az utóbbi időben az egyik legfelkapottabb területté vált. Elképesztő ütemben növekszik, és az adatkutatók iránti kereslet is. Az adattudós szerepe rendkívül dinamikus, számukra két nap nem azonos, és ez teszi olyan egyedivé és izgalmassá. Mivel ez egy új terület, izgalom és zavartság is van benne. Tehát tisztázzuk ezeket a Data Scientists mítoszokat a következő sorrendben:
Ki az adattudós?
Bár számos meghatározása létezik elérhetőek, alapvetően az Adattudomány művészetét gyakorló szakemberek. Az adattudósok összetett adatproblémákat törnek fel tudományos tudományágakban szerzett szakértelmükkel. Ez a szakemberek álláspontja.
Különböző típusú készségekre specializálódtak, mint például a beszéd, a szövegelemzés (NLP), a kép- és videófeldolgozás, az orvostudomány és az anyagszimuláció, stb. Ezek a szakemberek mindegyike nagyon korlátozott számban van, ezért egy ilyen szakember értéke óriási. Bármi, ami lendületet vesz, gyorsan azzá válik, amiről mindenki beszél. És minél többen beszélnek valamiről, annál több tévhit és mítosz halmozódik fel. Tehát tegyünk le néhány Data Scientist mítoszt.
uborka java szelén webdriver példa
Data Scientist mítoszok vs valóság
- Ph.D.-nek kell lennie. Tartó
Ph.D. kétségkívül nagyon nagy eredmény. Nagyon kemény munka és elkötelezettség kell a kutatás elvégzéséhez. De vajon szükség van-e adatkutatóvá? Attól függ, milyen típusú munkára akarsz menni.
Ha megy Alkalmazott adattudományi szerep amely elsősorban a meglévő algoritmusokkal való munkán és működésük megértésén alapul. A legtöbb ember beleillik ebbe a kategóriába, és a legtöbb megnyitás és munkaköri leírás csak ezekre a szerepekre vonatkozik. Ehhez a szerephez ön NE PhD fokozatot igényel fokozat.
De, ha be akarsz menni a Kutatási szerep , akkor szüksége lehet Ph.D.-re. Fokozat. Ha az algoritmusok kidolgozása vagy bármilyen papír megírása a dolgod, akkor Ph.D. a járható út.
- Az Data Scientist helyett hamarosan az AI lép
Ha úgy gondolja, hogy egy csomó tudós mindent megtehet, ami az AI / ML projekt . Ez nem praktikus megoldás, mert ha bármely AI projektre összpontosítasz, akkor rengeteg munka kapcsolódik hozzá. nagyon összetett terület, sok különböző szerephez kötve, például:
- Statisztikus
- Domainszakértő
- IoT-szakember
Az adatkutatók önmagukban nem tudnak mindent megoldani, és az AI számára sem lehetséges. Tehát, ha egyike vagy azoknak, akik félnek ettől, DONT. Az AI még nem képes ilyesmire, hatalmas ismeretekre van szüksége a különböző területekről.
- Több adat nagyobb pontosságot biztosít
Nagyon nagy tévhit és az egyik nagy Data Scientists mítosz állítja, hogy „minél több adatod van, annál több lesz a modell pontossága”. További adatok nem fordít nagyobb pontosságra. Másrészt a kicsi, de jól karbantartott adatok jobb minőségűek és pontosabbak lehetnek. A legfontosabb az adatok megértése és azok használhatósága. Ez a Minőség az számít leginkább.
- A mély tanulás csak a nagy szervezetek számára szól
Az egyik leggyakoribb mítosz, hogy a Deep Learning feladatok futtatásához jelentős mennyiségű hardverre van szükség. Nos, ez nem teljesen hamis, a mély tanulási modell mindig hatékonyabban fog teljesíteni, ha erőteljes hardver-beállítással rendelkezik. De futtathatja a helyi rendszeren, vagy Google Colab (GPU + CPU). Csak a vártnál tovább tarthat a modell betanítása a gépére.
