stała się jedną z najbardziej popularnych dziedzin w ostatnich czasach. Rośnie w niesamowitym tempie, podobnie jak zapotrzebowanie na Data Scientists. Rola analityka danych jest niezwykle dynamiczna. Żadne dwa dni nie są dla nich takie same i dlatego jest tak wyjątkowa i ekscytująca. Ponieważ jest to nowa dziedzina, jest w niej zarówno podekscytowanie, jak i zamieszanie. Zatem wyjaśnijmy te mity analityków danych w następującej kolejności:
Kim jest Data Scientist?
Chociaż istnieje kilka definicji są dostępne, w zasadzie są profesjonalistami, którzy praktykują sztukę Data Science. Naukowcy zajmujący się danymi rozwiązują złożone problemy z danymi dzięki swojej wiedzy specjalistycznej w dyscyplinach naukowych. To stanowisko Specjalistów.
Specjalizują się w różnych rodzajach umiejętności, takich jak mowa, analityka tekstu (NLP), przetwarzanie obrazu i wideo, medycyna i symulacja materiałów itp. Każda z tych specjalistycznych ról jest bardzo ograniczona, dlatego wartość takiego specjalisty jest ogromna. Wszystko, co szybko nabiera tempa, staje się tym, o czym wszyscy mówią. Im więcej ludzi o czymś mówi, tym więcej nieporozumień i mitów narasta. Więc obalmy niektóre mity analityków danych.
Ruby on Rails rynku pracy
Mity analityków danych a rzeczywistość
- Musisz mieć tytuł doktora. Uchwyt
Doktorat to bez wątpienia bardzo duże osiągnięcie. Prowadzenie badań wymaga dużo ciężkiej pracy i poświęcenia. Ale czy konieczne jest zostanie naukowcem danych? To zależy od rodzaju pracy, do której chcesz się udać.
Jeśli masz zamiar Rola Applied Data Science który opiera się głównie na pracy z istniejącymi algorytmami i zrozumieniu, jak one działają. Większość ludzi pasuje do tej kategorii i większość ofert pracy i opisów stanowisk, które widzisz, dotyczy tylko tych ról. Do tej roli, ty NIE RÓB potrzebuję doktoratu stopień.
Ale jeśli chcesz wejść do Rola badawcza , wtedy możesz potrzebować doktoratu. Stopień. Jeśli pracujesz nad algorytmami lub piszesz jakąkolwiek pracę, to Ph.D. jest droga do zrobienia.
- Data Scientist zostanie wkrótce zastąpiony przez sztuczną inteligencję
Jeśli uważasz, że grupa naukowców zajmujących się danymi może zrobić wszystko, co dotyczy domeny Projekt AI / ML . Nie jest to praktyczne rozwiązanie, ponieważ jeśli skupisz się na jakimkolwiek projekcie sztucznej inteligencji, wiąże się z nim mnóstwo zadań. to bardzo złożona dziedzina, do której przypisuje się wiele różnych ról, takich jak:
- Statystyk
- Domain Expert
- Specjalista ds. IoT
Naukowcy danych nie są w stanie samodzielnie rozwiązać wszystkiego i sztuczna inteligencja też nie jest w stanie tego zrobić. Więc jeśli jesteś jednym z tych, którzy się tego boją, NIE. Sztuczna inteligencja nie jest jeszcze w stanie robić takich rzeczy, potrzebujesz ogromnej wiedzy na temat różnych dziedzin.
- Więcej danych zapewnia wyższą dokładność
Istnieje bardzo duże błędne przekonanie i jeden z mitów badaczy dużych zbiorów danych, że „więcej danych masz, tym większa będzie dokładność modelu”. Więcej danych nie tłumaczy do większej dokładności. Z drugiej strony małe, ale dobrze utrzymane dane mogą mieć lepszą jakość i dokładność. Najważniejsze jest zrozumienie danych i użyteczność. To jest Jakość to się liczy najbardziej.
- Głębokie uczenie jest przeznaczone tylko dla dużych organizacji
Jednym z najczęstszych mitów jest to, że do wykonywania zadań głębokiego uczenia się potrzebujesz znacznej ilości sprzętu. Cóż, nie jest to całkowicie fałszywe, model uczenia głębokiego zawsze będzie działał wydajniej, gdy będzie miał potężną konfigurację sprzętową. Ale możesz go uruchomić w systemie lokalnym lub Google Colab (GPU + CPU). Po prostu trenowanie modelu na komputerze może zająć więcej czasu niż oczekiwano.
