έχει αναδειχθεί ως ένα από τα πιο δημοφιλή πεδία τα τελευταία χρόνια. Αυξάνεται με εκπληκτικό ρυθμό και το ίδιο ισχύει και για τη ζήτηση επιστημόνων δεδομένων. Ο ρόλος ενός επιστήμονα δεδομένων είναι εξαιρετικά δυναμικός, δύο μέρες δεν είναι ίδιος για αυτούς και αυτό το καθιστά τόσο μοναδικό και συναρπαστικό. Δεδομένου ότι είναι ένα νέο πεδίο υπάρχει τόσο ενθουσιασμός όσο και σύγχυση σχετικά με αυτό. Ας καθαρίσουμε λοιπόν αυτούς τους μύθους των επιστημόνων δεδομένων με την ακόλουθη σειρά:
Ποιος είναι επιστήμονας δεδομένων;
Αν και υπάρχουν διάφοροι ορισμοί διαθέσιμα, βασικά είναι επαγγελματίες που ασκούν την τέχνη της Επιστήμης Δεδομένων. Οι Επιστήμονες Δεδομένων αντιμετωπίζουν σύνθετα προβλήματα δεδομένων με την εμπειρία τους σε επιστημονικούς κλάδους. Είναι θέση Ειδικών.
Ειδικεύονται σε διαφορετικούς τύπους δεξιοτήτων όπως ομιλία, ανάλυση κειμένου (NLP), επεξεργασία εικόνας και βίντεο, προσομοίωση ιατρικής και υλικού κ.λπ. Κάθε ένας από αυτούς τους ειδικούς ρόλους είναι πολύ περιορισμένος σε αριθμό και ως εκ τούτου η αξία ενός τέτοιου ειδικού είναι τεράστια. Ό, τι κερδίζει γρήγορα τείνει να γίνει αυτό που όλοι μιλάνε. Και, όσο περισσότεροι άνθρωποι μιλούν για κάτι, τόσο περισσότερες παρανοήσεις και μύθοι συσσωρεύονται. Ας αφαιρέσουμε λοιπόν μερικούς μύθους του Scientist.
αγγούρι java selenium webdriver παράδειγμα
Μύθοι επιστημόνων δεδομένων έναντι της πραγματικότητας
- Πρέπει να είστε διδακτορικός Κάτοχος
Διδακτορικό είναι πολύ μεγάλο επίτευγμα χωρίς αμφιβολία. Χρειάζεται πολλή σκληρή δουλειά και αφοσίωση στην έρευνα. Αλλά είναι απαραίτητο να γίνεις επιστήμονας δεδομένων; Εξαρτάται από τον τύπο εργασίας που θέλετε να αναζητήσετε.
Αν πρόκειται Ρόλος Εφαρμοσμένης Επιστήμης Δεδομένων βασίζεται κυρίως στην εργασία με υπάρχοντες αλγόριθμους και στην κατανόηση του τρόπου λειτουργίας τους. Τα περισσότερα άτομα εντάσσονται σε αυτήν την κατηγορία και τα περισσότερα ανοίγματα και οι περιγραφές εργασίας που βλέπετε αφορούν μόνο αυτούς τους ρόλους. Για αυτόν τον ρόλο, εσείς ΜΗΝ χρειάζεστε διδακτορικό βαθμός.
Αλλά, εάν θέλετε να πάτε σε ένα Ερευνητικός ρόλος , τότε ίσως χρειαστεί διδακτορικό. Βαθμός. Εάν δουλεύετε σε Αλγόριθμους ή γράφετε οποιοδήποτε χαρτί, τότε το Ph.D. είναι ο τρόπος να πάει.
- Το Data Scientist θα αντικατασταθεί σύντομα από το AI
Εάν νομίζετε ότι μια δέσμη επιστημόνων δεδομένων μπορεί να κάνει ό, τι σχετίζεται με ένα Έργο AI / ML . Δεν είναι μια πρακτική λύση, γιατί εάν εστιάζετε σε οποιοδήποτε έργο AI, έχει μια πληθώρα θέσεων εργασίας. είναι ένα πολύ περίπλοκο πεδίο με πολλούς διαφορετικούς ρόλους που συνδέονται με αυτό όπως:
- Στατιστικολόγος
- Ειδικός τομέα
- Ειδικός IoT
Οι Επιστήμονες δεδομένων από μόνοι τους δεν μπορούν να λύσουν τα πάντα και δεν είναι δυνατόν και για την AI να το κάνει. Έτσι, εάν είστε ένας από αυτούς που το φοβούνται, ΜΗΝ. Η τεχνητή νοημοσύνη δεν είναι ικανή να κάνει τέτοια πράγματα ακόμα, χρειάζεστε τεράστια γνώση των διαφόρων τομέων.
