se je v zadnjem času pojavil kot eno najbolj trendnih področij. Raste z neverjetno hitrostjo, prav tako pa tudi povpraševanje po podatkovnih znanstvenikih. Vloga podatkovnega znanstvenika je izjemno dinamična, saj nista dva dneva enaka zanje in prav zaradi tega je tako edinstven in vznemirljiv. Ker gre za novo področje, je zaradi tega tako navdušenje kot zmeda. Torej, razčistimo te mite o podatkovnih znanstvenikih v naslednjem vrstnem redu:
Kdo je podatkovni znanstvenik?
Čeprav obstaja več definicij na voljo, v bistvu gre za strokovnjake, ki se ukvarjajo z umetnostjo Data Science. Podatkovni znanstveniki zapletene podatkovne težave rešijo s svojim strokovnim znanjem v znanstvenih disciplinah. To je stališče strokovnjakov.
Specializirani so za različne vrste spretnosti, kot so govor, analitika besedila (NLP), obdelava slik in videov, simulacija zdravil in materialov itd. Vsaka od teh vlog je po številu zelo omejena, zato je vrednost takega strokovnjaka izjemna. Vse, kar dobi hitrost, hitro postane tisto, o čemer vsi govorijo. In bolj ko ljudje o nečem govorijo, več nakopičenj in mitov se kopiči. Razkrijemo nekaj mitov o Data Scientist.
kaj je objekt optičnega bralnika
Miti podatkovnih znanstvenikov vs resničnost
- Morate biti doktor znanosti. Nosilec
Doktorat je nedvomno zelo velik dosežek. Za raziskovanje je potrebno veliko trdega dela in predanosti. Toda ali je treba postati podatkovni znanstvenik? Odvisno od vrste posla, za katerega se želite odločiti.
Če greš za Vloga uporabne znanosti o znanosti ki temelji predvsem na delu z obstoječimi algoritmi in razumevanju njihovega delovanja. Večina ljudi se uvršča v to kategorijo in večina odpiranj in opisov delovnih mest, ki jih vidite, je namenjenih le tem vlogam. Za to vlogo si ti NE potrebujete doktorat stopnjo.
Ampak, če želite iti v Raziskovalna vloga , potem boste morda potrebovali doktorat znanosti Stopnja. Če je vaša stvar Algoritmi ali pisanje katerega koli papirja, potem dr. je prava pot.
- Data Scientist bo kmalu zamenjal AI
Če menite, da lahko množica podatkovnih znanstvenikov naredi vse, kar je povezano z Projekt AI / ML . To ni praktična rešitev, ker če se osredotočite na kateri koli projekt umetne inteligence, je na njem veliko delovnih mest. je zelo zapleteno področje z veliko različnimi vlogami, kot so:
- Statistik
- Strokovnjak za domene
- Strokovnjak za IoT
Podatkovni znanstveniki sami ne morejo rešiti vsega in tudi AI tega ne more storiti. Torej, če ste eden tistih, ki se tega boji, DONT. AI še ne zmore takšnih stvari, potrebujete ogromno znanja o različnih domenah.
- Več podatkov zagotavlja večjo natančnost
Obstaja zelo velika napačna predstava in eden največjih mitov o podatkovnih znanstvenikih, da 'več podatkov imate, večja bo natančnost modela'. Več podatkov ne prevaja do večje natančnosti. Po drugi strani pa imajo lahko majhni, a dobro vzdrževani podatki boljšo kakovost in natančnost. Najpomembnejše je razumevanje podatkov in njihova uporabnost. To je Kakovost to je najbolj pomembno.
- Poglobljeno učenje je namenjeno le velikim organizacijam
Eden najpogostejših mitov je, da za izvajanje nalog globokega učenja potrebujete precej dobro strojno opremo. No, to ni povsem napačno, model poglobljenega učenja bo vedno učinkovitejši, če ima zmogljivo strojno nastavitev. Lahko pa ga zaženete v lokalnem sistemu oz Google Colab (GPU + CPU). Učenje modela na vašem računalniku lahko traja dlje, kot je bilo pričakovano.