- Zbieranie danych jest łatwe
Dane są generowane z niesamowitą szybkością około 2,5 tryliona Bajtów dziennie i zbieranie plików właściwe dane w odpowiednim formacie jest nadal ciężkim zadaniem. Musisz zbudować właściwy rurociąg dla twojego projektu. Istnieje wiele źródeł pozyskiwania danych. Koszt i jakość mają duże znaczenie. Utrzymanie integralności danych i potoku to bardzo ważna część, której nie należy robić.
- Analitycy danych pracują tylko z narzędziami / wszystko zależy od narzędzi
Ludzie zwykle zaczynają uczyć się narzędzia, myśląc, że dostaną pracę w Data Science. Cóż, poznanie narzędzia jest ważne dla pracy jako Data Scientist, ale jak wspomniałem wcześniej, ich rola jest znacznie bardziej zróżnicowana. Naukowcy zajmujący się danymi powinni zamiast tego używać narzędzia do wyprowadzania rozwiązań, muszą opanować podstawowe umiejętności. Tak, opanowanie narzędzia stwarza nadzieję na łatwe wejście do nauki o danych, ale firmy zatrudniające naukowców zajmujących się danymi nie będą zamiast tego rozważać samej wiedzy o narzędziu, szukają specjalisty, który zdobył połączenie umiejętności technicznych i biznesowych.
- Musisz mieć doświadczenie w kodowaniu / informatyce
Większość analityków danych jest dobra w kodowaniu i może mieć doświadczenie w informatyce, matematyce lub statystyce. Nie oznacza to, że osoby z innych środowisk nie mogą być naukowcami danych. Więc jedną rzeczą, o której należy pamiętać, jest to, że ci ludzie z tych środowisk mają przewagę, ale to tylko na początkowych etapach. Musisz tylko zachować poświęcenie i ciężką pracę, a wkrótce będzie to łatwe dla Ciebie.
- Konkursy Data Science i rzeczywiste projekty to to samo
Te zawody są świetny początek w długiej podróży nauki o danych. Możesz pracować z dużymi zestawami danych i algorytmami. Wszystko jest w porządku, ale z pewnością rozważenie tego jako projektu i umieszczenie go w CV nie jest to dobry pomysł ponieważ te konkursy nie są bliskie prawdziwego projektu. Nie możesz czyścić bałaganu danych ani tworzyć żadnych rurociągi lub sprawdź termin. Liczy się tylko dokładność modelu.
- Chodzi o predykcyjne budowanie modelu
Ludzie zwykle myślą, że naukowcy zajmujący się danymi przewidują przyszłe wyniki. Modelowanie predykcyjne jest bardzo ważnym aspektem nauki o danych, ale samo w sobie nie może Ci pomóc. W każdym projekcie są wiele kroków zaangażowany w cały cykl zaczynając od zbierania danych, spory, analizowania danych, szkolenia algorytmu, budowania modelu, testowania modelu i wreszcie wdrożenia. Musisz znać całość proces od końca do końca . Przyjrzyjmy się ostatnim mitom naukowców zajmujących się danymi.
- AI będzie dalej ewoluować po zbudowaniu
To powszechne błędne przekonanie, że sztuczna inteligencja wciąż się rozwija, ewoluuje i generalizuje samodzielnie. Cóż, filmy science fiction zawsze przedstawiają to samo przesłanie. To wcale nie jest prawda, w rzeczywistości jesteśmy daleko w tyle. Jedyne, co możemy zrobić, to trenować modele, które uczą się same, jeśli zostaną do nich dostarczone nowe dane. Nie potrafią przystosować się do zmiany środowiska i nowego rodzaju danych.
Więc. jeśli myślisz, że maszyny jednodniowe wykonają całą pracę? Cóż, musisz wyjść z filmów!
jak zatrzymać program java w kodzie
Mam nadzieję, że wszystkie twoje mity naukowców danych zostały usunięte. Edureka zapewnia również . Obejmuje szkolenia z zakresu statystyki, nauki o danych, Pythona, Apache Spark & Scala, Tensorflow i Tableau.
Masz do nas pytanie? Wspomnij o tym w sekcji komentarzy w artykule „Mity naukowców danych”, a my skontaktujemy się z Tobą.