- Περισσότερα δεδομένα παρέχουν μεγαλύτερη ακρίβεια
Υπάρχει μια πολύ μεγάλη παρανόηση και ένας από τους μεγάλους μύθους των επιστημόνων δεδομένων ότι «περισσότερα δεδομένα που έχετε, περισσότερα θα είναι η ακρίβεια του μοντέλου». Περισσότερα δεδομένα δεν μεταφράζεται σε υψηλότερη ακρίβεια. Από την άλλη πλευρά, μικρά αλλά καλά διατηρημένα δεδομένα μπορεί να έχουν καλύτερη ποιότητα και ακρίβεια. Αυτό που έχει μεγαλύτερη σημασία είναι η κατανόηση των δεδομένων και η χρηστικότητά τους. Είναι το Ποιότητα αυτό έχει μεγαλύτερη σημασία.
- Η βαθιά μάθηση σημαίνει μόνο για μεγάλους οργανισμούς
Ένας από τους πιο συνηθισμένους μύθους είναι ότι χρειάζεστε μια αρκετά καλή ποσότητα υλικού για να εκτελέσετε εργασίες Deep Learning. Λοιπόν, αυτό δεν είναι απολύτως ψευδές, ένα μοντέλο βαθιάς μάθησης θα λειτουργεί πάντα πιο αποτελεσματικά όταν διαθέτει μια ισχυρή ρύθμιση υλικού για να λειτουργήσει. Αλλά μπορείτε να το εκτελέσετε στο τοπικό σας σύστημα ή Google Colab (GPU + CPU). Μπορεί να χρειαστεί περισσότερο από το αναμενόμενο για να εκπαιδεύσετε το μοντέλο στο μηχάνημά σας.
- Η συλλογή δεδομένων είναι εύκολη
Τα δεδομένα δημιουργούνται με εκπληκτικό ρυθμό περίπου 2,5 Quintillion Byte ανά ημέρα και συλλογή του σωστά δεδομένα στη σωστή μορφή εξακολουθεί να είναι βαρύ έργο. Πρέπει να δημιουργήσετε ένα σωστός αγωγός για το έργο σας. Υπάρχουν πολλές πηγές για τη λήψη δεδομένων. Το κόστος και η ποιότητα έχουν μεγάλη σημασία. Η διατήρηση της ακεραιότητας των δεδομένων και του αγωγού είναι ένα πολύ σημαντικό μέρος που δεν πρέπει να ταιριάζει.
- Οι Επιστήμονες δεδομένων συνεργάζονται μόνο με τα Εργαλεία / Όλα αφορούν τα Εργαλεία
άντληση σε c ++
Οι άνθρωποι αρχίζουν συνήθως να μαθαίνουν ένα εργαλείο που σκέφτονται ότι θα βρουν δουλειά στην Επιστήμη δεδομένων. Λοιπόν, η εκμάθηση ενός εργαλείου είναι σημαντική για να εργαστεί ως Επιστήμονας Δεδομένων, αλλά όπως ανέφερα νωρίτερα ότι ο ρόλος τους είναι πολύ πιο διαφορετικός. Οι επιστήμονες δεδομένων θα πρέπει να προχωρήσουν πέρα από τη χρήση ενός εργαλείου για να αντλήσουν λύσεις αντ 'αυτού, πρέπει να αποκτήσουν βασικές δεξιότητες. Ναι, η απόκτηση ενός εργαλείου δημιουργεί ελπίδα για εύκολη είσοδο στην Επιστήμη των Δεδομένων, αλλά οι εταιρείες που προσλαμβάνουν Δεδομένους Επιστήμονες δεν θα εξετάσουν μόνο την εμπειρία του εργαλείου, αλλά αναζητούν έναν επαγγελματία που έχει αποκτήσει συνδυασμό τεχνικών και Επιχειρηματικών δεξιοτήτων.
