Saturs
- Dažādas definīcijas, dažādi pienākumi
- Bez kļūdām, bez stresa - jūsu soli pa solim, kā izveidot programmatūru, kas maina dzīvi, neiznīcinot savu dzīvi
- Datu zinātnieka prasmes
Avots: Sergejs Khakimullin / iStockphoto
Izņemšana:
Datu zinātniekiem ir plašs darbs, kas ievērojami atšķiras atkarībā no lietojuma. Bet viena lieta, kas viņiem visiem ir kopīga, ir tieksme efektīvi izmantot datus.
Ko datu zinātnieks dara mākslīgā intelekta un mašīnmācīšanās darbā? Daudzi profesionāļi, kuri katru dienu nodarbojas ar šāda veida projektiem, teiktu, ka uz jautājumu ir grūti atbildēt vienkārši. Labāks jautājums būtu: ko datu zinātnieki NEKO nedara?
Datu zinātnieks ir neatņemams AI vai ML process tādā nozīmē, ka visi šie projekti ir atkarīgi no lieliem datiem vai sarežģītām ievadēm. Datu zinātnieks ir būtisks karjerists, kurš zina, kā strādāt ar datiem, lai iegūtu rezultātus.
Tomēr ir daži veidi, kā runāt par to, ko datu zinātnieks veic, kāda kvalifikācija viņam / viņai nepieciešama, un kāda ir viņa loma šajā procesā.
Lasīt: 6 galvenie datu zinātnes jēdzieni, kurus varat apgūt, izmantojot tiešsaistes mācīšanos
Dažādas definīcijas, dažādi pienākumi
Daudzi eksperti, kas raksturo datu zinātnieka darbu, runā par to plaši.
“Mazos uzņēmumos vai strādājot jaunā tirgū, datu zinātnieka uzdevums ir pārveidot salīdzinoši jaunus (bet acīmredzamus) datu avotus par tādiem, kas atrisina gala lietotāja problēmu, kas iepriekš nebūtu bijusi iespējama, kur izmantotās tehnoloģijas neeksistēja, ”saka Antonio Hicks,“ Mercury Global Partners ”konta menedžeris. "Ideālais kandidāts ir kāds matemātiķis, daļēji programmatūras inženieris un daļēji uzņēmējs."
Citi atkārto šo pamatideju, minot, kādi dati zinātniekiem nepieciešami modelēšanas projektu risināšanai.
“Vissvarīgākais atribūts, kas vajadzīgs datu zinātniekam, ir dziļa zinātkāre par apkārtējo pasauli - neatkarīgi no tā, vai viņi atbild uz jautājumiem vai veido modeļus, galvenais ir vēlme izprast viņu priekšā esošo problēmu,” saka datu zinātņu menedžere Erin Akinci. pie Asanas. "Turpmāk lielākajai daļai cilvēku būs vajadzīgas prasmes matemātikā un programmēšanā, lai rastu risinājumus, taču specifiskie matemātikas un programmēšanas veidi ir ļoti atšķirīgi atkarībā no datu zinātnes kompetences jomas."
Bez kļūdām, bez stresa - jūsu soli pa solim, kā izveidot programmatūru, kas maina dzīvi, neiznīcinot savu dzīvi
Jūs nevarat uzlabot savas programmēšanas prasmes, kad nevienam nerūp programmatūras kvalitāte.
“Izcils zinātniskais darbs vairāk saistīts ar to, kā zinātnieks domā par problēmu, nekā ar rīkiem, ko viņi izmanto, lai to atrisinātu,” piebilst Čārlijs Burgojens, Valkyrie Intelligence dibinātājs un izpilddirektors. Valkyrie ir lietišķās zinātnes konsultāciju uzņēmums, kura paspārnē ir tādi iespaidīgi projekti kā Mark I, kas ir speciāla tīkla ierīce, kas veicina neironu tīkla apmācību un testēšanu, uzlabojot, cik iespējams, ar iepriekšējām mākoņa bāzes mašīnmācīšanās platformām.
"Tirgus pieprasa zinātniekus, kuri pārzina Python attīstību, neironu tīkla dizainu un spēju pārveidot datu krātuvi jaunākajā datu bāzes arhitektūrā," saka Burgoyne. “Šīs iespējas tomēr ir talantīga zinātnieka galda likmes. Ne tik acīmredzama ir zinātnieka spēja bezrūpīgai zinātkārei, agresīvai atjautībai un zinātniskās metodes ievērošanai. ”
Datu zinātnieka prasmes
Ciktāl tas attiecas uz praktisko iemaņu kopumu, datu zinātniekiem ir nepieciešama zināma radošums un izveicība, ciktāl tas attiecas uz modelēšanu. Viņi var gūt daudz labumu arī no tā, ka viņiem ir “cietās prasmes”, piemēram, pieredzes kodēšana Python, C ++ vai citās vispārējās valodās, kuras tiek izmantotas ML projektos.
