Зміст
- Різні визначення, різноманітні обов'язки
- Ні помилок, ні стресу - покроковий посібник зі створення програмного забезпечення, що змінює життя, не руйнуючи ваше життя
- Навички науковця даних
Джерело: Сергій Хакімуллін / iStockphoto
Винос:
Дані вчених мають широкі робочі місця, які значно залежать від програми. Але одне їх спільне - прагнення добре використовувати дані.
Що робить науковець у галузі штучного інтелекту та машинного навчання? Багато професіоналів, які щодня займаються подібними проектами, скажуть, що на це питання важко відповісти просто. Кращим питанням буде: Що дані НЕ роблять вчені?
Науковець даних є невід'ємною частиною процесу AI або ML, в тому сенсі, що всі ці проекти залежать від великих даних або складних даних. Науковець даних - це найважливіший кар'єрист, який знає, як працювати з даними для отримання результатів.
Однак є кілька способів поговорити про те, що робить вчений, які кваліфікації йому потрібні та яка його роль у цьому процесі.
Прочитайте: 6 ключових концепцій науки про дані, якими ви можете оволодіти через онлайн-навчання
Різні визначення, різноманітні обов'язки
Багато експертів, які описують роботу науковця даних, про це говорять у широкому розумінні.
"У малих компаніях або під час роботи на новому ринку роль науковця полягає в перетворенні відносно нових (але очевидних) джерел даних у речі, які вирішують проблему для кінцевого споживача, що раніше не було б можливим, там, де використовувані технології не існували », - каже Антоніо Хікс, менеджер з обліку в Mercury Global Partners. "Ідеальний кандидат - це той, хто є математиком, частина програмного інженера та частина підприємця".
Інші повторюють цю основну ідею, згадуючи, які дані потрібні вченим для вирішення модельних проектів.
"Найважливіший атрибут, який потребує науковця даних, - це глибока цікавість до навколишнього світу - чи вони відповідають на питання, чи будують моделі, ключовим є бажання зрозуміти проблему перед ними", - каже Ерін Акінчі, менеджер з питань даних в Асані. «Звідси більшість людей потребуватимуть навичок математики та програмування для пошуку рішень, але конкретні види математики та програмування сильно різняться залежно від сфери знань у галузі наукових даних».
Ні помилок, ні стресу - покроковий посібник зі створення програмного забезпечення, що змінює життя, не руйнуючи ваше життя
Ви не можете покращити свої навички програмування, коли ніхто не піклується про якість програмного забезпечення.
"Відмінна наукова робота має більше стосунку до того, як вчений думає про проблему, ніж інструментів, які вони використовують для її вирішення", - додає Чарлі Бургойн, засновник і генеральний директор компанії Valkyrie Intelligence. Valkyrie - прикладна науково-консалтингова компанія, яка займає вражаючі проекти під своїм крилом, такі як Марк I, спеціалізований мережевий прилад, що сприяє навчанню та тестуванню нейронних мереж, покращуючи те, що можливо за допомогою попередніх хмарних платформ машинного навчання.
"Ринок вимагає від науковців, які знають досвід розробки Python, дизайн нейронної мережі та можливість переробити сховище даних в новітню архітектуру баз даних", - говорить Бургойн. "Однак ці можливості є ставкою для талановитого вченого. Що менш очевидно - це здатність вченого до нестримної цікавості, агресивної винахідливості та прихильності до наукового методу ».
Навички науковця даних
Що стосується набору практичних навичок, то вченим для даних потрібна певна креативність та кмітливість, наскільки моделює. Вони також можуть отримати велику користь від «жорстких навичок», таких як кодування досвіду в Python, C ++ або інших поширених мовах, застосованих до проектів ML.
"Python та C ++ є важливими і здатні поєднувати навички кодування з аналізом та обробкою даних, а статистика - це основні навички, завдяки яким науковець може виділятися як сильний кандидат чи працівник", - каже Валь Стрейф з Pramp, онлайн-платформи зйомки інтерв'ю для програмних інженерів, розробників та науковців даних. "Хоча за деякими навичками програмування можна потурбуватися, з'єднавши науковця з даними розробника, набагато простіше, якщо у вас є обидва вміння, поєднані в одному, з точки зору компанії."
Інші експерти додають до списку R, Hadoop, Spark, Sas та Java, а також такі технології, як Tableau, Hive та MATLAB.
Усі вони створюють вражаюче резюме, але деякі з тих, хто має досвід підбору даних, вчені кажуть, що і інші "людські" сторони теж мають значення. (Одним із типів даних є науковець з даних про громадянина. Дізнайтеся більше у ролі вчених про дані громадян у світі великих даних.)
"Традиційно люди з різноманітною ліберальною освітою в галузі мистецтв роблять чудових науковців даних", - говорить Бургойн, роблячи різницю між інженерами, які перебувають на будівництві, та науковцями, які можуть бути набагато концептуальнішими. Він продовжує:
Експертиза в традиційній галузі STEM з додатковим фокусом у галузі гуманітарних наук, мистецтв чи бізнесу дає ті якості, які є відмінним науково-орієнтованим вченим. Потрібно сказати, що це так само важливо для організації здатність використовувати ці якості та продуктивно формувати їх запал та методи. Я помічав, що коли ініціатива з інформатики не вдається, організація може бути такою ж винною, як і вчені. Вчені не інженери. Вони не спонукаються до виконання та будівництва. Їх спонукають відкривати і розуміти. Організації, які розуміють цю різницю, добре винагороджуються за обробку обох полів.
Що стосується того, до чого зазвичай застосовуються вчені, то це стосується основних цілей компанії. Деякі фірми переслідують децентралізований Інтернет - деякі розмовляють з IoT або SaaS. Інші намагаються піонерським "зручним для користувачів" або "етичним" або "прозорим" ШІ.
У будь-якому випадку, науковці даних, ймовірно, зможуть подолати розрив між твердими показниками на даних, які вони використовують, незалежно від того, в якій технології вони будуть відтворені, та вільною роботою щодо концептуалізації функціональності AI / ML.
"Ми наймаємо науковців для управління збиранням та очищенням даних, а також для перекладу цих даних у значущу інформацію", - каже Майкл Хапп, менеджер з наукових даних та аналітики G2 Crowd. Він розробляє:
Зазвичай це означає керувати будь-якими важливими алгоритмами, керуючи механізмом передачі даних компанії та вільно володіючи ключовими інструментами та мовами аналітики, але останніми роками також включаються нові сфери, такі як обробка природних мов, машинне навчання, інші форми аналізу з підтримкою ШІ. Найуспішнішими науковцями даних є ті, хто поєднує свої важкі навички зі здатністю до швидкого навчання та вміння ефективно передавати інформацію, яку вони розкривають, щоб вони мали значення для свого бізнесу.
Завдяки цим типам розуміння молодим фахівцям або студентам простіше зрозуміти, чи буде вчений для даних добре для них, і як набути навичок. Навчання STEM стає все доступнішим у школах по всій країні, але пристрасті до кодування та технологій, а також здатності вчитися на лету не можуть замінити.