- Πρέπει να έχετε Ιστορικό Κωδικοποίησης / Επιστήμης Υπολογιστών
Οι περισσότεροι επιστήμονες δεδομένων είναι καλοί στην κωδικοποίηση και μπορεί να έχουν εμπειρία στην Επιστήμη των Υπολογιστών, ή Μαθηματικά ή Στατιστικά. Αυτό δεν σημαίνει ότι άτομα από άλλα υπόβαθρα δεν μπορούν να είναι Επιστήμονας δεδομένων. Έτσι, ένα πράγμα που πρέπει να θυμάστε είναι ότι αυτοί οι άνθρωποι από αυτά τα υπόβαθρα έχουν ένα πλεονέκτημα, αλλά αυτό είναι μόνο στα αρχικά στάδια. Απλά πρέπει να διατηρήσετε την αφοσίωση και τη σκληρή δουλειά και σύντομα θα είναι εύκολο και για εσάς.
- Οι διαγωνισμοί επιστήμης δεδομένων και τα έργα πραγματικής ζωής είναι τα ίδια
Αυτοί οι Διαγωνισμοί είναι μια υπέροχη αρχή στο μακρύ ταξίδι της Επιστήμης Δεδομένων. Μπορείτε να εργαστείτε με μεγάλα σύνολα δεδομένων και αλγόριθμους. Όλα είναι καλά, αλλά το θεωρούμε ως έργο και το βάζεις στο βιογραφικό σου είναι σίγουρα όχι μια καλή ιδέα γιατί αυτοί οι διαγωνισμοί δεν είναι πολύ κοντά σε ένα πραγματικό έργο. Δεν χρειάζεται να καθαρίσετε τα ακατάστατα δεδομένα ή να δημιουργήσετε κανένα αγωγούς ή ελέγξτε το χρονικό όριο. Το μόνο που έχει σημασία είναι η ακρίβεια του μοντέλου.
- Όλα έχουν να κάνουν με το Predictive Model Building
Οι άνθρωποι συνήθως πιστεύουν ότι οι επιστήμονες δεδομένων προβλέπουν μελλοντικά αποτελέσματα. Το Predictive Modeling είναι μια πολύ σημαντική πτυχή της Επιστήμης Δεδομένων, αλλά μόνο του δεν μπορεί να σας βοηθήσει. Σε οποιοδήποτε έργο, υπάρχουν πολλαπλά βήματα εμπλέκονται στο ολόκληρος κύκλος ξεκινώντας από τη Συλλογή Δεδομένων, τη Διαμάχη, την Ανάλυση Δεδομένων, την Εκπαίδευση του Αλγόριθμου, τη Δημιουργία Μοντέλου, τη Δοκιμή του Μοντέλου και, τέλος, την Ανάπτυξη Πρέπει να γνωρίζετε το σύνολο διαδικασία από άκρο σε άκρο . Ας δούμε τους τελικούς μύθους των επιστημόνων δεδομένων.
- Το AI θα συνεχίσει να εξελίσσεται μόλις κατασκευαστεί
Είναι μια κοινή παρανόηση ότι η AI συνεχίζει να μεγαλώνει, να εξελίσσεται και να γενικεύεται από μόνη της. Λοιπόν, οι ταινίες Sci-Fi απεικονίζουν συνεχώς το ίδιο μήνυμα. Τώρα, αυτό δεν ισχύει καθόλου, στην πραγματικότητα, είμαστε πολύ πίσω. Το περισσότερο που μπορούμε να κάνουμε είναι να εκπαιδεύσουμε μοντέλα που εκπαιδεύονται μόνοι τους εάν τροφοδοτούνται νέα δεδομένα. Δεν μπορούν να προσαρμοστούν στις αλλαγές στο περιβάλλον και σε έναν νέο τύπο δεδομένων.
Ετσι. αν νομίζετε ότι τα μηχανήματα μιας ημέρας θα κάνουν όλη τη δουλειά; Λοιπόν, πρέπει να βγείτε από τις ταινίες!
Ελπίζω ότι όλοι οι μύθοι των επιστημόνων δεδομένων σας έχουν πλέον διαγραφεί. Το Edureka παρέχει επίσης ένα . Περιλαμβάνει εκπαίδευση στατιστικής, Επιστήμης δεδομένων, Python, Apache Spark & Scala, Tensorflow και Tableau.
Έχετε μια ερώτηση για εμάς; Παρακαλώ αναφέρετέ το στην ενότητα σχολίων του άρθρου 'Μύθοι επιστημόνων δεδομένων' και θα επικοινωνήσουμε μαζί σας.