费多索夫 作为 persoblogger.de 人力资源大战的一部分，Jan Kirchner 最近为算法在未来可以取代人类招聘人员的论点进行了辩护。他明显两极分化的言论引起了一些关注，但没有得到太多掌声。随后进行了一些辩论。那可能吗？机器是否有可能接管（预）选择过程等？ 怀疑的、有时甚至是恐惧的反应可能是由于缺乏对人工智能和机器学习的了解。我不想用这句话冒犯任何人。我只是认为它可以帮助我们大家更深入地研究这个话题——这样我们就可以更好地理解我们正在辩论的内容。 （这个话题将持续一段时间）。如果我们知道机器如何学习，我们就可以更好地评估可能性和局限性。 精彩的实验项目 R2D3就派上用场了，它旨在以简单、直观的方式向我们“普通人”解释机器学习是如何工作的。
我非常喜欢这个结果
所以我想将其稍微改编成德语。可以在这里访问精美的英文动画。 ** ** “机器学习”描述了计算机在统计方法和模型的支持下“学习”识别模式（规律）的过程。通过这种方式获得的人工知识可用于生成预测。 下面，以住房数据集为例，将构建一个机器学习模型，该模型将独立决定出租房产是在纽约还是旧金山。 将其转移到人力资源领域：我们教机器根据旧的申请来区分哪个申请人合适，哪个申 瑞典数据 请人不合适。 我们来看看这两个“堆栈”。左边是旧金山房屋的立面图，右边是纽约房屋的立面图。 构建机器学习模型 直观上，如果我们现在必须根据单一标准（海拔）为未来的区分定义一个明确的规则，我们可能会规定任何高于 73 英尺的物体都属于 SF。 人力资源背景：假设有两批申请者。左——合适，右——不合适。
让我们用专业经验
海拔标准。任何具有 5 年以上专业经验的人都绝对适合。 现在我们添加另一个标准：单位面积的价格。可以承认另一条法律。价格从 1,776 美元/平方英尺以上的住房显然是纽约独有的。 法律变得更加复杂 添加的标准越多，可识别的法律就会变得越复杂。 根据我们之前的了解，我们的数据的某一部分可以根据海拔和价格分配到一个城市或另一个城市。 HR：我们在心里把价格换成学习时间的长 哥斯达黎加 电话号码 短吧。在我们假设的例子中，会出现以下规则：所有具有 5 年以上专业经验的申请者肯定适合，而任何学习超过 10 年的人都不适合。 到目前为止，一切都很好。当区分白色矩形中数据集的“混合”部分时，问题就出现了——即海拔低于 73 英尺且价格类别低于 1776 美元/平方英尺的住房，这种情况在旧金山和纽约都可能发生。 HR：对于我们的申请者来说，这将是一个小组，其中5年以下工作经验的申请者仍然被接受，而10年以下学习的申请者仍然被拒绝。