се појавило као једно од најтраженијих поља у последње време. Расте невероватним темпом, па тако и потражња за научницима података. Улога научника за податке је изузетно динамична, јер им два дана нису иста и то је оно што га чини тако јединственим и узбудљивим. Будући да је то ново поље, у њему постоје и узбуђење и забуна. Дакле, рашчистимо те митове научника података следећим редоследом:
Ко је научник података?
Иако постоји неколико дефиниција доступни, у основи су професионалци који се баве уметношћу науке о подацима. Научници података решавају сложене проблеме са подацима својом стручношћу у научним дисциплинама. То је став специјалиста.
Они су се специјализовали за различите врсте вештина као што су говор, аналитика текста (НЛП), обрада слика и видео записа, симулација лекова и материјала, итд. Свака од ових специјалистичких улога је врло ограничена и стога је вредност таквог стручњака огромна. Све што брзо добије замах постаје тенденција да постане оно о чему сви причају. И, што више људи о нечему разговара, накупља се све више заблуда и митова. Па разоткријмо неке митове о научницима података.
шта је јит цомпилер у јави
Митови научника података против стварности
- Морате бити доктор наука Холдер
А Пх.Д. је врло велико достигнуће без сумње. Потребно је много напорног рада и посвећености истраживању. Али да ли је неопходно постати научник података? Зависи за врсту посла на који желите да се одлучите.
Ако идете за Улога примењене науке о подацима која се првенствено заснива на раду са постојећим алгоритмима и разумевању њиховог рада. Већина људи се уклапа у ову категорију и већина отварања и описа послова које видите су само за ове улоге. За ову улогу ти НЕМОЈ треба докторат степена.
Али, ако желите да уђете у Улога истраживања , тада ће вам можда требати докторат Степен. Ако је ваш рад на алгоритмима или писање било ког рада, онда др. је пут којим треба ићи.
- Дата Сциентист ће ускоро заменити АИ
Ако мислите да гомила научника за податке може учинити све што је везано за АИ / МЛ пројекат . То није практично решење, јер ако се усредсредите на било који пројекат АИ, уз њега је мноштво послова. је врло сложено поље са пуно различитих улога, као што су:
- Статистичар
- Домаин Екперт
- ИоТ специјалиста
Научници података сами не могу све да реше, а ни АИ то не може. Па, ако сте један од оних који се тога плаше, ДОНТ. АИ још увек није у стању да ради такве ствари, потребно вам је огромно знање из различитих домена.
- Више података пружа већу прецизност
Постоји врло велика заблуда и један од великих митова научника података да „што више података имате, већа ће бити и тачност модела“. Више података не преводи до веће тачности. С друге стране, мали, али добро одржавани подаци могу имати бољи квалитет и тачност. Најважније је разумевање података и њихова употребљивост. То је Квалитет то је најважније.
- Дубинско учење је намењено само великим организацијама
Један од најчешћих митова је да вам је за покретање задатака дубоког учења потребна прилично добра количина хардвера. Па, то није у потпуности нетачно, модел дубоког учења увек ће радити ефикасније када има моћну хардверску поставку на којој се може покренути. Али можете га покренути на вашем локалном систему или Гоогле Цолаб (ГПУ + ЦПУ). Обука модела на вашој машини може потрајати дуже него што се очекивало.
- Прикупљање података је једноставно
Подаци се генеришу невероватном брзином од око 2.5 Квинтилион Бајтова по дану и прикупљања прави подаци у правом формату је и даље тежак задатак. Морате да направите правилан цевовод за ваш пројекат. Постоји много извора за добијање података. Трошак и квалитет су веома важни. Одржавање интегритета података и цевовода је веома важан део са којим не треба петљати.
- Научници података раде само са Алатима / Све је у Алатима
Људи обично почну учити алат мислећи да ће се запослити у науци података. Па, учење алата је важно за рад као научника података, али као што сам раније споменуо, њихова улога је много разноврснија. Научници података требало би да превазиђу употребу алата за проналажење решења уместо тога, они треба да савладају основне вештине. Да, савладавање алата ствара наду за лак улазак у Дата Сциенце, али компаније које ангажују Дата Сциентист неће уместо тога узети у обзир стручност алата, већ траже стручњака који је стекао комбинацију техничких и пословних вештина.
- Морате имати позадину кодирања / рачунарства
Већина научника за податке је добар у кодирању и можда има искуства у рачунарским наукама, или из математике или статистике. То не значи да људи из других средина не могу бити научници података. Дакле, једна ствар коју треба имати на уму је да ови људи из ових средина имају предност, али то је тек у почетним фазама. Само треба да наставите са преданошћу и напорним радом, а ускоро ће и вама бити лако.
- Такмичења у науци о подацима и пројекти из стварног живота су исти
Ова такмичења су сјајан почетак на дугом путу Дата Сциенце-а. Можете радити са великим скуповима података и алгоритмима. Све је у реду, али сматрати то пројектом и ставити га у свој животопис је сигурно није добра идеја јер ова такмичења нису ни близу стварном пројекту. Не можете очистити неуредне податке нити их направити цевоводи или проверите временско ограничење. Важна је само тачност модела.
- Све је у вези са предвиђањем изградње модела
Људи обично мисле да научници података предвиђају будући исход. Предиктивно моделирање је веома важан аспект науке о подацима, али само по себи вам не може помоћи. У било ком пројекту постоје више корака укључени у цео циклус почев од прикупљања података, свађања, анализирања података, обуке алгоритма, изградње модела, тестирања модела и на крају примене. Морате знати целину процес од краја до краја . Погледајмо последње митове научника података.
- АИ ће наставити да се развија једном када се изгради
Уобичајена је заблуда да АИ наставља да расте, еволуира и генералише сам од себе. Па, научно-фантастични филмови су стално приказивали исту поруку. То уопште није тачно, у ствари смо у великом заостатку. Највише што можемо је да обучимо моделе који се сами обучавају ако им се додају нови подаци. Не могу се прилагодити променама у окружењу и новој врсти података.
хтмл ознака за прелом реда
Тако. ако мислите да ће једнодневне машине обављати сав посао? Па, мораш да изађеш из филмова!
Надам се да су сви ваши митови о научницима података сада уклоњени. Едурека такође пружа а . Обухвата обуку из статистике, науке о подацима, Питхона, Апацхе Спарк & Сцала, Тенсорфлов-а и Таблеау-а.
Имате питање за нас? Молимо вас да га спомињете у одељку за коментаре чланка „Митови научника података“ и јавићемо вам се.