pastaruoju metu tapo viena populiariausių sričių. Jis auga nuostabiu tempu, taigi ir duomenų mokslininkų paklausa. Duomenų mokslininko vaidmuo yra nepaprastai dinamiškas, nes dvi dienos jiems nėra vienodos, todėl jis yra toks unikalus ir įdomus. Kadangi tai nauja sritis, dėl jos kyla ir jaudulio, ir painiavos. Taigi, išvalykime tuos duomenų mokslininkų mitus tokia tvarka:
Kas yra duomenų mokslininkas?
Nors yra keletas apibrėžimų iš esmės jie yra profesionalai, praktikuojantys duomenų mokslo meną. Duomenų mokslininkai susiduria su sudėtingomis duomenų problemomis, turėdami žinių apie mokslo sritis. Tai Specialistų pozicija.
Jie specializuojasi įvairiuose įgūdžiuose, pavyzdžiui, kalboje, teksto analizėje (NLP), vaizdo ir vaizdo apdorojime, medicinoje ir medžiagos modeliavime ir kt. Kiekvienas iš šių specialistų vaidmenų yra labai ribotas, todėl tokio specialisto vertė yra didžiulė. Viskas, kas įgauna pagreitį, greitai tampa tuo, apie ką kalba visi. Kuo daugiau žmonių apie ką nors kalba, tuo daugiau nesusipratimų ir mitų kaupiasi. Taigi paneigkime kai kuriuos duomenų mokslininkų mitus.
kas yra buferinis skaitytojas
Duomenų mokslininkų mitai ir tikrovė
- Jūs turite būti daktaro laipsnis. Laikiklis
Daktaro laipsnis yra be galo didelis pasiekimas. Tyrimams atlikti reikia daug sunkaus darbo ir atsidavimo. Bet ar būtina tapti duomenų mokslininku? Tai priklauso nuo to, kokio darbo norite dirbti.
Jei ketinate Taikomasis duomenų mokslo vaidmuo kuris pirmiausia grindžiamas darbu su esamais algoritmais ir jų veikimo supratimu. Dauguma žmonių patenka į šią kategoriją, o dauguma jūsų matomų atidarymų ir pareigybių aprašymų yra skirti tik šiems vaidmenims. Dėl šio vaidmens jūs NEREIKIA reikia daktaro laipsnio laipsnį.
Bet, jei norite pereiti į Tyrimo vaidmuo , tada jums gali prireikti daktaro laipsnio. Laipsnis. Jei darbas su algoritmais ar bet kokio popieriaus rašymas yra jūsų dalykas, tada daktaro laipsnis. yra kelias.
- „Data Scientist“ netrukus pakeis dirbtiniu intelektu
Jei manote, kad krūva duomenų mokslininkų gali padaryti viską, kas susiję su AI / ML projektas . Tai nėra praktiškas sprendimas, nes jei sutelksite dėmesį į kokį nors PG projektą, prie jo bus pridėta daugybė darbų. yra labai sudėtinga sritis, kuriai priskiriama daugybė skirtingų vaidmenų, pavyzdžiui:
- Statistikas
- Domeno ekspertas
- DI specialistas
Vien duomenų mokslininkai negali visko išspręsti ir AI taip pat to padaryti neįmanoma. Taigi, jei esate vienas iš tų, kurie to bijo, DONT. Dirbtinis intelektas dar nėra pajėgus atlikti tokius dalykus, jums reikia daug žinių apie įvairias sritis.
- Daugiau duomenų teikia didesnį tikslumą
Egzistuoja labai didelė klaidinga nuomonė ir vienas iš didžiųjų duomenų mokslininkų mitų, kad „daugiau duomenų turėsi, daugiau bus modelio tikslumo“. Daugiau duomenų neverčia didesniam tikslumui. Kita vertus, maži, tačiau gerai prižiūrimi duomenys gali būti geresnės kokybės ir tikslumo. Svarbiausia yra duomenų supratimas ir jų naudojimas. Tai Kokybė tai svarbiausia.
- Gilus mokymasis skirtas tik didelėms organizacijoms
Vienas iš labiausiai paplitusių mitų yra tas, kad norint atlikti „Deep Learning“ užduotis jums reikia gerokai daugiau aparatūros. Na, tai nėra visiškai klaidinga, gilaus mokymosi modelis visada veiks efektyviau, kai jis turės galingą aparatinės įrangos sąranką. Bet galite jį paleisti savo vietinėje sistemoje arba „Google Colab“ (GPU + procesorius). Modelio mokymas mašinoje gali užtrukti ilgiau, nei tikėtasi.
