La parte más importante es la aplicación de Data Science, todo tipo de aplicaciones. Sí, has leído bien, todo tipo de aplicaciones, por ejemplo el aprendizaje automático.
La revolución de los datos
Alrededor del año 2010, con una gran cantidad de datos, hizo posible entrenar máquinas con un enfoque basado en datos en lugar de un enfoque basado en el conocimiento. Todos los artículos teóricos sobre redes neuronales recurrentes que soportan máquinas vectoriales se volvieron factibles. Algo que puede cambiar la forma en que vivimos, cómo experimentamos las cosas en el mundo. El aprendizaje profundo ya no es un concepto académico que se encuentra en un trabajo de tesis. Se convirtió en una clase de aprendizaje tangible y útil que afectaría nuestra vida cotidiana. Por lo tanto, el aprendizaje automático y la inteligencia artificial dominaron los medios eclipsaron todos los demás aspectos de la ciencia de datos, como el análisis exploratorio, las métricas, los análisis, ETL, la experimentación, las pruebas A/B y lo que tradicionalmente se denominaba inteligencia empresarial.
Ciencia de datos: la percepción general
Entonces, ahora, el público en general piensa en la ciencia de datos como investigadores centrados en el aprendizaje automático y la IA. Pero la industria está contratando científicos de datos como analistas. Entonces, hay una desalineación allí. La razón de la desalineación es que sí, la mayoría de estos científicos probablemente puedan trabajar en problemas más técnicos, pero las grandes empresas como Google, Facebook y Netflix tienen tantos frutos al alcance de la mano para mejorar sus productos que no necesitan adquirir más aprendizaje automático. o conocimiento estadístico para encontrar estos impactos en su análisis.
Un buen científico de datos no se trata solo de modelos complejos
Ser un buen científico de datos no se trata de cuán avanzados son sus modelos. Se trata de cuánto impacto puede tener en su trabajo. No eres un triturador de datos, eres un solucionador de problemas. Eres un estratega. Las empresas le darán los problemas más ambiguos y difíciles y esperan que guíe a la empresa en la dirección correcta.
El trabajo de un científico de datos comienza con la recopilación de datos. Esto incluye contenido generado por el usuario, instrumentación, sensores, datos externos y registro.
El siguiente aspecto del rol de un científico de datos es mover o almacenar estos datos. Esto implica el almacenamiento de datos no estructurados, flujo de datos confiables, infraestructura, ETL, canalizaciones y almacenamiento de datos estructurados.
A medida que avanza en el trabajo requerido para un científico de datos, el siguiente es transformar o explorar. Este conjunto particular de trabajo abarca la preparación, la detección de anomalías y la limpieza.
Lo siguiente en la jerarquía de trabajo de un científico de datos es la agregación y el etiquetado de datos. Este trabajo involucra Metris, análisis, agregados, segmentos, datos de entrenamiento y características.
El aprendizaje y la optimización forman el próximo conjunto de trabajo para los científicos de datos. Este conjunto de trabajo incluye algoritmos simples de aprendizaje automático, pruebas A/B y experimentación.
En la parte superior del conjunto se encuentra el trabajo más complejo de los científicos de datos. Consiste en Inteligencia Artificial y Aprendizaje Profundo,
Todo este esfuerzo de ingeniería de datos es muy importante y no se trata solo de crear modelos complejos, hay mucho más en el trabajo.
business intelligence
Viajes Universitarios by Viajes Fin de Curso
Transformación digital by Inteligencia de Negocios
#Todo #relacionado #con #datos #ciencia #datos
Comentarios recientes