se ukázalo jako jedno z nejpopulárnějších oborů v poslední době. Roste úžasným tempem, stejně jako poptávka po Data Scientists. Role datového vědce je extrémně dynamická, žádné dva dny pro ně nejsou stejné, a proto je tak jedinečná a vzrušující. Jelikož se jedná o nové pole, je v něm jak vzrušení, tak zmatek. Pojďme tedy tyto mýty Data Scientists vymazat v následujícím pořadí:
Kdo je datový vědec?
Ačkoli existuje několik definic k dispozici, v zásadě jsou to profesionálové, kteří praktikují umění Data Science. Vědci zabývající se daty řeší složité problémy s daty svými odbornými znalostmi ve vědeckých oborech. Jedná se o pozici specialistů.
Specializují se na různé typy dovedností, jako je řeč, analytika textu (NLP), zpracování obrazu a videa, simulace medicíny a materiálů atd. Každá z těchto specializovaných rolí je velmi omezená co do počtu, a proto je hodnota takového specialisty obrovská. Cokoli, co rychle naberá na obrátkách, má tendenci se stát tím, o čem všichni mluví. A čím více lidí o něčem mluví, tím více se hromadí mylné představy a mýty. Pojďme tedy odhalit některé mýty Data Scientist.
řada rekurzních fibonacci v Javě
Data Scientist Myths vs Reality
- Musíte být Ph.D. Držák
Ph.D. je bezpochyby velmi velkým úspěchem. Vyžaduje to hodně tvrdé práce a odhodlání k výzkumu. Je ale nutné stát se datovým vědcem? Záleží na typu úlohy, pro kterou chcete jít.
Pokud se chystáte Role aplikované datové vědy který je primárně založen na práci s existujícími algoritmy a porozumění jejich fungování. Většina lidí zapadá do této kategorie a většina otevřených a popisů pracovních pozic, které vidíte, je pouze pro tyto role. Pro tuto roli vy NE potřebovat Ph.D. stupeň.
Ale pokud chcete jít do Role výzkumu , pak možná budete potřebovat Ph.D. Stupeň. Pokud je vaše práce na algoritmech nebo psaní jakéhokoli příspěvku vaše věc, pak Ph.D. je způsob, jak jít.
- Data Scientist bude brzy nahrazen AI
Pokud si myslíte, že spousta datových vědců může udělat vše, co souvisí s Projekt AI / ML . Není to praktické řešení, protože pokud se soustředíte na jakýkoli projekt AI, je k němu přidružena spousta pracovních míst. je velmi složité pole se spoustou různých rolí, jako je:
- Statistik
- Expert na doménu
- Specialista IoT
Samotní datoví vědci nemohou vyřešit všechno a není možné ani to, aby to umělá inteligence dokázala. Takže pokud jste jedním z těch, kdo se toho bojí, NEPŘÍT. AI ještě není schopna dělat takové věci, potřebujete obrovské znalosti různých domén.
- Více dat poskytuje vyšší přesnost
Existuje velmi velká mylná představa a jeden z velkých mýtů datových vědců, že „čím více dat máte, tím více bude přesnost modelu“. Více údajů nepřekládá k vyšší přesnosti. Na druhou stranu malá, ale dobře udržovaná data mohou mít lepší kvalitu a přesnost. Nejdůležitější je pochopení dat a jejich použitelnost. Je to Kvalitní na čem záleží nejvíce.
- Hluboké učení je určeno pouze pro velké organizace
Jedním z nejběžnějších mýtů je, že ke spuštění úloh Deep Learning potřebujete značně dobré množství hardwaru. To není úplně falešné, model hlubokého učení bude vždy fungovat efektivněji, když bude mít k dispozici výkonné nastavení hardwaru. Můžete jej však spustit v místním systému nebo Google Colab (GPU + CPU). Trénink modelu na vašem stroji může trvat déle, než se očekávalo.
- Sběr dat je snadný
Data se generují úžasnou rychlostí asi 2,5 Quintillion Bajtů za den a shromažďování správná data ve správném formátu je stále těžký úkol. Musíte postavit správné potrubí pro váš projekt. Existuje mnoho zdrojů pro získání dat. Na ceně a kvalitě záleží hodně. Zachování integrity dat a potrubí je velmi důležitou součástí, s níž by se nemělo dělat potíže.
- Datoví vědci pracují pouze s nástroji / Vše je o nástrojích
Lidé se obvykle začnou učit nástroj v domnění, že získají práci v Data Science. Učení nástroje je pro práci Data Scientist důležité, ale jak jsem již zmínil dříve, jejich role je mnohem rozmanitější. Datoví vědci by měli jít nad rámec toho, aby místo toho odvodili řešení, potřebují zvládnout základní dovednosti. Ano, zvládnutí nástroje vytváří naději na snadný vstup do Data Science, ale společnosti najímající Data Scientists nebudou místo toho zvažovat samotné odborné znalosti nástroje, hledají profesionála, který získal kombinaci technických a obchodních dovedností.
- Musíte mít znalosti o kódování / informatice
Většina datových vědců umí dobře programovat a může mít zkušenosti s informatikou nebo matematikou nebo statistikou. To neznamená, že lidé z jiných prostředí nemohou být datovými vědci. Je třeba mít na paměti jednu věc, že tito lidé z těchto prostředí mají výhodu, ale to je jen v počátečních fázích. Musíte jen udržet odhodlání a tvrdou práci a brzy to bude snadné i pro vás.
- Soutěže v oblasti datových věd a projekty v reálném životě jsou stejné
Tyto soutěže jsou skvělý začátek na dlouhé cestě Data Science. Můžete pracovat s velkými datovými sadami a algoritmy. Všechno je v pořádku, ale považovat to za projekt a uvedení do životopisu je určitě není to dobrý nápad protože tyto soutěže nejsou nijak blízké skutečnému projektu. Nebudete muset vyčistit špinavá data ani vytvářet žádná potrubí nebo zkontrolujte časový limit. Důležitá je pouze přesnost modelu.
- Je to všechno o Predictive Model Building
Lidé si obvykle myslí, že vědci v oblasti dat předpovídají budoucí výsledek. Prediktivní modelování je velmi důležitým aspektem datové vědy, ale samo o sobě vám nemůže pomoci. V každém projektu existují více kroků podílí se na celý cyklus počínaje sběrem dat, hádkami, analýzou dat, trénováním algoritmu, sestavením modelu, testováním modelu a nakonec nasazením. Musíte znát celek end-to-end proces . Podívejme se na poslední mýty Data Scientists.
- AI se bude i nadále vyvíjet, jakmile bude postavena
seznam událostí javascript s příklady
Je běžnou mylnou představou, že umělá inteligence nadále roste, vyvíjí se a zobecňuje se sama. Sci-fi filmy neustále zobrazují stejnou zprávu. Nyní to vůbec není pravda, ve skutečnosti jsme pozadu. Nejvíc můžeme udělat, je trénovat modely, které se trénují samy, pokud jim budou poskytnuta nová data. Nemohou se přizpůsobit změně prostředí a novému typu dat.
Tak. pokud si myslíte, že jednodenní stroje budou dělat veškerou práci? Musíte se dostat z filmů!
Doufám, že všechny vaše mýty o vědcích v oblasti dat jsou nyní odstraněny. Edureka také poskytuje a . Zahrnuje školení v oblasti statistik, datové vědy, Pythonu, Apache Spark & Scala, Tensorflow a Tableau.
Máte na nás dotaz? Uveďte to prosím v sekci komentářů v článku „Mýty o vědcích v oblasti dat“ a my se vám ozveme.