NộI Dung
- Khoa học dữ liệu và học máy: Thuật ngữ rộng và hẹp
- Khoa học dữ liệu và bộ kỹ năng học máy
- Không lỗi, không căng thẳng - Hướng dẫn từng bước của bạn để tạo ra phần mềm thay đổi cuộc sống mà không phá hủy cuộc sống của bạn
- Làm thế nào để phát hiện ra máy học
- Hai môn học tiên tiến
Nguồn: Elnur / Dreamstime.com
Lấy đi:
Khoa học dữ liệu và học máy là khác nhau theo những cách chính. Trong một số cách, một người có thể được coi là một tập hợp con khác. Cả hai đều quan trọng trong tiến trình CNTT hiện tại.
Trong thế giới mới về trí tuệ nhân tạo và quản lý dữ liệu này, nó dễ bị nhầm lẫn bởi một số thuật ngữ được sử dụng phổ biến nhất trong thế giới CNTT.
Ví dụ, khoa học dữ liệu và học máy có liên quan nhiều đến nhau. Không có gì đáng ngạc nhiên khi nhiều người chỉ có kiến thức về các môn học này sẽ gặp khó khăn khi tìm hiểu xem họ khác nhau như thế nào.
Ở đây, cách tốt nhất để tách khoa học dữ liệu khỏi học máy, như một nguyên tắc và là một phương pháp công nghệ.
Khoa học dữ liệu và học máy: Thuật ngữ rộng và hẹp
Trước hết, khoa học dữ liệu thực sự là một phạm trù công nghệ bao quát, bao quát nhiều loại dự án và sáng tạo khác nhau. (Để biết thêm về những gì liên quan đến công việc khoa học dữ liệu, hãy xem Vai trò công việc: Nhà khoa học dữ liệu.)
Khoa học dữ liệu về cơ bản là thực hành làm việc với dữ liệu lớn. Nó nổi lên như luật Moore Moore và sự phổ biến của các thiết bị lưu trữ hiệu quả hơn dẫn đến lượng dữ liệu khổng lồ được thu thập bởi các công ty và các bên khác. Sau đó, các nền tảng và công cụ dữ liệu lớn như Hadoop bắt đầu xác định lại tính toán bằng cách thay đổi cách quản lý dữ liệu hoạt động. Giờ đây, với điện toán đám mây và container cũng như các mô hình hoàn toàn mới, dữ liệu lớn đã trở thành động lực chính cho cách chúng ta làm việc và sinh sống.
Ở dạng đơn giản nhất, khoa học dữ liệu là cách chúng ta quản lý dữ liệu đó, từ làm sạch và tinh chỉnh dữ liệu đến đưa nó vào sử dụng dưới dạng hiểu biết.
Định nghĩa của học máy hẹp hơn nhiều. Trong học máy, các công nghệ lấy dữ liệu và đưa nó thông qua các thuật toán, để mô phỏng các quá trình nhận thức của con người được mô tả là học tập. Nói cách khác, khi lấy dữ liệu và đào tạo về nó, máy tính có thể cung cấp kết quả của riêng mình , nơi mà công nghệ dường như đã học được từ các quy trình mà các lập trình viên đưa ra.
Khoa học dữ liệu và bộ kỹ năng học máy
Một cách khác để đối chiếu khoa học dữ liệu và học máy là xem xét các kỹ năng khác nhau có giá trị nhất đối với các chuyên gia trong một trong các lĩnh vực này.
Không lỗi, không căng thẳng - Hướng dẫn từng bước của bạn để tạo ra phần mềm thay đổi cuộc sống mà không phá hủy cuộc sống của bạn
Bạn không thể cải thiện kỹ năng lập trình của mình khi không ai quan tâm đến chất lượng phần mềm.
Có một sự đồng thuận chung rằng các nhà khoa học dữ liệu được hưởng lợi từ các kỹ năng phân tích và toán học sâu sắc, kinh nghiệm thực hành với các công nghệ cơ sở dữ liệu và kiến thức về các ngôn ngữ lập trình như Python hoặc các gói khác được sử dụng để phân tích dữ liệu lớn.
Bất cứ ai, người quan tâm đến việc xây dựng một sự nghiệp mạnh mẽ trong (khoa học dữ liệu) nên đạt được các kỹ năng chính trong ba bộ phận: phân tích, lập trình và kiến thức về miền, nhiệt tình viết Srihari Sasikumar tại Simplilearn. Đi sâu hơn một cấp, các kỹ năng sau đây sẽ giúp bạn tìm ra một nhà khoa học dữ liệu thích hợp: Kiến thức vững chắc về Python, SAS, R (và) Scala, kinh nghiệm thực hành về mã hóa cơ sở dữ liệu SQL, khả năng làm việc với dữ liệu phi cấu trúc từ nhiều nguồn khác nhau như video và phương tiện truyền thông xã hội, hiểu nhiều chức năng phân tích (và) kiến thức về học máy.
