¿Cuánto importa el aprendizaje automático en ciencia de datos?

Gracias por a2a

El aprendizaje automático es un subconjunto de la ciencia de datos. Antes de profundizar en el vínculo entre la ciencia de datos y el aprendizaje automático, analicemos brevemente el aprendizaje automático y el aprendizaje profundo. El aprendizaje automático es un conjunto de algoritmos que se entrenan en un conjunto de datos para hacer predicciones o tomar medidas con el fin de optimizar algunos sistemas. Por ejemplo, los algoritmos de clasificación supervisada se utilizan para clasificar a los clientes potenciales en perspectivas buenas o malas, a los fines del préstamo, con base en datos históricos. Las técnicas involucradas, para una tarea dada (por ejemplo, agrupación supervisada), son variadas: ingenuas Bayes, SVM, redes neuronales, conjuntos, reglas de asociación, árboles de decisión, regresión logística o una combinación de muchas. Todo esto es un subconjunto de la ciencia de datos. Cuando estos algoritmos están automatizados, como en el pilotaje automatizado o en los automóviles sin conductor, se llama IA y, más específicamente, aprendizaje profundo. Para otro artículo que compara el aprendizaje automático con el aprendizaje profundo. Si los datos recopilados provienen de sensores y si se transmiten a través de Internet, entonces se trata de aprendizaje automático o ciencia de datos o aprendizaje profundo aplicado a IoT.

Y el aprendizaje automático y las estadísticas son parte de la ciencia de datos. La palabra aprendizaje en aprendizaje automático significa que los algoritmos dependen de algunos datos, utilizados como un conjunto de entrenamiento, para ajustar algunos parámetros del modelo o algoritmo. Esto abarca muchas técnicas, como la regresión, la ingenua Bayes o la agrupación supervisada. Pero no todas las técnicas encajan en esta categoría. Por ejemplo, la agrupación no supervisada, una técnica estadística y de ciencia de datos, tiene como objetivo detectar agrupaciones y estructuras de agrupación sin ningún conocimiento previo o conjunto de capacitación para ayudar a la clasificación de algoritmos. Se necesita un ser humano para etiquetar los grupos encontrados. Algunas técnicas son híbridas, como la clasificación semi-supervisada. Algunas técnicas de detección de patrones o de estimación de densidad encajan en esta categoría.

Sin embargo, la ciencia de datos es mucho más que aprendizaje automático. Los datos, en la ciencia de los datos, pueden provenir o no de una máquina o un proceso mecánico (los datos de la encuesta pueden recopilarse manualmente, los ensayos clínicos involucran un tipo específico de datos pequeños) y puede que no tenga nada que ver con el aprendizaje, como acabo de comentar. Pero la principal diferencia es el hecho de que la ciencia de datos cubre todo el espectro del procesamiento de datos, no solo los aspectos algorítmicos o estadísticos. En particular, la ciencia de datos también cubre

• integración de datos
• arquitectura distribuida
• automatizar el aprendizaje automático
• Visualización de datos
• tableros y BI
• ingeniería de datos
• despliegue en modo de producción
• decisiones automatizadas basadas en datos

El aprendizaje automático es un término mucho más claramente definido y estandarizado que Data Science, por lo que varía según la empresa y el contexto.

El aprendizaje automático se interpreta más comúnmente como métodos estadísticos para aproximar una función que tiene una distribución subyacente verdadera. Muchas de las palabras en esta definición se refieren a estructuras matemáticas concretas con definiciones formales. Mientras tanto, Data Science es un término acuñado recientemente (2008), destinado principalmente a reclutar personas con un fondo mixto de análisis / ingeniería para Facebook y LinkedIn.

En mi tiempo en la industria, he visto a científicos de datos referirse a:

• Un nuevo graduado de estadísticas que tiene una gran comprensión de las estadísticas pero no puede escribir código limpio como un ingeniero puede y no ha hecho ninguna ingeniería de características.
• Un ingeniero que piratea un sistema de ML para hacer algo.
• Alguien que se ocupa principalmente de análisis de negocios.
• Alguien con una sólida comprensión de las estadísticas, el aprendizaje automático aplicado y la ingeniería.
• etc.

Entonces, cuando escucho el término “científico de datos”, siempre me aseguro de obtener respuestas a las siguientes preguntas:

• ¿Qué tipo de código se espera que los científicos de datos escriban aquí?
• ¿Cuánto aprendizaje práctico hacen los científicos de datos aquí?
• ¿Qué tipo de antecedentes en estadísticas se espera que tenga el equipo?

El aprendizaje automático es un subcampo de la informática que evolucionó a partir del estudio del reconocimiento de patrones y la teoría del aprendizaje computacional en inteligencia artificial. El aprendizaje automático explora el estudio y la construcción de algoritmos que pueden aprender y hacer predicciones sobre los datos.

