on tõusnud viimase aja üheks kõige trendikamaks valdkonnaks. See kasvab hämmastavas tempos ja ka nõudlus andmeteadlaste järele. Andmeteadlase roll on äärmiselt dünaamiline, kuna kaks päeva pole nende jaoks ühesugused ja see teebki selle nii ainulaadseks ja põnevaks. Kuna tegemist on uue valdkonnaga, on selles nii põnevust kui ka segadust. Selgitagem need andmeteadlaste müüdid järgmises järjekorras:
Kes on andmeteadlane?
Kuigi on mitmeid definitsioone kättesaadavad, põhimõtteliselt on nad professionaalid, kes tegelevad andmeteaduse kunstiga. Andmeteadlased muretsevad keeruliste andmeprobleemide pärast teadusvaldkondades. See on spetsialistide seisukoht.
Nad on spetsialiseerunud erinevat tüüpi oskustele, nagu kõne, tekstianalüütika (NLP), piltide ja videote töötlemine, meditsiin ja materjali simulatsioon jne. Kõigi nende spetsialistide rollide arv on väga piiratud ja seetõttu on sellise spetsialisti väärtus tohutu. Kõik, mis hoogu kogub, kipub kiiresti muutuma selliseks, millest kõik räägivad. Ja mida rohkem inimesi millestki räägivad, seda rohkem väärarusaamu ja müüte kuhjub. Lammutagem mõned andmeteadlaste müüdid.
hüpata sisse c ++
Andmeteadlaste müüdid vs tegelikkus
- Peate olema doktor. Omanik
Ph.D. on kahtlemata väga suur saavutus. Teadustöö tegemiseks on vaja palju rasket tööd ja pühendumist. Kuid kas on vaja saada andmeteadlaseks? See sõltub töö tüübist, kuhu soovite minna.
Kui kavatsete Rakendatud andmeteaduse roll mis põhineb peamiselt olemasolevate algoritmidega töötamisel ja nende toimimise mõistmisel. Enamik inimesi sobib sellesse kategooriasse ja enamus avanevatest ametikohtadest ja ametijuhenditest on mõeldud ainult nende rollide jaoks. Selle rolli jaoks sina ÄRA vajavad doktorikraadi kraadi.
Aga kui soovite minna a Uurimisroll , siis võib vaja minna doktorikraadi Kraad. Kui algoritmide kallal töötamine või paberite kirjutamine on teie asi, siis Ph.D. on tee minna.
- Data Scientist asendatakse peagi tehisintellektiga
Kui arvate, et hulk andmeteadlasi saab teha kõike, mis on seotud AI / ML projekt . See pole praktiline lahendus, sest kui keskendute mõnele tehisintellekti projektile, on sellega seotud arvukalt töökohti. on väga keeruline valdkond, millele on lisatud palju erinevaid rolle, näiteks:
- Statistik
- Domeeniekspert
- IoT spetsialist
Ainult andmeteadlased ei suuda kõike lahendada ja ka tehisintellektil pole seda võimalik teha. Nii et kui olete üks neist, kes seda kardab, ÄRGE. Tehisintellekt ei ole veel võimeline selliseid asju tegema, vajate tohutult teadmisi erinevatest domeenidest.
- Rohkem andmeid annab suurema täpsuse
On väga suur väärarusaam ja üks suur andmeteadlaste müüte, et 'kui teil on rohkem andmeid, seda rohkem on mudeli täpsust'. Rohkem andmeid ei tõlgi suurema täpsusega. Teiselt poolt võivad väikesed, kuid hästi hooldatud andmed olla parema kvaliteedi ja täpsusega. Kõige olulisem on andmete mõistmine ja nende kasutatavus. See on Kvaliteet see loeb kõige rohkem.
- Sügav õppimine on mõeldud ainult suurtele organisatsioonidele
Üks levinumaid müüte on see, et Deep Learning'i ülesannete täitmiseks vajate märkimisväärselt palju riistvara. Noh, see pole päris vale. Sügavõppe mudel toimib alati tõhusamalt, kui sellel on võimas riistvara häälestus. Kuid saate seda käivitada oma kohalikus süsteemis või Google Colab (GPU + protsessor). Mudeli treenimine teie masinas võib lihtsalt oodatust kauem aega võtta.