Về phía máy học, các chuyên gia thường trích dẫn các kỹ năng mô hình hóa dữ liệu, kiến thức xác suất và thống kê và các kỹ năng lập trình rộng hơn là các công cụ hữu ích trong bộ công cụ máy học kỹ sư máy.
Làm thế nào để phát hiện ra máy học
Chìa khóa ở đây là tất cả mọi thứ bao gồm công việc khoa học dữ liệu, nhưng nó không học máy trừ khi bạn có một chế độ rất nghiêm ngặt được thiết lập để giúp máy tính học hỏi từ đầu vào của nó.
Khi đó là đúng chỗ, nó làm cho một số hệ thống có khả năng đáng ngạc nhiên có thể có tác động rộng lớn đến cuộc sống của chúng ta.
Phần lớn những gì chúng ta làm với học máy xảy ra bên dưới bề mặt, người sáng lập của Amazon Amazon, Jeff Bezos đã nói rằng, chỉ ra một số ứng dụng của các loại hệ thống này. Học máy Máy điều khiển các thuật toán của chúng tôi để dự báo nhu cầu, xếp hạng tìm kiếm sản phẩm, khuyến nghị sản phẩm và giao dịch, vị trí bán hàng, phát hiện gian lận, dịch thuật, và nhiều hơn nữa. Mặc dù ít nhìn thấy hơn, phần lớn tác động của học máy sẽ thuộc loại này - lặng lẽ nhưng có ý nghĩa cải thiện các hoạt động cốt lõi.
Một trong những ví dụ hữu ích nhất ở đây là sự xuất hiện của mạng lưới thần kinh - đó là một phương pháp phổ biến và phổ biến để thiết lập các quy trình học máy.
Ở dạng cơ bản nhất, mạng lưới thần kinh bao gồm các lớp tế bào thần kinh nhân tạo. Mỗi nơ-ron nhân tạo riêng lẻ có chức năng tương đương với một nơ-ron sinh học - nhưng thay vì các khớp thần kinh và đuôi gai, nó có đầu vào, chức năng kích hoạt và đầu ra cuối cùng.
Mạng lưới thần kinh được tạo ra để hoạt động như một bộ não con người và các chuyên gia học máy thường sử dụng mô hình này để tạo ra kết quả học máy.
Tuy nhiên, đó không phải là cách duy nhất để học máy. Một số dự án máy học thô sơ hơn chỉ đơn giản bao gồm hiển thị cho máy tính một loạt các bức ảnh (hoặc cung cấp cho nó dữ liệu thô khác), đưa ý tưởng thông qua quá trình sử dụng dữ liệu máy học và nhãn được giám sát và cuối cùng máy tính có thể phân biệt được hình dạng khác nhau hoặc các mặt hàng trong một lĩnh vực hình ảnh. (Để biết những điều cơ bản về học máy, hãy xem Machine Learning 101.)
Hai môn học tiên tiến
Tóm lại, học máy là một phần có giá trị của khoa học dữ liệu. Nhưng khoa học dữ liệu đại diện cho biên giới vaster và con lừa trong đó học máy diễn ra.
Theo một cách nào đó, bạn có thể nói rằng học máy sẽ không bao giờ xảy ra nếu không có dữ liệu lớn. Mặc dù vậy, dữ liệu lớn đã không tạo ra máy học - thay vào đó, sau khi chúng tôi tổng hợp quá nhiều dữ liệu đến nỗi chúng tôi gần như không biết phải làm gì với nó, những người có đầu óc đã nghĩ ra các quy trình mô phỏng sinh học này như một cách siêu tăng áp cung cấp cái nhìn sâu sắc.
Một điều tốt khác cần ghi nhớ ở đây là khoa học dữ liệu có thể được áp dụng theo hai cách chính - chúng ta có thể nắm bắt việc học máy và trí tuệ nhân tạo, để máy tính nghĩ cho chúng ta hoặc chúng ta có thể đưa khoa học dữ liệu trở lại phương pháp lấy con người làm trung tâm hơn máy tính chỉ đơn giản là trình bày kết quả và chúng ta là con người đưa ra quyết định.
Điều đó dẫn đầu một số chuyên gia, bao gồm một số nhà cải tiến hàng đầu hiện nay, để kêu gọi một kế toán sôi nổi hơn về cách chúng ta sử dụng các công nghệ này.
"(AI) có khả năng lớn hơn hầu hết mọi người biết và tốc độ cải thiện là theo cấp số nhân, ED Elon Musk đã được trích dẫn khi nói, trong khi cảnh báo rằng các chương trình học máy và AI cần có sự giám sát.
Trong mọi trường hợp, cả khoa học dữ liệu và học máy đều là những phần cốt lõi của tiến bộ mà xã hội chúng ta đang tạo ra trong công nghệ ngày nay.