bijschrift
    Transformatoren
    Bert
    Diep versterking leren
    Beleidsgradiënt
    Waarde iteratie
    Q-learning
    Autoencoders voor anomaliedetectie
    Kunstmatige neurale netwerken

What roles can I use the Deep Learning Online Test for?

  • Data scientist
  • Ingenieur van machine learning
  • Kunstmatige intelligentieonderzoeker
  • Deep Learning Engineer
  • Data -analist
  • Computer Vision Engineer
  • Natural Language Processing Engineer
  • AI -consultant
  • Kunstmatige intelligentie -rollen
  • Onderzoekwetenschapper

How is the Deep Learning Online Test customized for senior candidates?

For intermediate/ experienced candidates, we customize the assessment questions to include advanced topics and increase the difficulty level of the questions. This might include adding questions on topics like

  • Kennis van autoencoders en hun toepassingen
  • Vaardigheid in optimalisatie -algoritmen voor neurale netwerken
  • Mogelijkheid om gradiëntafdaling en zijn varianten te implementeren
  • Inzicht in stochastische gradiëntafdaling en zijn varianten
  • Kennis van het planningstechnieken voor leersnelheid
  • Vaardigheid in batch -normalisatie in neurale netwerken
  • Mogelijkheid om dropout -regularisatie in modellen te implementeren
  • Inzicht in strategieën voor gewichtsinitialisatie
  • Kennis van vroeg stoppen in het trainen van neurale netwerken
  • Vaardigheid in modelevaluatie- en validatietechnieken
Singapore government logo

De rekruteringsmanagers waren van mening dat ze door de technische vragen die ze tijdens de panelgesprekken stelden, konden zien welke kandidaten beter scoorden, en onderscheidden ze zich met degenen die niet zo goed scoorden. Zij zijn zeer tevreden met de kwaliteit van de kandidaten op de shortlist van de Adaface-screening.


85%
Vermindering van de screeningstijd

Deep Learning Hiring Test Veelgestelde vragen

Kan ik meerdere vaardigheden combineren in één aangepaste beoordeling?

Ja absoluut. Aangepaste beoordelingen zijn opgezet op basis van uw functiebeschrijving en bevatten vragen over alle must-have vaardigheden die u opgeeft.

Heeft u functies tegen latere of proctoring op hun plaats?

We hebben de volgende anti-cheating-functies op zijn plaats:

  • Niet-googelbare vragen
  • IP Proctoring
  • Web Proctoring
  • Webcam Proctoring
  • Plagiaatdetectie
  • Beveilig browser

Lees meer over de Proctoring -functies.

Hoe interpreteer ik testscores?

Het belangrijkste om in gedachten te houden is dat een beoordeling een eliminatietool is, geen selectietool. Een vaardighedenbeoordeling is geoptimaliseerd om u te helpen kandidaten te elimineren die niet technisch gekwalificeerd zijn voor de rol, het is niet geoptimaliseerd om u te helpen de beste kandidaat voor de rol te vinden. Dus de ideale manier om een ​​beoordeling te gebruiken is om een ​​drempelscore te bepalen (meestal 55%, wij helpen u benchmark) en alle kandidaten uit te nodigen die boven de drempel scoren voor de volgende interviewrondes.

Voor welk ervaringsniveau kan ik deze test gebruiken?

Elke ADAFACE -beoordeling is aangepast aan uw functiebeschrijving/ ideale kandidaatpersonage (onze experts van het onderwerp zullen de juiste vragen kiezen voor uw beoordeling uit onze bibliotheek van 10000+ vragen). Deze beoordeling kan worden aangepast voor elk ervaringsniveau.

Krijgt elke kandidaat dezelfde vragen?

Ja, het maakt het veel gemakkelijker voor u om kandidaten te vergelijken. Opties voor MCQ -vragen en de volgorde van vragen worden gerandomiseerd. We hebben anti-cheating/proctoring functies. In ons bedrijfsplan hebben we ook de optie om meerdere versies van dezelfde beoordeling te maken met vragen over vergelijkbare moeilijkheidsniveaus.

Ik ben een kandidaat. Kan ik een oefentest proberen?

Nee. Helaas ondersteunen we op dit moment geen oefentests. U kunt echter onze voorbeeldvragen gebruiken voor praktijk.

Wat zijn de kosten van het gebruik van deze test?

U kunt onze [prijsplannen] bekijken (https://www.adaface.com/pricing/).

Kan ik een gratis proefperiode krijgen?

Ja, u kunt gratis aanmelden en een voorbeeld van deze test.

Ik ben net naar een betaald plan verhuisd. Hoe kan ik een aangepaste beoordeling aanvragen?

Hier is een korte handleiding over hoe een aangepaste beoordeling aanvragen op Adaface.

customers across world
Join 1200+ companies in 75+ countries.
Probeer vandaag de meest kandidaatvriendelijke vaardighedenbeoordelingstool.
g2 badges
Ready to use the Adaface Diep leertest?
Ready to use the Adaface Diep leertest?
logo
40 min tests.
No trick questions.
Accurate shortlisting.
Voorwaarden Privacy Vertrouwensgids

🌎 Kies uw taal

English Norsk Dansk Deutsche Nederlands Svenska Français Español Chinese (简体中文) Italiano Japanese (日本語) Polskie Português Russian (русский)
ada
Ada
● Online
Previous
Score: NA
Next
✖️