s'ha convertit en un dels camps més tendents dels darrers temps. Creix a un ritme sorprenent i també ho fa la demanda de Data Scientists. El paper d'un científic de dades és extremadament dinàmic, no hi ha dos dies iguals per a ells i això és el que el fa tan únic i emocionant. Com que és un camp nou, hi ha emoció i confusió al respecte. Per tant, esborrem aquests mites de Data Scientists en l’ordre següent:
Qui és un científic de dades?
Encara que hi ha diverses definicions de disponibles, bàsicament són professionals que practiquen l'art de la ciència de dades. Els científics de dades resolen problemes complexos de dades amb la seva experiència en disciplines científiques. És una posició d’especialistes.
S’especialitzen en diferents tipus d’habilitats com la parla, l’anàlisi de textos (PNL), el processament d’imatges i vídeos, la simulació de medicaments i materials, etc. Tot el que guanya impuls tendeix a convertir-se en el que tothom parla. I, com més gent parla d’alguna cosa, més conceptes equivocats i mites s’amunteguen. Així doncs, desmentim alguns mites de Data Scientist.
diferents tipus de marcs en seleni
Data Scientist Myths vs Reality
- Cal ser doctor. Titular
Un doctorat sens dubte és un èxit molt gran. Es necessita molta feina i dedicació a investigar. Però, cal convertir-se en científic de dades? Depèn del tipus de feina que vulgueu.
Si hi aneu Paper de ciència aplicada de les dades que es basa principalment en treballar amb algoritmes existents i entendre com funcionen. La majoria de la gent s’adapta a aquesta categoria i la majoria d’obertures i descripcions de treballs que veieu són exclusivament per a aquestes funcions. Per aquest paper, vosaltres NO necessiteu un doctorat grau.
Però, si voleu entrar a un Paper de recerca , és possible que necessiteu un doctorat. Llicenciatura. Si el vostre treball és treballar en algorismes o escriure qualsevol article, llavors el doctorat. és el camí a seguir.
- Data Scientist serà substituït aviat per IA
Si creieu que un grup de científics de dades poden fer tot el relacionat amb un Projecte AI / ML . No és una solució pràctica, ja que si us centreu en qualsevol projecte d’IA, té una gran quantitat de treballs. és un camp molt complex amb molts rols diferents, com ara:
- Estadístic
- Expert en dominis
- Especialista en IoT
Els científics de dades sols no ho poden resoldre tot i tampoc no és possible que la IA ho faci. Per tant, si sou dels que tem això, NO. La IA encara no és capaç de fer coses així, necessiteu un gran coneixement dels diferents dominis.
- Més dades proporcionen una precisió més alta
Hi ha una idea errònia molt gran i un dels grans mites de Data Scientists que 'més dades tindreu, més serà la precisió del model'. Més dades no es tradueix amb major precisió. D’altra banda, les dades petites però ben conservades poden tenir una millor qualitat i precisió. El que més importa és la comprensió de les dades i la seva usabilitat. És el Qualitat això és el que més importa.
- L’aprenentatge profund només està destinat a les grans organitzacions
Un dels mites més habituals és que necessiteu una quantitat considerable de maquinari per executar tasques d’aprenentatge profund. Bé, això no és del tot fals, un model d’aprenentatge profund sempre tindrà un rendiment més eficient quan tingui una configuració de maquinari potent per executar-se. Però el podeu executar al vostre sistema local o Google Colab (GPU + CPU). És possible que trigui més del previst a entrenar el model a la vostra màquina.
- La recollida de dades és fàcil
S’estan generant dades a un ritme sorprenent d’aproximadament 2,5 Quintilions Bytes per dia i recollida de dades adequades en el format correcte és encara una tasca pesada. Cal construir un fitxer canonada adequada per al vostre projecte. Hi ha moltes fonts per obtenir dades. El cost i la qualitat són importants. El manteniment de la integritat de les dades i la canonada és una part molt important que no s’hauria de desfer.
- Els científics de dades només treballen amb Tools / Tot es tracta de Tools
La gent sol començar a aprendre una eina pensant que aconseguirà una feina a Data Science. Bé, aprendre una eina és important per treballar com a científic de dades, però, com he esmentat anteriorment, el seu paper és molt més divers. Els científics de dades haurien d’anar més enllà d’utilitzar una eina per obtenir solucions, sinó que han de dominar les habilitats essencials. Sí, dominar una eina crea l’esperança d’entrar fàcilment a Data Science, però les empreses que contractin Data Scientists no tindran en compte només l’experiència de l’eina, sinó que busquen un professional que hagi adquirit una combinació d’habilitats tècniques i empresarials.
- Cal tenir antecedents en codificació / informàtica
La majoria de científics de dades són bons en la codificació i poden tenir experiència en informàtica, matemàtiques o estadístiques. Això no vol dir que persones d’altres procedències no puguin ser científics de dades. Per tant, una cosa que s’ha de tenir en compte és que aquestes persones d’aquests antecedents tenen avantatges, però això només és a les etapes inicials. Només cal que mantingueu la dedicació i el treball dur i aviat també us serà fàcil.
- Les competicions de ciència de dades i els projectes de la vida real són els mateixos
Aquestes competicions són un bon començament en el llarg viatge de la ciència de dades. Comenceu a treballar amb grans conjunts de dades i algorismes. Tot està bé, però és cert considerar-lo com un projecte i posar-lo al currículum no és una bona idea perquè aquestes competicions no s’acosten gens a un projecte de la vida real. No podeu netejar les dades desordenades ni crear-ne cap canonades o comproveu el límit de temps. Tot el que importa és la precisió del model.
com finalitzar el programa a Java
- Es tracta de construir models predictius
La gent sol pensar que els científics de dades prediuen resultats futurs. El modelatge predictiu és un aspecte molt important de la ciència de dades, però per si sol no us pot ajudar. En qualsevol projecte, n’hi ha múltiples passos implicats en el Cicle sencer a partir de la recopilació de dades, la discussió, l’anàlisi de dades, la formació de l’algorisme, la construcció d’un model, la prova del model i, finalment, el desplegament. Cal conèixer el conjunt procés d'extrem a extrem . Vegem els mites finals de Data Scientists.
- La IA continuarà evolucionant un cop construïda
És una idea errònia comuna que la IA continua creixent, evolucionant i generalitzant per si mateixa. Bé, les pel·lícules de ciència ficció han representat constantment el mateix missatge. Ara bé, això no és cert, de fet, estem molt enrere. El màxim que podem fer és formar models que s’entrenin a ells mateixos si se’ls proporciona una nova informació. No es poden adaptar al canvi d’entorn i a un nou tipus de dades.
Tan. si creieu que les màquines d’un dia faran tota la feina? Bé, heu de sortir del cinema!
Espero que tots els vostres mites de Data Scientists siguin esborrats. Edureka també proporciona un fitxer . Inclou formació sobre estadístiques, ciència de dades, Python, Apache Spark & Scala, Tensorflow i Tableau.
Tens alguna pregunta? Si us plau, mencioneu-ho a la secció de comentaris de l'article 'Mites de científics de dades' i us respondrem.