Садржај
- Различите дефиниције, различите дужности
- Без грешака, без стреса - Ваш корак по корак водич за креирање софтвера за промену живота без да вам уништи живот
- Вештине научника података
Извор: Сергеи Кхакимулин / иСтоцкпхото
Одузети:
Научници са подацима имају широке послове који се значајно разликују у зависности од апликације. Али једно им је заједничко настојање да се подаци добро искористе.
Шта научник података ради у вези са вештачком интелигенцијом и машинским учењем? Много професионалаца који се свакодневно баве овим врстама пројеката рекли би да је тешко тешко једноставно одговорити. Боље питање би било: Шта научници података НЕ раде?
Научник података је саставни део АИ или МЛ процеса, у смислу да сви ови пројекти зависе од великих података или сложених улаза. Научник података је основни каријерист који зна како радити са подацима да би се постигли резултати.
Међутим, постоје неки начини за разговор о томе шта научник података ради, које квалификације су му потребне и која је његова улога у том процесу.
Читати: 6 кључних концепата о науци о подацима којима можете савладати путем онлине учења
Различите дефиниције, различите дужности
Многи стручњаци који описују рад научника података говоре о томе у широком значењу.
"У малим компанијама или када раде на новом тржишту, улога података научника је да конвертује релативно нове (али очигледне) изворе података у ствари које решавају проблем крајњем кориснику, што раније не би било могуће, тамо где употријебљене технологије нису постојале “, каже Антонио Хицкс, менаџер рачуна у Мерцури Глобал Партнерсу. „Идеалан кандидат је неко ко је део математичара, део софтверски инжењер и део предузетник.“
Други понављају ову основну идеју, спомињући шта су научници потребни да би се бавили пројектима моделирања.
„Најважнија особина која је научнику података потребна је дубока знатижеља о свету око себе - било да одговарају на питања или граде моделе, кључна је жеља за разумевањем проблема пред њима“, каже Ерин Акинци, менаџер података научника код Асане. "Одатле ће већини људи требати вештине из математике и програмирања да би пронашли решења, али специфичне врсте математике и програмирања увелико варирају у зависности од области експертизе у оквиру науке о подацима."
Без грешака, без стреса - Ваш корак по корак водич за креирање софтвера за промену живота без да вам уништи живот
Не можете побољшати своје вештине програмирања када никога није брига за квалитет софтвера.
„Одличан научни рад има више везе са начином на који научник размишља о проблему, него алатима који га користе да би га решили“, додаје Цхарлие Бургоине, оснивач и извршни директор компаније Валкирие Интеллигенце. Валкирие је примењена научна консултантска компанија са импресивним пројектима под својим крилима, попут Марк И, наменског мрежног уређаја који појачава обуку и тестирање неуронске мреже, побољшавајући оно што је могуће са претходним платформама машинског учења заснованог на облаку.
„Тржиште захтева научнике који су вешти у развоју Питхона, дизајнирању неуронске мреже и способности да преобликују складиште података у најновију архитектуру базе података“, каже Бургоине. „Међутим, ове способности представљају улог за талентованог научника. Оно што је мање очигледно је способност научника за неустрашиву радозналост, агресивну домишљатост и приврженост научној методи. "
Вештине научника података
Што се тиче практичних вештина, научницима за податке потребна је мало креативности и спретности што се тиче моделирања. Они такође могу имати велику корист од „тешких вештина“, као што су кодирање искуства у Питхон-у, Ц ++ или другим уобичајеним језицима примењеним на МЛ пројекте.
„Питхон и Ц ++ су неопходни и способни су да комбинују вештине кодирања са анализом и обрадом података и статистике су основне вештине које ће научника података издвојити као јаког кандидата или запосленог“, каже Вал Стреиф из Прамп-а, платформе за интернетски обрачун са интервјуима за софтверске инжењере, програмере и научнике података. „Иако би се за неке програмске вештине могло водити рачунаром спајањем научника са подацима са програмером, много је лакше ако обе вештине комбинујете у једној, из перспективе компаније.“
Остали стручњаци додају Р, Хадооп, Спарк, Сас и Јава на листу, као и технологије попут Таблеау, Хиве и МАТЛАБ.
Сви они чине импресиван резиме, али неки од оних који имају искуства са запошљавањем научника кажу да су и друге „људске“ стране такође. (Једна врста научника за податке је научник о подацима о грађанима. Сазнајте више у Улози грађана о подацима података у свету великих података.)
"Традиционално, појединци са разноврсним образовањем о либералној уметности стварају одличне научнике података", каже Бургоине, правећи разлику између инжењера, који су на градилишној страни, и научника података, чији рад може бити много концептуалнији. Он наставља:
Стручност у традиционалном пољу СТЕМ са комплементарним фокусом на хуманистичким, уметничким или пословним доменима даје оне квалитете које чине одличног научника оријентисаног на индустрију. Мора се рећи да је то подједнако важно за способност организације да користи те квалитете и да свој мотив и методе продуктивно обликује. Приметио сам да када је иницијатива за науку о подацима неуспешна, организација ће вероватно бити једнако криви као и научници. Научници нису инжењери. Они нису вођени да извршавају и граде. Они су приморани да открију и разумеју. Организације које схвате ову разлику добро су награђене за узгој оба поља.
Што се тиче наука на које се научници обично пријављују, то има везе са основним циљевима компаније. Неке фирме јуре за децентрализованим интернетом - неке се играју ИоТ или СааС. Други покушавају да постану пионирски „усер-фриендли“ или „етички“ или „транспарентни“ АИ.
У сваком случају, научници са подацима вероватно ће премостити разлике између тешких метрика на подацима које они користе, без обзира на то који су све технолошки скупи у игри и слободно дело концептуализације АИ / МЛ функционалности.
„Ангажујемо податке за управљање прикупљањем и чишћењем података, као и превођење тих података у значајне информације“, каже Мицхаел Хупп, менаџер за Дата Сциенце и Аналитицс у Г2 Цровд. Он разрађује:
То обично значи управљање било којим важним алгоритмима који управљају подацима компаније и течно управљају кључним аналитичким алатима и језицима, али последњих година укључују и нова подручја као што су обрада природног језика, машинско учење, други облици анализа омогућених АИ. Најуспешнији научници података су они који комбинују своје тешке вештине са способношћу брзог учења и способност ефикасног преношења увида који открију како би били од значаја за њихов посао.
Помоћу ове врсте увида младим професионалцима или студентима је лакше да схвате да ли би им научник података могао да буде добра улога и како да стекну вештине. СТЕМ учење постаје доступније у школама широм земље, али не постоји замена за страст према кодирању и технологији и способност да се учи у покрету.