- Andmete kogumine on lihtne
Andmeid genereeritakse hämmastava kiirusega umbes 2,5 kvintiljonit Baitide arvu päevas ja õiged andmed õiges formaadis on endiselt raske ülesanne. Peate ehitama a korralik torujuhe oma projekti jaoks. Andmete saamiseks on palju allikaid. Maksumus ja kvaliteet loevad palju. Andmete ja torujuhtme terviklikkuse säilitamine on väga oluline osa, millega ei tohiks segi ajada.
- Andmeteadlased töötavad ainult tööriistadega / Kõik on seotud tööriistadega
Inimesed hakkavad tavaliselt tööriista õppima, arvates, et nad asuvad tööle Data Science'is. Noh, tööriista õppimine on andmeteadlasena töötamiseks oluline, kuid nagu ma juba varem mainisin, on nende roll palju mitmekesisem. Andmeteadlased peaksid lahenduste leidmiseks tööriista kasutamisest kaugemale minema, nad peavad valdama olulisi oskusi. Jah, tööriista valdamine loob lootust hõlpsasti Data Science'i siseneda, kuid andmeteadlasi palkavad ettevõtted ei arvesta selle asemel ainult tööriista asjatundlikkusega, vaid nad otsivad spetsialisti, kes on omandanud tehniliste ja äriliste oskuste kombinatsiooni.
- Teil peab olema kodeerimise / arvutiteaduse taust
Enamik andmeteadlasi oskab hästi kodeerida ja võib-olla omab kogemusi arvutiteaduse, matemaatika või statistika alal. See ei tähenda, et muu taustaga inimesed ei saaks olla andmeteadlased. Niisiis, üks asi, mida tuleb meeles pidada, on see, et neil selle taustaga inimestel on eelised, kuid see on alles algstaadiumis. Peate lihtsalt hoidma pühendumust ja rasket tööd ning varsti on see ka teie jaoks lihtne.
- Andmeteaduse võistlused ja päriseluprojektid on samad
Need võistlused on suurepärane algus andmeteaduse pikal teekonnal. Tööle jõuate suurte andmekogumite ja algoritmidega. Kõik on korras, kuid projektiks pidamine ja oma CV jätkamine on kindlasti nii pole hea mõte sest need võistlused pole kuidagi lähedased tõsieluprojektile. Sa ei pea räpaseid andmeid puhastama ega neid ehitama torujuhtmed või kontrollige tähtaega. Oluline on ainult mudeli täpsus.
- See kõik on seotud ennustava mudeli loomisega
Inimesed arvavad tavaliselt, et andmeteadlased ennustavad tulevast tulemust. Ennustav modelleerimine on andmeteaduse väga oluline aspekt, kuid ainult see ei saa teid aidata. Igas projektis on mitu sammu kaasatud kogu tsükkel alustades andmete kogumisest, rabelemisest, andmete analüüsimisest, algoritmi koolitamisest, mudeli koostamisest, mudeli testimisest ja lõpuks juurutamisest. Peate teadma tervikut otsast lõpuni protsess . Vaatame lõplikke andmeteadlaste müüte.
- Tehisintellekt areneb pärast ehitamist edasi
See on levinud väärarusaam, et tehisintellekt kasvab, areneb ja üldistub ise. Noh, ulmefilmid on pidevalt ühte ja sama sõnumit kujutanud. Nüüd pole see üldse tõsi, tegelikult oleme sellest palju maha jäänud. Kõige rohkem saame teha, kui treenida mudeleid, kes treenivad ennast, kui neile lisatakse uusi andmeid. Nad ei suuda kohaneda keskkonna muutuste ja uut tüüpi andmetega.
Niisiis. kui arvate, et ühepäevased masinad teevad kogu töö ära? Noh, peate filmidest välja saama!
Loodan, et kõik teie andmeteadlaste müüdid on nüüdseks kustutatud. Edureka pakub ka a . See hõlmab statistikat, andmeteadust, Pythoni, Apache Sparki ja Scala, Tensorflow ja Tableau koolitust.
kuidas skannerit Java-s kasutada
Kas teil on meile küsimus? Palun mainige seda artikli „Data Scientists Myths” kommentaaride jaotises ja me pöördume teie poole.