“Python un C ++ ir svarīgi, un spēja apvienot kodēšanas prasmes ar datu analīzi un apstrādi, kā arī statistika ir pamatprasmes, kas datu zinātniekam izceļas kā spēcīgs kandidāts vai darbinieks,” saka Val Streif pie tiešsaistes izspēles interviju platformas Pramp. programmatūras inženieriem, izstrādātājiem un datu zinātniekiem. "Lai gan par dažām programmēšanas prasmēm varētu parūpēties, datu pāriniekam sadarbojoties ar izstrādātāju, tas ir daudz vienkāršāk, ja jums ir abas prasmes apvienotas vienā, no uzņēmuma viedokļa."
Citi eksperti sarakstam pievieno R, Hadoop, Spark, Sas un Java, kā arī tādas tehnoloģijas kā Tableau, Hive un MATLAB.
Visi šie pasākumi iesāk iespaidīgu atsākšanu, bet daži no tiem, kuri ir pieredzējuši ar datu zinātnieku vervēšanu, saka arī citas “cilvēciskās” puses. (Viens datu zinātnieku veids ir pilsoņu datu zinātnieks. Uzziniet vairāk sadaļā Pilsoņu datu zinātnieku loma lielo datu pasaulē.)
“Parasti indivīdi ar daudzveidīgu liberālās mākslas izglītību veic izcilus datu zinātniekus,” saka Burgojens, izšķirot inženierus, kuri ir ēkas pusē, un datu zinātniekus, kuru darbs var būt daudz konceptuālāks. Viņš turpina:
Ekspertīze tradicionālajā STEM jomā ar papildu fokusu humanitārajās, mākslas vai biznesa jomās dod tādas īpašības, kas padara izcilu uz nozari orientētu zinātnieku. Jāsaka, ka tas ir tikpat svarīgi organizācijas spējai izmantot šīs īpašības un produktīvi veidot to degsmi un metodes. Esmu novērojis, ka tad, kad datu zinātnes iniciatīva ir neveiksmīga, organizācija, iespējams, ir tikpat vainīga kā zinātnieki. Zinātnieki nav inženieri. Viņus nemēdz izpildīt un celt. Viņus mudina atklāt un saprast. Organizācijas, kas uztver šo atšķirību, ir labi atalgotas par abu lauku kultivēšanu.
Runājot par to, kādus datus zinātnieki parasti izmanto, tas ir saistīts ar uzņēmuma galvenajiem mērķiem. Daži uzņēmumi dzenas pakaļ decentralizētam internetam - citi spēlē ar IoT vai SaaS. Citi mēģina izveidot “lietotājam draudzīgu” vai “ētisku” vai “caurspīdīgu” AI.
Jebkurā gadījumā datu zinātnieki, visticamāk, pārvarēs plaisu starp viņu izmantoto datu pamatmetriku neatkarīgi no tā, kādā tehnoloģiju klāstā tā darbojas, un brīvo darbu, kas saistīts ar AI / ML funkcionalitātes konceptualizēšanu.
“Mēs pieņemam darbā datu zinātniekus, lai pārvaldītu datu vākšanu un tīrīšanu, kā arī pārveidotu šos datus nozīmīgā informācijā,” saka Maikls Hups, G2 Crowd datu zinātnes un analītikas vadītājs. Viņš izstrādā:
Parasti tas nozīmē jebkuru svarīgu algoritmu pārvaldību, kas virza uzņēmuma datu motoru, un brīvi pārzina galvenos analītikas rīkus un valodas, bet pēdējos gados ir iekļāvis arī tādas jaunas jomas kā dabiskās valodas apstrāde, mašīnmācīšanās un citas ar AI iespējotas analīzes formas. Veiksmīgākie datu zinātnieki ir tie, kuri savas smagās prasmes apvieno ar spēju ātri mācīties un spēju efektīvi paziņot atklātās atziņas, lai viņiem būtu jēga viņu biznesam.
Izmantojot šāda veida ieskatu, jaunajiem speciālistiem vai studentiem ir vieglāk izdomāt, vai datu zinātniekam viņiem būtu laba loma un kā iegūt prasmes. STEM mācīšanās kļūst pieejamāka skolās visā valstī, taču tā neaizstāj aizraušanos ar kodēšanu un tehnoloģijām un spēju mācīties lidojumā.