- Duomenis lengva rinkti
Duomenys generuojami nuostabiu greičiu apie 2,5 kvintilijonas Baitų per dieną ir surenkant teisingi duomenys tinkamu formatu vis dar yra sunki užduotis. Jums reikia pastatyti a tinkamas vamzdynas jūsų projektui. Duomenims gauti yra daugybė šaltinių. Labai svarbu kaina ir kokybė. Duomenų ir dujotiekio vientisumo palaikymas yra labai svarbi dalis, su kuria nereikėtų maišytis.
- Duomenų mokslininkai dirba tik su įrankiais / viskas yra apie įrankius
Žmonės dažniausiai pradeda mokytis įrankio galvodami, kad įsidarbins Duomenų moksle. Na, norint išmokti įrankį, svarbu dirbti kaip duomenų mokslininkui, tačiau, kaip jau minėjau anksčiau, jų vaidmuo yra daug įvairesnis. Duomenų mokslininkai turėtų ne tik naudoti įrankį, kad gautų sprendimus, bet turi įvaldyti pagrindinius įgūdžius. Taip, įrankio įvaldymas sukuria viltį lengvai patekti į duomenų mokslą, tačiau įmonės, samdančios duomenų mokslininkus, vietoj to neatsižvelgs į įrankio patirtį, jos ieškos profesionalo, įgijusio techninių ir verslo įgūdžių derinį.
- Jums reikia kodavimo / informatikos žinių
Daugelis duomenų mokslininkų gerai moka koduoti ir gali turėti kompiuterių, matematikos ar statistikos patirties. Tai nereiškia, kad žmonės iš kitos aplinkos negali būti duomenų mokslininkai. Taigi, vienas dalykas, kurį reikia nepamiršti, yra tai, kad šie žmonės iš šios aplinkos turi pranašumą, tačiau tai tik pradiniuose etapuose. Jums tereikia išlaikyti atsidavimą ir sunkų darbą, ir netrukus tai bus lengva ir jums.
- Duomenų mokslo konkursai ir realaus gyvenimo projektai yra vienodi
Šios varžybos yra puiki pradžia ilgoje Duomenų mokslo kelionėje. Pradėsite dirbti su dideliais duomenų rinkiniais ir algoritmais. Viskas yra gerai, bet vertinti tai kaip projektą ir įdėti į savo gyvenimo aprašymą tikrai yra nėra gera idėja nes šie konkursai niekaip nėra artimi realaus gyvenimo projektui. Jūs negalite išvalyti netvarkingų duomenų ar jų kurti vamzdynai arba patikrinkite laiko limitą. Svarbu tik modelio tikslumas.
- Viskas apie nuspėjamą modelio kūrimą
Žmonės paprastai mano, kad duomenų mokslininkai numato būsimą rezultatą. Nuspėjamasis modeliavimas yra labai svarbus duomenų mokslo aspektas, tačiau tik jis jums negali padėti. Bet kuriame projekte yra keli žingsniai dalyvauja visą ciklą pradedant nuo duomenų rinkimo, apgaulės, duomenų analizavimo, algoritmo mokymo, modelio sukūrimo, modelio testavimo ir galiausiai diegimo. Reikia žinoti visumą procesas iki galo . Pažvelkime į paskutinius duomenų mokslininkų mitus.
- Kai AI bus pastatytas, AI toliau vystysis
Tai yra įprasta klaidinga nuomonė, kad dirbtinis intelektas toliau auga, vystosi ir apibendrina patys. Na, „Sci-Fi“ filmuose nuolat vaizduojama ta pati žinia. Dabar tai netiesa, tiesą sakant, mes gerokai atsilikome. Daugiausia, ką galime padaryti, yra traukinių modeliai, kurie treniruojasi patys, jei jiems pateikiami nauji duomenys. Jie negali prisitaikyti prie aplinkos pokyčių ir naujo tipo duomenų.
nepaisyti, palyginti su perkrova c ++
Taigi. jei manote, kad vienos dienos mašinos atliks visą darbą? Na, jūs turite išeiti iš filmų!
Tikiuosi, kad visi jūsų duomenų mokslininkų mitai bus išvalyti. „Edureka“ taip pat pateikia a . Tai apima statistikos, duomenų mokslo, „Python“, „Apache Spark & Scala“, „Tensorflow“ ir „Tableau“ mokymus.
Turite mums klausimą? Prašau tai paminėti straipsnio „Duomenų mokslininkų mitai“ komentarų skyriuje ir mes su jumis susisieksime.