K Kennis HF-D7.7-004 cross-sectoraal 9 skills
Machine learning basiskennis
Kent de hoofdvormen van machinaal leren, de rol van trainingsdata, en begrippen als overpassing, validatie en modelprestatie in gewone taal.
Hoe hrmforce dit meet
- Meetmethode
- Kennistoets · rho 0.40 (SD 0.13)
- hrmforce instrument
- Kennistoets (klantspecifiek)
- Trainbaarheid
- hoog
- Vraagontwikkeling 2026 tot 2030
- stijgend
Toets van declaratieve vakkennis, meestal klantspecifiek samengesteld.
Gedragsankers
| Niveau | Gedrag op dit niveau |
|---|---|
| N1 Begeleid | Benoemt het verschil tussen geleid en ongeleid leren en welke gegevens een model nodig heeft om te leren. werkt onder toezicht en volgt instructie · routinematig, een variabele tegelijk · eigen taak |
| N3 Zelfstandig | Legt uit hoe een model wordt getraind en gevalideerd en beoordeelt of gerapporteerde prestaties geloofwaardig zijn. stelt de eigen aanpak vast en vraagt zelf om input · meerdere variabelen, enige ambiguiteit · eigen team of proces |
| N5 Toonaangevend | Bepaalt de eisen aan modelontwikkeling in de organisatie en beoordeelt modellen van derden op opzet en onderbouwing. zet de standaard en het beleid · strategisch, met hoge onzekerheid · organisatie, keten of vakgebied |
N2 en N4 zijn bewust niet geankerd. Beoordelaars plaatsen die tussen de ankers, conform de conventie van O*NET.
Onderliggende skills
Deze skills erven de meetroute en de gedragsankers van dit construct.
| T | Skill | Definitie | Vraagontwikkeling 2026 tot 2030 |
|---|---|---|---|
| K | Hoofdvormen van machinaal leren kennen Supervised learning · Machine learning vormen · Onbegeleid leren | Onderscheidt begeleid, onbegeleid en versterkend leren en benoemt bij elk een voorbeeld uit de praktijk. | stijgend |
| K | Trainings- en validatieset splitsen Train test split · Kruisvalidatie · Validatieset | Verdeelt gegevens in trainings-, validatie- en testdeel zodat modelprestatie op ongeziene data wordt gemeten. | stijgend |
| K | Overpassing herkennen Overfitting · Overpassing · Onderpassing | Herkent dat een model de trainingsdata uit het hoofd leert en daardoor op nieuwe gevallen slecht werkt. | stijgend |
| K | Modelprestatie meten Precision en recall · Confusion matrix · AUC | Kiest passende maten zoals precisie, gevoeligheid en oppervlakte onder de curve en legt uit wat ze betekenen. | stijgend |
| K | Classificatie en regressie onderscheiden Classificatie · Regressiemodel · Voorspellingstype | Bepaalt of een vraagstuk om een klasse of om een getal vraagt en kiest daarbij het passende modeltype. | stijgend |
| V | Kenmerken construeren Feature engineering · Variabelen maken · Datalekkage voorkomen | Maakt van ruwe gegevens bruikbare voorspellende variabelen en voorkomt dat toekomstinformatie in het model lekt. | stijgend |
| K | Neurale netwerken in hoofdlijnen kennen Neuraal netwerk · Deep learning · Transformer | Legt uit hoe lagen, gewichten en training samenhangen en waarom zulke modellen moeilijk uitlegbaar zijn. | stijgend |
| V | Evaluatieset opstellen Evaluatieset · Testset voor AI · Benchmark maken | Stelt een vaste set testgevallen met verwacht antwoord samen om modellen en prompts vergelijkbaar te beoordelen. | stijgend |
| K | Verklaarbaarheid van modellen begrijpen Explainable AI · SHAP · Uitlegbaarheid | Legt uit welke technieken laten zien welke variabelen een voorspelling drijven en wat hun beperkingen zijn. | stijgend |