- Az adatgyűjtés egyszerű
Az adatok elképesztő, kb 2,5 kvintmilliárd Napi bájt és az helyes adatok megfelelő formátumban még mindig nehéz feladat. Meg kell építeni a megfelelő csővezeték a projektjéhez. Nagyon sok forrás áll rendelkezésre az adatok megszerzéséhez. A költség és a minőség sokat számít. Az adatok és a csővezeték integritásának fenntartása nagyon fontos rész, amelyet nem szabad elrontani.
- Az adatkutatók csak az Eszközökkel dolgoznak / Az eszközökről szól
Az emberek általában elkezdenek egy eszközt megtanulni, gondolván, hogy elhelyezkednek az Adattudományban. Nos, egy eszköz megtanulása fontos az adatkutatói munkához, de mint korábban említettem, szerepük sokkal változatosabb. Az adatkutatóknak túl kell lépniük egy eszközzel a megoldások levezetéséhez, el kell sajátítaniuk az alapvető készségeket. Igen, egy eszköz elsajátítása reményt teremt a Data Science-be való egyszerű belépéshez, de a Data Scientists-t felvevő vállalatok nem csak az eszközzel kapcsolatos szakértelmet veszik figyelembe, hanem szakembert keresnek, aki megszerezte a technikai és az üzleti készségek kombinációját.
- Kódolás / informatikai háttérrel kell rendelkeznie
A legtöbb tudós tud jól kódolni, és tapasztalattal rendelkezik számítástechnikában, matematikában vagy statisztikában. Ez nem azt jelenti, hogy más háttérrel rendelkező emberek nem lehetnek adatkutatók. Tehát egy dolgot szem előtt kell tartani, hogy ezeknek a hátterű embereknek van élük, de ez csak a kezdeti szakaszban van. Csak meg kell tartanod az odaadást és a kemény munkát, és hamarosan neked is könnyű lesz.
hogyan lehet konvertálni a stringet dátumra a java-ban
- Az adattudományi versenyek és a valós projektek megegyeznek
Ezek a versenyek nagyszerű kezdet a Data Science hosszú útján. Nagy adathalmazokkal és algoritmusokkal dolgozhat. Minden rendben van, de projektnek tekinteni és önéletrajzára feltenni mindenképpen nem jó ötlet mert ezek a versenyek egyáltalán nem állnak közel egy valós projekthez. Nem kell megtisztítania a rendetlen adatokat, vagy felépítenie azokat csővezetékek vagy ellenőrizze az időkorlátot. Csak a modell pontossága számít.
- A prediktív modellépítésről van szó
Az emberek általában azt gondolják, hogy az adatkutatók megjósolják a jövő eredményét. A prediktív modellezés az adattudomány nagyon fontos aspektusa, de önmagában ez nem segíthet Önnek. Bármely Projektben vannak több lépés részt vesz a egész ciklus kezdve az adatgyűjtéstől, a bánásmódtól, az adatok elemzésétől, az algoritmus betanításától, a modell felépítésétől, a modell tesztelésétől és végül a telepítésig. Ismernie kell az egészet végponttól végpontig folyamat . Nézzük meg a végső Data Scientists mítoszokat.
- Az AI tovább fog fejlődni, miután megépült
Gyakori tévhit, hogy az AI önmagában tovább növekszik, fejlődik és általánosít. Nos, a Sci-Fi filmek folyamatosan ugyanazt az üzenetet ábrázolták. Ez egyáltalán nem igaz, sőt, sokkal lemaradtunk. A legtöbbet tehetjük, ha olyan modelleket képezünk, amelyek önmagukat képezik, ha új adatokat szolgáltatnak nekik. Nem tudnak alkalmazkodni a környezeti változásokhoz és az új típusú adatokhoz.
Így. ha úgy gondolja, hogy az egynapos gépek elvégzik az összes munkát? Nos, ki kell szállnod a filmekből!
Remélem, hogy az összes Data Scientists mítoszod meg lett tisztítva. Edureka Ezenkívül a . Ez magában foglalja a statisztika, az adattudomány, a Python, az Apache Spark & Scala, a Tensorflow és a Tableau képzését.
Van egy kérdésünk? Kérjük, említse meg az „Adattudós mítoszok” cikk megjegyzés rovatában, és mi kapcsolatba lépünk Önnel.