¿Son el aprendizaje automático / aprendizaje profundo / ciencia de datos, realmente ciencia espacial para que un tipo promedio entienda e implemente?

Hola:

El análisis de datos es el arte y la ciencia de extraer información procesable a partir de los datos .

Análisis de datos + Conocimiento empresarial = Creación de impacto / valor para el negocio.

No es ciencia espacial, pero es compleja ya que es de naturaleza multidisciplinaria. Sin embargo, si uno sigue un enfoque sistemático para aprender y aplicar las habilidades de la ciencia de datos, ¡ cualquiera puede hacerlo!

Las siguientes son las habilidades clave requeridas para que uno tenga éxito como Data Scientist-

1. Amor por los números y las cosas cuantitativas.
2. Grit para seguir aprendiendo
3. Alguna experiencia en programación (ya tienes)
4. Enfoque de pensamiento estructurado
5. Pasión por resolver problemas
6. Voluntad de aprender conceptos estadísticos.

La ciencia de datos requiere la comprensión de las estadísticas, la programación, las matemáticas, el conocimiento del dominio comercial, el aprendizaje automático, etc.… Según Gartner, las siguientes son las habilidades únicas que se requieren para ser un científico de datos exitoso.

La resolución analítica de problemas implica seguir pasos generales:

1. Comprender el problema comercial que estamos tratando de resolver
2. Obtenga y prepare los datos para resolver el problema comercial.
3. Realice minería de datos, análisis estadístico, aprendizaje automático, etc. para construir modelos y paneles
4. Dibuja ideas y crea mazos / visualizaciones
5. Compartir y convencer a los interesados

En términos generales, los científicos de datos y los profesionales de análisis intentan responder las siguientes preguntas a través de su análisis:

1. Análisis descriptivo (¿Qué ha pasado?)
2. Análisis de diagnóstico (¿Por qué ha sucedido?)
3. Análisis predictivo (¿Qué puede suceder en el futuro?)
4. Análisis prescriptivo (¿Qué plan de acción debemos seguir?)

Espero que esto ayude.

¡Salud!

Descargo de responsabilidad: Las opiniones expresadas aquí son únicamente las del escritor en su capacidad privada.

El término “aprendizaje automático” suena como una jerga en estos días. Pero es tan simple como a continuación.

Espero que todos hayan estudiado la función matemática básica en su escuela secundaria.

f (x) = y.

Cuando te doy la entrada xy la salida y,

x = 1, y = 1

x = 2, y = 4

x = 3, y = 9

x = 4, y = 16 y así sucesivamente …

Puede descubrir fácilmente que la función f (x) es x * x. Pero la mayoría de las funciones del mundo real no son tan sencillas como esta. Ahí es donde el aprendizaje automático entra en rescate.

El aprendizaje automático / Aprendizaje profundo se trata de encontrar la función dorada f (x) , donde intenta mapear correctamente las x e y dadas.

Y lo interesante es que las x y las y podrían ser sonido, imagen, texto, etc. Es por eso que encuentras aprendizaje automático en todas partes.

No lo creo. Si eres bueno en el diseño de algoritmos y el análisis estadístico (o al menos en matemáticas de ingeniería), entonces es algo fácil de aprender ML / DS. El aprendizaje de ML / DS no es similar al marco de aprendizaje como Spring o Node.js, etc. El tiempo de aprendizaje puede ser más largo de lo habitual. Si no eres bueno en el análisis estadístico u optimización, entonces es mejor ser parte del ciclo de vida de la ciencia de datos, pero en un rol no profesional de ML como Ingeniero de Datos, Analista de Negocios, Ingeniero de Infraestructura, etc. Puedes encontrar muchos recursos en línea como ML MOOC en Coursera o Udacity, cartas de noticias como ds_machina, elixir de datos, nuit-blanche (blog), etc. Puede seguir la hoja de ruta diseñada por Metacademy. Muchas herramientas (scikit-learn o H2O, etc.) están disponibles donde estos algoritmos ya están implementados en Python, Java, etc. o en implementaciones de bajo nivel como Tensorflow o Theano si desea practicar desde cero con GPU.

Jajaja 😀 absolutamente no. ¡Machine Learning no es ciencia espacial o Feynman, cálculo de Schwinger! Para comprender el aprendizaje automático teóricamente, necesita conocimientos de teoría y estadística de probabilidad y cálculo estocástico. El aprendizaje automático es un tema de mucha expectación debido a sus oportunidades de trabajo y su gran aplicación. Pero es muy divertido trabajar en Machine Learning y es matemáticamente intenso. Implementar el algoritmo ML en Programación es un trabajo muy desafiante.

Depende de lo que significa “chico promedio” y “entender”.

Si comprende bien las estadísticas de nivel de graduación, conoce un par de lenguajes de programación (Python Java), puede usar R / SAS, puede escribir sql decente … supongo que le irá bien con un poco de retención por un tiempo. La mayor parte del trabajo está en la limpieza y transformación de datos. El desarrollo y la validación reales del modelo son bajos en cantidad pero de alta calidad en recursos y experiencia.

Agregue un poco de visualización (cuadro, d3.js, kibana) y buena computación distribuida (hadoop, spark) y habilidades matemáticas de nivel de posgrado, será bastante bueno para la mayoría de los proyectos.

Para una mente motivada, ninguna disciplina de conocimiento y sabiduría es difícil. El problema es tener la motivación. Y, la vida es corta y la lista de tareas pendientes es larga.

Apuntar + preguntar + actuar + esperar = lograr. (Luis Pasteur)

No, no es. Solo necesita comprender los conceptos de matemáticas, estadísticas y ciencias de la computación. Una vez que los obtenga, podrá comprender fácilmente los algos de ML.

No es la ciencia de los cohetes, pero tener conocimientos de matemática y estadística con conocimiento de dominio conquistará el concepto poco rápido.

No, hasta ahora la persona promedio puede tener una comprensión completa de los conceptos básicos de ML y mejorar continuamente.

Tal vez sí, pero podría ser fácil si tienes un conocimiento sólido de matemáticas y estadísticas