NộI Dung
- Định nghĩa đa dạng, Nhiệm vụ đa dạng
- 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
- Kỹ năng của một nhà khoa học dữ liệu
Nguồn: Serge Khakimullin / iStockphoto
Lấy đi:
Các nhà khoa học dữ liệu có nhiều công việc khác nhau, ứng dụng này thay đổi đáng kể. Nhưng một điểm chung của tất cả chúng là ổ đĩa để sử dụng tốt dữ liệu.
Một nhà khoa học dữ liệu làm gì trong trí tuệ nhân tạo và máy học? Rất nhiều chuyên gia giải quyết các loại dự án này mỗi ngày sẽ nói rằng câu hỏi này rất khó trả lời đơn giản. Một câu hỏi tốt hơn sẽ là: Các nhà khoa học dữ liệu KHÔNG làm gì?
Một nhà khoa học dữ liệu là không thể thiếu đối với quy trình AI hoặc ML, theo nghĩa là tất cả các dự án này phụ thuộc vào dữ liệu lớn hoặc đầu vào phức tạp. Nhà khoa học dữ liệu là nhà chuyên môn thiết yếu, người biết cách làm việc với dữ liệu để tạo ra kết quả.
Tuy nhiên, có một số cách để nói về những gì một nhà khoa học dữ liệu làm, những bằng cấp mà anh ta hoặc cô ta cần và vai trò của anh ta hoặc cô ta trong quá trình này.
Đọc: 6 khái niệm khoa học dữ liệu quan trọng bạn có thể làm chủ thông qua học tập trực tuyến
Định nghĩa đa dạng, Nhiệm vụ đa dạng
Nhiều chuyên gia mô tả công việc của một nhà khoa học dữ liệu nói về nó theo nghĩa rộng.
Tại các công ty nhỏ hoặc khi làm việc ở một thị trường mới, vai trò của nhà khoa học dữ liệu là chuyển đổi các nguồn dữ liệu tương đối mới (nhưng rõ ràng) thành công cụ giải quyết vấn đề cho người dùng cuối, điều mà trước đây không thể có được, trước đây, nơi mà các công nghệ được sử dụng không tồn tại, thì nói, ông Hicks, Giám đốc tài khoản tại Mercury Global Partners. Ứng cử viên lý tưởng là một người là nhà toán học, kỹ sư phần mềm và doanh nhân.
Những người khác lặp lại ý tưởng cơ bản này, đề cập đến những gì các nhà khoa học dữ liệu cần để giải quyết các dự án mô hình hóa.
Erin Akinci, Giám đốc khoa học dữ liệu cho biết, thuộc tính quan trọng nhất mà một nhà khoa học dữ liệu cần là sự tò mò sâu sắc về thế giới xung quanh - cho dù họ đang trả lời các câu hỏi hoặc xây dựng mô hình, mong muốn hiểu vấn đề trước mặt họ là chìa khóa. tại Asana Từ đó, hầu hết mọi người sẽ yêu cầu các kỹ năng về toán học và lập trình để tìm giải pháp, nhưng các loại toán học và lập trình cụ thể khác nhau tùy thuộc vào lĩnh vực chuyên môn trong khoa học dữ liệu.
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.
Công trình khoa học tuyệt vời có liên quan nhiều đến cách suy nghĩ của một nhà khoa học về một vấn đề, hơn là các công cụ họ sử dụng để giải quyết vấn đề đó, Martin nói thêm Charlie Burgoyne, người sáng lập và CEO của Valkyrie Intelligence. Valkyrie là một công ty tư vấn khoa học ứng dụng với các dự án ấn tượng dưới cánh của nó như Mark I, một thiết bị mạng chuyên dụng giúp tăng cường đào tạo và thử nghiệm mạng thần kinh, cải thiện những gì có thể với các nền tảng học máy dựa trên đám mây trước đó.
Phần mềm thị trường đòi hỏi các nhà khoa học thành thạo phát triển Python, thiết kế mạng thần kinh và khả năng định hình lại kho lưu trữ dữ liệu thành kiến trúc cơ sở dữ liệu mới nhất, theo ông Burg Burgoyne. Tuy nhiên, những khả năng đó là tiền cược cho một nhà khoa học tài năng. Điều ít rõ ràng hơn là một nhà khoa học, năng khiếu về sự tò mò, sự khéo léo và sự tuân thủ phương pháp khoa học.
Kỹ năng của một nhà khoa học dữ liệu
Vì vậy, theo như các bộ kỹ năng thực tế, các nhà khoa học dữ liệu cần một số lượng sáng tạo và hiểu biết về mô hình. Họ cũng có thể hưởng lợi khá nhiều từ việc có các kỹ năng cứng của Cameron, chẳng hạn như trải nghiệm mã hóa bằng Python, C ++ hoặc các ngôn ngữ phổ biến khác được áp dụng cho các dự án ML.
