Lernpfad · HR-QDE Prototype

✓ Lerner
→
✓ Stelle
→
✓ Gap
→
4 Lernpfad

Lerner

M. Schreiber

Zielstelle

Data Scientist (KMU München)

Pfad-Berechnungs-Strategie

RG2.2-S

Greedy Cypher Pattern-Matching GDS Dijkstra

Greedy best-gain: in jeder Iteration wird das Modul mit erfüllten Voraussetzungen gewählt, das eine der offenen Lücken schließt. Schnell und lokal optimal, aber ohne globale Sicht.

Erweiterte Optionen (Constraints)

Module

ECTS-Summe

Offen

Berechnungszeit

7 ms

Empfohlener Lernpfad (3 Module)

1

Machine Learning Grundlagen

INF-501 · 6 ECTS

Voraussetzungen:

Statistik Python (Computerprogrammierung)

Schließt Skill-Lücke:

maschinelles Lernen
2

Deep Learning Spezialisierung

INF-602 · 9 ECTS

Voraussetzungen:

maschinelles Lernen

Schließt Skill-Lücke:

Deep Learning
3

Cloud-Technologien für Data Professionals

INF-410 · 6 ECTS

Voraussetzungen:

Python (Computerprogrammierung)

Schließt Skill-Lücke:

Cloud-Technologien

Berechnungs-Transparenz Greedy

Architektur:

PHP-iterativ, compute-tier-zentrisch. Alle Module einmalig in den Speicher laden, dann in PHP iterativ filtern.

Iterationen: 3

Module evaluiert: 10

Note:

In jeder Iteration werden alle Module mit erfüllten Voraussetzungen geprüft; das Modul mit gain=1 (lehrt einen offenen Skill) wird gewählt.

Pfad-Berechnungs-Strategie

Empfohlener Lernpfad (3 Module)

Machine Learning Grundlagen

Deep Learning Spezialisierung

Cloud-Technologien für Data Professionals