作为人力资源专业人士，有关机器学习101：您需要知道什么？

从强调直觉，对新思维，创新和创造力的贡献能力这一积极角度，而非控制他人的负面内涵，我坚决主张“知识就是力量”这句格言。

对于许多人力资源专业人士来说，新兴的数字化工作环境，正在聚焦于他们的数字和技术技能/意识空白。难以纠正的是大多数人力资源专业人士出身的教育之间存在的根本区别，比如基于社会科学的教育与信息支持技术，以及基于STEM的数据科学工作。

在接下来的几年中，诸如RPA，机器人，机器人和机器学习（AI）等先进技术的涌入，将继续改变我们的工作方式，改变我们应对业务挑战的方式，以及改变我们分析和制定决策的方式。



加上认识到技术不会在短期内取代人类，而是增加我们的工作，人力资源专业人士必须提高他们的技能，才能在数字和人工智能领域有效运作。

有些人可能通过聘用数据科学家和架构师来解决这个问题，而不是提升现有员工的人力资源功能。这种方法没有任何问题，然而受过STEM教育的资源都集中在人力资源领导者，例如人力资源分析报告，他们在教育或欣赏方面几乎没有共同点，可能会造成短期和长期问题。

正如今天的人力资源专业人士学习“促进非财务管理人员的财务”一样，促进共同理解，洞察力，参与有意义的金融类讨论和决策制定的能力，对于人力资源专业人员同样重要的是：在关于学习基于STEM的主题上，抛开任何担忧和误解。

对数据模型，机器学习方式，问题类型，风险和机会有正确的洞察力和理解力，可以提升他们作为人力资源领导者的地位，并使您能够充分利用受过STEM教育的员工。

作为一名具有社会科学背景的人员，我决定将其付诸考试，并登记参加免费的Google'机器学习（ML）速成班'。


这是一个14小时在线自学课程，其中包括一些技术性的编程。以下是我的主要观察和学习内容：

事后看来，这并不像我想的那么困难，因为我最初完全没有预估到我的能力 - 但是我坚持了。我没有选择完全理解和记住所有数学或完成编程任务。但是，我花了大量的时间来了解公式和程序的目标。随着课程的进展，我发现自己认识了一些数学术语，并开始理解为什么方程很重要。

我对学习数学有先入为主的抵触情绪，归因于对学习成绩的不满。老生也有可能学习新的技巧。

 
我发现ML概念很容易理解，课程设计的方式（视频，支持笔记，练习，测试等）支持成人教育实践。我有信心进行有关机器学习的概念性讨论，制定分析结果，数据类型和来源的重要性，验证，培训和测试。

 

然而，我真正学到的是，没有类似AI这样的东西......这都是聪明的数学，但也有很多原因，例如基于各种数学假设以及个人感知的偏见，机器学习算法可能是有误的。了解基本的风险因素使我能够提出正确的问题。


人力资源专业人士和数据科学家，彼此需要利用数字化成果，才能取得成功。对我来说，显而易见的是，据数据科学家的技能特征，不适合提出正确的人力资源类型问题。

以上内容由AI翻译，仅供参考