Copiando de una de mis respuestas anteriores,
Concentrémonos en Data Science y Machine Learning por ahora.
- ¿Cuáles son los principales tipos diferentes de diagramas de flujo?
- ¿Es Ruby un buen lenguaje para la ciencia de datos?
- ¿Cuáles son los requisitos previos para aprender Hadoop y big data en master of science para nosotros?
- ¿Cuál es el mejor lenguaje de programación para la ciencia de datos?
- ¿Qué es ciudadano de datos?
Del diagrama es obvio que el aprendizaje automático y la ciencia de datos / análisis de datos no se excluyen mutuamente.
Tomemos un enfoque práctico (no técnico) con ejemplos para comprender y apreciar ambos.
Ciencia de datos / Análisis de datos
Advertencia justa, este es un campo demasiado amplio para contener en una sola explicación. Dicho esto, la siguiente definición captura la mayor parte del alcance. ” La ciencia de datos es obtener información procesable de los datos “. Los datos que tratamos pueden ser datos históricos o datos en tiempo real. Las ideas procesables son importantes, porque al final, cada proyecto de análisis de datos se realiza con el objetivo de facilitar el proceso de toma de decisiones. Cualquier cosa que ayude a facilitar el proceso de toma de decisiones es una visión procesable.
Ejemplos
- Proporcionar a un CEO un tablero integral para monitorear el desempeño del mercado de un nuevo producto, mediante la visualización de datos de ventas.
- Predecir las ventas del nuevo producto en el próximo trimestre. (este caso es interesante, lo exploraremos más a fondo)
Aprendizaje automático : en el segundo ejemplo, un experto en el mercado con sus años de experiencia podrá predecir las ventas con una precisión considerable. Este fue nuestro enfoque para el pronóstico y la predicción antes del inicio del aprendizaje automático. El aprendizaje automático permite que las computadoras (máquinas) realicen exactamente la misma tarea. El aprendizaje automático se puede considerar como una colección de técnicas que permiten a las computadoras realizar tareas especializadas , tareas que no se pueden describir con comandos explícitos. Resulta que las máquinas tienen el poder computacional para superar la experiencia humana en muchas de las tareas. Ahora ya sabe por qué cada empresa está utilizando análisis de datos y aprendizaje automático en su proceso de toma de decisiones, en lugar de confiar únicamente en la experiencia humana.
Ejemplos
- Nuestro ejemplo anterior, que predice las ventas de un producto, es uno de los casos de uso más comunes del aprendizaje automático denominado modelado predictivo.
- Clasificación de imágenes: las fotos de Google pueden identificar los objetos en una imagen e incluso la ocasión en que se tomó la imagen. Explore Computer Vision para saber más.
Similitudes : hay muchas tareas, por ejemplo, modelos predictivos, que involucran tanto el análisis de datos como el aprendizaje automático. El análisis de datos se realiza para limpiar, transformar los datos y extraer la información correcta de los datos (ingeniería de características) para ingresarlos en la técnica de aprendizaje automático. El modelo de aprendizaje automático realiza la tarea experta en la entrada, en caso de modelado predictivo para predecir un valor o clasificar cada registro de entrada.
Diferencias : en ambos campos hay algunos casos en los que la participación del otro es mínima. Por ejemplo, nuestro primer ejemplo de paneles de control no involucra el aprendizaje automático, porque no involucra ninguna tarea experta. Del mismo modo, nuestro último ejemplo de visión por computadora, tiene una participación mínima de análisis de datos y gran parte del aprendizaje automático (redes neuronales leídas).
Esta explicación es genérica, pero proporciona información suficiente para que podamos profundizar en cada uno de estos campos.
Ahora, si se está preguntando acerca del poder computacional que mencioné para manejar los datos, su mente se ha topado con el otro componente principal en nuestro diagrama, Big Data.
¡Seguir explorando! ¡Buena suerte!
Imagen cortesía de Google Images