- Zbiranje podatkov je enostavno
dodatek dveh številk v javi
Podatki se ustvarjajo z neverjetno hitrostjo približno 2,5 kvintiljona Bajtov na dan in zbiranje pravi podatki v pravi obliki je še vedno težka naloga. Zgraditi morate ustrezen cevovod za vaš projekt. Obstaja veliko virov za pridobivanje podatkov. Stroški in kakovost sta zelo pomembna. Vzdrževanje celovitosti podatkov in cevovoda je zelo pomemben del, s katerim se ne bi smeli motiti.
- Podatkovni znanstveniki delajo samo z orodji / vse je v orodjih
Ljudje se običajno začnejo učiti orodja, misleč, da bodo dobili službo v Data Science. No, učenje orodja je pomembno za delo kot Data Scientist, toda kot sem že omenil, je njihova vloga veliko bolj raznolika. Podatkovni znanstveniki bi morali poleg uporabe orodja za iskanje rešitev namesto tega obvladati bistvene veščine. Da, obvladovanje orodja ustvarja upanje za enostaven vstop v Data Science, vendar podjetja, ki najemajo Data Scientist, ne bodo upoštevala samo strokovnega znanja o orodju, temveč iščejo strokovnjaka, ki je pridobil kombinacijo tehničnih in poslovnih veščin.
- Imeti morate kodiranje / ozadje računalništva
Večina podatkovnih znanstvenikov dobro obvlada kodiranje in ima morda izkušnje s področja računalništva ali matematike ali statistike. To ne pomeni, da ljudje iz drugih okolij ne morejo biti Data Scientist. Torej, eno stvar je treba upoštevati, da imajo ljudje iz teh okolij prednost, vendar to šele v začetnih fazah. Treba je le nadaljevati s predanostjo in trdim delom in kmalu bo tudi vam lahko.
- Natečaji iz podatkovne znanosti in projekti iz resničnega življenja so enaki
Ta tekmovanja so odličen začetek na dolgi poti Data Science. Delate z velikimi nabori podatkov in algoritmi. Vse je v redu, vendar je to vsekakor videti kot projekt in ga dati v življenjepis ni dobra ideja ker ta tekmovanja še zdaleč niso blizu resničnemu projektu. Nerednih podatkov ne morete očistiti ali zgraditi cevovodi ali preverite časovno omejitev. Pomembna je le natančnost modela.
- Vse gre za predvidevanje gradnje modelov
Ljudje običajno mislijo, da znanstveniki za podatke napovedujejo prihodnji izid. Predvidljivo modeliranje je zelo pomemben vidik podatkovne znanosti, vendar vam samo to ne more pomagati. V katerem koli projektu obstajajo več korakov vključeni v cel cikel začenši z zbiranjem podatkov, prepiranjem, analiziranjem podatkov, usposabljanjem algoritma, izdelavo modela, preizkušanjem modela in na koncu razmestitvijo. Vedeti morate celoto postopek od konca do konca . Oglejmo si končne mite o podatkovnih znanstvenikih.
- AI se bo še naprej razvijala, ko bo zgrajena
Pogosta napačna predstava je, da umetna inteligenca še naprej raste, se razvija in posplošuje sama. No, znanstvenofantastični filmi nenehno upodabljajo isto sporočilo. Zdaj to sploh ni res, pravzaprav že zelo zaostajamo. Največ, kar lahko naredimo, je, da izurimo modele, ki se sami urijo, če se jim pošljejo novi podatki. Ne morejo se prilagoditi spremembam v okolju in novi vrsti podatkov.
Torej. če mislite, da bodo enodnevni stroji opravljali vse delo? No, moraš ven iz filmov!
Upam, da so vsi vaši miti o podatkovnih znancih zdaj odstranjeni. Edureka ponuja tudi . Vključuje usposabljanje iz statistike, podatkovne znanosti, Pythona, Apache Spark & Scala, Tensorflow in Tableau.
Imate vprašanje za nas? Prosimo, omenite ga v oddelku za komentarje v članku »Miti znanstvenikov o podatkih« in javili se vam bomo.