K Conocimientos HF-D7.7-004 intersectorial 9 competencias
Fundamentos del aprendizaje automático
Conoce las principales formas de aprendizaje automático, la función de los datos de entrenamiento y conceptos como el sobreajuste, la validación y el rendimiento de los modelos, expresados en un lenguaje sencillo.
Cómo lo mide hrmforce
- Método de medición
- Prueba de conocimientos · rho 0.40 (SD 0.13)
- Instrumento hrmforce
- Prueba de conocimientos (específica para cada cliente)
- Entrenabilidad
- alto
- Perspectiva de demanda 2026 a 2030
- en alza
Prueba de conocimientos declarativos sobre el puesto, que suele elaborarse a medida para cada cliente.
Anclas conductuales
| Nivel | Comportamiento en este nivel |
|---|---|
| N1 Guiado | Explica la diferencia entre el aprendizaje supervisado y el no supervisado, y qué datos necesita un modelo para aprender. trabaja bajo supervisión y sigue instrucciones · rutinario, una variable cada vez · tarea propia |
| N3 Nivel avanzado | Explica cómo se entrena y se valida un modelo, y evalúa si las cifras de rendimiento comunicadas son fiables. establece su propio enfoque y solicita aportaciones de forma proactiva · varias variables, cierta ambigüedad · su propio equipo o proceso |
| N5 Liderazgo | Establece los requisitos para el desarrollo de modelos en la organización y revisa los modelos de terceros en cuanto a su diseño y fundamentación. establece la norma y la política · estratégico, en un contexto de gran incertidumbre · organización, cadena de valor o profesión |
N2 y N4 no se han anclado deliberadamente. Los evaluadores las sitúan entre los puntos de referencia, siguiendo la convención de O*NET.
Competencias subyacentes
Estas competencias heredan la vía de medición y las anclas conductuales de este constructo.
| T | Competencia | Definición | Perspectiva de demanda 2026 a 2030 |
|---|---|---|---|
| K | Conocer las principales formas de aprendizaje automático Aprendizaje supervisado · Aprendizaje automático | Distingue entre el aprendizaje supervisado, no supervisado y por refuerzo, y cita un ejemplo práctico de cada uno de ellos. | en alza |
| K | División de los conjuntos de entrenamiento y validación División entre datos de entrenamiento y de prueba · Validación cruzada | Divide los datos en conjuntos de entrenamiento, validación y prueba, de modo que el rendimiento del modelo se evalúe con datos no vistos. | en alza |
| K | Reconocer el sobreajuste Sobreadaptación | Reconoce que un modelo memoriza los datos de entrenamiento y, por lo tanto, obtiene malos resultados en casos nuevos. | en alza |
| K | Medición del rendimiento del modelo Precisión · Recuperación · Evaluación del modelo | Selecciona medidas adecuadas, como la precisión, el recuerdo y el área bajo la curva, y explica su significado. | en alza |
| K | Distinción entre clasificación y regresión Clasificación · Regresión | Determina si un problema requiere una clase o un número y selecciona el tipo de modelo adecuado en consecuencia. | en alza |
| V | Características técnicas Ingeniería de características | Convierte los datos brutos en variables predictivas útiles y evita que la información futura se filtre en el modelo. | en alza |
| K | Conocimientos generales sobre redes neuronales Redes neuronales · Aprendizaje profundo | Explica cómo se relacionan las capas, las ponderaciones y el entrenamiento, y por qué estos modelos resultan difíciles de explicar. | en alza |
| V | Creación de un conjunto de evaluación Conjunto de evaluación · Referencia | Recopila un conjunto fijo de casos de prueba con las respuestas esperadas para evaluar los modelos y las indicaciones de forma comparativa. | en alza |
| K | Comprensión de la explicabilidad de los modelos IA explicable | Explica qué técnicas revelan qué variables determinan una predicción y cuáles son sus limitaciones. | en alza |