HR-QDE Prototype
  1. ✓ Lerner
  2. →
  3. ✓ Stelle
  4. →
  5. ✓ Gap
  6. →
  7. 4 Lernpfad
Lerner
M. Schreiber
Zielstelle
Data Engineer (Versicherer, Frankfurt)

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
4
ECTS-Summe
24
Offen
0
Berechnungszeit
6 ms

Empfohlener Lernpfad (4 Module)

  1. 1

    Cloud-Technologien für Data Professionals

    INF-410 · 6 ECTS
    Voraussetzungen:
    Python (Computerprogrammierung)
    Schließt Skill-Lücke:
    Cloud-Technologien
  2. 2

    Cloud-Automatisierung mit Python

    INF-512 · 6 ECTS
    Voraussetzungen:
    Cloud-Technologien Python (Computerprogrammierung)
    Schließt Skill-Lücke:
    Cloud-Aufgaben automatisieren
  3. 3

    ETL-Pipelines mit Python und SQL

    INF-403 · 6 ECTS
    Voraussetzungen:
    Python (Computerprogrammierung) SQL
    Schließt Skill-Lücke:
    Werkzeuge für Extraktion Transformation und Laden von Daten
  4. 4

    Data Warehousing

    INF-505 · 6 ECTS
    Voraussetzungen:
    Werkzeuge für Extraktion Transformation und Laden von Daten SQL
    Schließt Skill-Lücke:
    Data-Warehouse
Berechnungs-Transparenz Greedy
Architektur:

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

Iterationen: 4
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.

Loading…
Loading the web debug toolbar…
Attempt #