Val Python và C ++ rất cần thiết và có thể kết hợp các kỹ năng mã hóa với phân tích và xử lý và thống kê dữ liệu là những kỹ năng cốt lõi sẽ khiến một nhà khoa học dữ liệu trở thành một ứng cử viên hoặc nhân viên mạnh mẽ, theo ông Stre Streif tại Pramp, một nền tảng phỏng vấn giả trực tuyến cho các kỹ sư phần mềm, nhà phát triển và nhà khoa học dữ liệu. Một trong số các kỹ năng lập trình có thể được chăm sóc bằng cách ghép đôi một nhà khoa học dữ liệu với một nhà phát triển, nó sẽ dễ dàng hơn nhiều nếu bạn có cả hai kỹ năng kết hợp trong một, từ quan điểm của một công ty.
Các chuyên gia khác thêm R, Hadoop, Spark, Sas và Java vào danh sách cũng như các công nghệ như Tableau, Hive và MATLAB.
Tất cả những người làm cho một bản lý lịch ấn tượng, nhưng một số người có kinh nghiệm với việc tuyển dụng các nhà khoa học dữ liệu nói rằng các vấn đề phụ của con người khác cũng vậy. (Một loại nhà khoa học dữ liệu là nhà khoa học dữ liệu công dân. Tìm hiểu thêm về Vai trò của các nhà khoa học dữ liệu công dân trong thế giới dữ liệu lớn.)
Theo truyền thống, các cá nhân có nền giáo dục nghệ thuật tự do đa dạng làm cho các nhà khoa học dữ liệu xuất sắc, theo ông Burg Burgoyne, tạo ra sự khác biệt giữa các kỹ sư, những người đứng về phía tòa nhà và nhà khoa học dữ liệu, công việc của họ có thể mang tính khái niệm hơn nhiều. Ông tiếp tục:
Chuyên môn trong một lĩnh vực STEM truyền thống với trọng tâm bổ sung trong các lĩnh vực nhân văn, nghệ thuật hoặc kinh doanh mang lại những phẩm chất làm nên một nhà khoa học định hướng công nghiệp xuất sắc. Phải nói rằng điều đó cũng quan trọng đối với khả năng của tổ chức để khai thác những phẩm chất đó và định hình sự nhiệt thành và phương pháp của họ một cách hiệu quả. Tôi đã quan sát thấy rằng khi một sáng kiến khoa học dữ liệu không thành công, tổ chức này cũng có khả năng thành thạo như các nhà khoa học. Các nhà khoa học không phải là kỹ sư. Họ không được thúc đẩy để thực hiện và xây dựng. Họ được thúc đẩy để khám phá và hiểu. Các tổ chức nắm bắt sự khác biệt này cũng được khen thưởng cho việc canh tác của cả hai lĩnh vực.
Đối với những gì các nhà khoa học dữ liệu thường áp dụng cho họ, điều đó phải làm với các mục tiêu cốt lõi của công ty. Một số công ty đang theo đuổi một mạng internet phi tập trung - một số đang chơi xung quanh với IoT hoặc SaaS. Những người khác đang cố gắng đi tiên phong và thân thiện với người dùng, người dùng, hay người có đạo đức và người dùng trong suốt.
Trong mọi trường hợp, các nhà khoa học dữ liệu có khả năng là cầu nối phân chia giữa các số liệu cứng trên dữ liệu họ sử dụng, trong bất kỳ công nghệ nào được sử dụng và công việc tự do khái niệm hóa chức năng AI / ML.
Michael Hupp, Giám đốc khoa học dữ liệu và phân tích dữ liệu tại G2 Crowd cho biết, chúng tôi thuê các nhà khoa học dữ liệu để quản lý việc thu thập và làm sạch dữ liệu, cũng như chuyển dữ liệu đó thành thông tin có ý nghĩa. Ông giải thích:
Thông thường, điều đó có nghĩa là quản lý bất kỳ thuật toán quan trọng nào điều khiển công cụ dữ liệu của công ty và thông thạo các công cụ và ngôn ngữ phân tích chính, nhưng trong những năm gần đây cũng bao gồm các lĩnh vực mới nổi như xử lý ngôn ngữ tự nhiên, học máy, các hình thức phân tích hỗ trợ AI khác. Các nhà khoa học dữ liệu thành công nhất là những người kết hợp các kỹ năng cứng của họ với khả năng học hỏi nhanh chóng và khả năng truyền đạt hiệu quả những hiểu biết mà họ phát hiện ra để chúng có ý nghĩa đối với doanh nghiệp của họ.
Với những loại hiểu biết này, các chuyên gia hoặc sinh viên trẻ dễ dàng tìm ra liệu nhà khoa học dữ liệu có phải là một vai trò tốt cho họ hay không và làm thế nào để có được kỹ năng. Việc học STEM đang trở nên dễ tiếp cận hơn ở các trường học trên cả nước, nhưng ở đó, không có sự thay thế nào cho niềm đam mê mã hóa và công nghệ và khả năng học hỏi nhanh chóng.