K Cunoștințe HF-D7.7-004 intersectorial 9 competențe
Noțiuni fundamentale privind învățarea automată
Cunoaște principalele forme de învățare automată, rolul datelor de antrenare și concepte precum supraajustarea, validarea și performanța modelului, exprimate într-un limbaj simplu.
Cum măsoară hrmforce acest lucru
- Metodă de măsurare
- Test de cunoștințe · rho 0.40 (SD 0.13)
- Instrument hrmforce
- Test de cunoștințe (specific clientului)
- Antrenabilitate
- ridicat
- Perspectiva cererii 2026 până în 2030
- în creștere
Test de cunoștințe declarative privind posturile, elaborat de obicei pentru fiecare client în parte.
Ancore comportamentale
| Nivel | Comportamentul la acest nivel |
|---|---|
| N1 Ghidat | Prezintă diferența dintre învățarea supravegheată și cea nesupravegheată și precizează de ce date are nevoie un model pentru a învăța. lucrează sub supraveghere și respectă instrucțiunile · rutină, câte o variabilă pe rând · sarcină proprie |
| N3 Competență avansată | Explică modul în care un model este antrenat și validat și evaluează dacă cifrele de performanță raportate sunt credibile. își stabilește propria abordare și solicită în mod proactiv opinii · mai multe variabile, o anumită ambiguitate · propria echipă sau propriul proces |
| N5 Conducere | Stabilește cerințele pentru dezvoltarea modelelor în cadrul organizației și evaluează modelele terților din perspectiva proiectării și a dovezilor. stabilește standardul și politica · strategic, în condiții de incertitudine ridicată · organizație, lanț valoric sau profesie |
N2 și N4 nu sunt ancorate în mod deliberat. Evaluatorii le plasează între ancore, urmând convenția O*NET.
Competențe subiacente
Aceste competențe moștenesc ruta de măsurare și ancorele comportamentale ale acestui construct.
| T | Competență | Definiție | Perspectiva cererii 2026 până în 2030 |
|---|---|---|---|
| K | Cunoașterea principalelor forme de învățare automată Învățarea supravegheată · Învățarea automată | Face distincția între învățarea supravegheată, nesupravegheată și prin întărire și oferă un exemplu practic pentru fiecare dintre acestea. | în creștere |
| K | Separarea seturilor de antrenare și de validare Împărțirea testului de antrenament · Validare încrucișată | Împarte datele în părți de antrenare, validare și testare, astfel încât performanța modelului să fie măsurată pe date necunoscute. | în creștere |
| K | Recunoașterea supraajustării Supraajustare | Recunoaște faptul că un model memorează datele de antrenare și, prin urmare, are performanțe slabe în cazul unor situații noi. | în creștere |
| K | Măsurarea performanței modelului Precizie · Reamintire · Evaluarea modelului | Alege indicatori adecvați, precum precizia, rata de recuperare și aria de sub curbă, și explică semnificația acestora. | în creștere |
| K | Distingerea între clasificare și regresie Clasificare · Regresie | Stabilește dacă o problemă necesită o clasă sau un număr și alege tipul de model corespunzător în consecință. | în creștere |
| V | Caracteristici tehnice Ingineria caracteristicilor | Transformă datele brute în variabile predictive utilizabile și împiedică pătrunderea informațiilor viitoare în model. | în creștere |
| K | Cunoașterea rețelelor neuronale la un nivel avansat Rețele neuronale · Învățare profundă | Explică modul în care straturile, ponderile și antrenarea sunt corelate și de ce astfel de modele sunt greu de explicat. | în creștere |
| V | Crearea unui set de evaluare Set de evaluare · Punct de referință | Reunește un set fix de cazuri de testare cu răspunsurile așteptate pentru a evalua modelele și solicitările în mod comparabil. | în creștere |
| K | Înțelegerea explicabilității modelului IA explicabilă | Explică ce tehnici indică variabilele care stau la baza unei predicții și care sunt limitele acestora. | în creștere |