Las herramientas de análisis tradicionales no son adecuadas para capturar el valor total de big data.

El volumen de datos es demasiado grande para un análisis exhaustivo, y el rango de posibles correlaciones y relaciones entre fuentes de datos dispares, desde bases de datos de clientes finales hasta transmisiones de clics basadas en web en vivo, es demasiado grande para que cualquier analista pruebe todas las hipótesis y derive todas las valor enterrado en los datos.

Los métodos analíticos básicos utilizados en inteligencia empresarial y herramientas de informes empresariales se reducen a sumas de informes, recuentos, promedios simples y consultas SQL en ejecución. El procesamiento analítico en línea es simplemente una extensión sistematizada de estos análisis básicos que aún dependen de un ser humano para dirigir las actividades que especifican lo que debe calcularse.

El aprendizaje automático es ideal para explotar las oportunidades ocultas en big data.

Cumple la promesa de extraer valor de fuentes de datos grandes y dispares con una dependencia mucho menor de la dirección humana. Se basa en datos y funciona a escala de máquina. Se adapta bien a la complejidad de tratar con fuentes de datos dispares y la gran variedad de variables y cantidades de datos involucrados. Y a diferencia del análisis tradicional, el aprendizaje automático prospera en el crecimiento de los conjuntos de datos. Cuantos más datos se introducen en un sistema de aprendizaje automático, más puede aprender y aplicar los resultados a conocimientos de mayor calidad.

Liberado de las limitaciones del pensamiento y análisis a escala humana, el aprendizaje automático puede descubrir y mostrar los patrones enterrados en los datos.

Siempre puede ingresar a Data Science asistiendo a un instituto de Big Data Analytics, Data Science Courses.
Imarticus es uno de esos institutos que ofrece cursos de ciencia de datos en India. Este es un curso corto. Obtenga más información sobre nuestro curso: Data Science Prodegree

A medida que avanzamos hacia el futuro y construimos máquinas más inteligentes para nosotros, aumentaremos la cantidad de datos que generamos. Además, el floreciente mundo de Internet de las cosas que conecta las máquinas entre sí será otro motor de crecimiento para el aprendizaje automático. No habrá industria que no se beneficie o aproveche este crecimiento masivo en minería de datos y análisis. No hace falta decir que esto será impulsado principalmente por máquinas.

Entonces, para responder a su pregunta, debería decir que el aprendizaje automático será la columna vertebral de la ciencia de datos.

Desde las empresas hasta el comprador de sus productos o servicios, el aprendizaje automático y la ciencia de datos beneficiarán a todos en el ecosistema. Con el tipo de datos que genera cada uno de nosotros a través de nuestros dispositivos inteligentes, todos los proveedores de servicios relevantes realizan un seguimiento y eso a su vez les permite personalizar sus ofertas y permitir un producto o servicio más amigable para el cliente.

Las afirmaciones hechas por gigantes tecnológicos globales dicen que todos los días se genera una gran cantidad de datos a través de los dispositivos inteligentes y que muchos de estos son limpiados y analizados por las partes interesadas a diario. Por lo tanto, en los próximos días, es evidente que el aumento en el número de dispositivos más inteligentes y una mayor demanda de científicos de datos tienen sentido a partir de estos datos en bruto.

Espero haber respondido tu pregunta. Puede visitar esta página para mantenerse actualizado sobre lo último en el mundo de la ciencia de datos y cómo está transformando nuestra existencia y la forma de interpretar las cosas gradualmente.

Mucho.

Si bien la ciencia de datos se trata de usar estadísticas, álgebra lineal y métodos de optimización, todos estos se unen en el aprendizaje automático. Entonces, si está haciendo ciencia de datos y está considerando hacer una carrera en ella, el conocimiento de los métodos comunes de aprendizaje automático como la clasificación, la agrupación y la regresión es una expectativa común de la mayoría de los empleadores.

Debe considerar el aprendizaje automático de un estudio y un conjunto de habilidades para aplicar en la ciencia de datos. Puede utilizar la investigación y el conocimiento en el aprendizaje automático, especialmente en lo que respecta a la computadora. Esto incluye algoritmos, garantías de complejidad o rendimiento en la máquina. Pero un científico de datos tiene responsabilidades que difieren de las de alguien que solo trabaja como ingeniero de aprendizaje automático.

Depende de los requisitos. Supongamos que si queremos construir un motor de recomendación necesitamos aprendizaje automático y algunas tecnologías más aquí no están incluidas en la ciencia de datos. De hecho, la ciencia de datos no se puede definir. Pero una ciencia de datos puede cubrir temas como aprendizaje automático, ETL, análisis de datos, minería de datos, almacenamiento de datos, etc.

Machine Learning es parte de Data Science. Como dice el término, la ciencia relacionada con los datos.