सामग्री
- विविध परिभाषा, विविध कर्तव्ये
- कोणतीही दोष नाही, तणाव नाही - आपले जीवन नष्ट न करता जीवन-बदलणारे सॉफ्टवेअर तयार करण्यासाठी चरण चरण बाय चरण
- डेटा सायंटिस्टची कौशल्ये
स्रोत: सेर्गे खाकीमुलिन / आयस्टॉकफोटो
टेकवे:
डेटा शास्त्रज्ञांकडे विस्तृत नोकरी आहेत ज्या अनुप्रयोगाद्वारे मोठ्या प्रमाणात बदलतात. परंतु त्यांच्या सर्वांमध्ये एक गोष्ट समान आहे ती म्हणजे डेटाचा चांगला वापर करण्याची ड्राईव्ह.
कृत्रिम बुद्धिमत्ता आणि मशीन लर्निंगच्या कामात डेटा वैज्ञानिक काय करतात? दररोज या प्रकारच्या प्रकल्पांना सामोरे जाणारे बरेच व्यावसायिक असे म्हणतात की प्रश्नाचे उत्तर देणे सोपे आहे. एक चांगला प्रश्न असा असेलः डेटा वैज्ञानिक काय करीत नाहीत?
एक डेटा वैज्ञानिक एआय किंवा एमएल प्रक्रियेसाठी अविभाज्य आहे, या अर्थाने की हे सर्व प्रकल्प मोठ्या डेटा किंवा जटिल इनपुटवर अवलंबून आहेत. डेटा वैज्ञानिक एक आवश्यक कारकीर्द आहे जो परिणाम तयार करण्यासाठी डेटासह कसे कार्य करावे हे जाणतो.
तथापि, डेटा वैज्ञानिक काय करतो, त्याला किंवा तिला पात्रतेची आवश्यकता आहे आणि प्रक्रियेत तिची भूमिका काय आहे याबद्दल बोलण्याचे काही मार्ग आहेत.
वाचा: ऑनलाईन शिक्षणाद्वारे आपण महिती प्राप्त करू शकता अशा 6 प्रमुख डेटा विज्ञान संकल्पना
विविध परिभाषा, विविध कर्तव्ये
डेटा तज्ञाच्या कार्याचे वर्णन करणारे बरेच तज्ञ त्याबद्दल विस्तृत शब्दांत बोलतात.
“छोट्या कंपन्या किंवा नवीन मार्केटमध्ये काम करताना डेटा सायंटिस्टची भूमिका म्हणजे तुलनेने कादंबरी (परंतु स्पष्ट) डेटा स्रोतांना सामग्रीमध्ये रूपांतरित करणे जे शेवटच्या वापरकर्त्यासाठी समस्या सोडवते, जे शक्य नव्हते, पूर्वी, जेथे नोकरी केलेली तंत्रज्ञान अस्तित्त्वात नव्हती, ”मर्क्युरी ग्लोबल पार्टनर्स येथे खाते व्यवस्थापक अँटोनियो हिक्स म्हणतात. "आदर्श उमेदवार हा असा आहे जो भाग गणितज्ञ, भाग सॉफ्टवेअर अभियंता आणि भाग उद्योजक आहे."
मॉडेलिंग प्रकल्प हाताळण्यासाठी कोणत्या शास्त्रज्ञांना आवश्यक आहे याचा उल्लेख करून इतर मूलभूत कल्पना प्रतिध्वनीत करतात.
डेटा सायंटिस्ट मॅनेजर rinरिन अकिन्सी म्हणतात, “डेटा सायंटिस्टची सर्वात महत्वाची विशेषता म्हणजे त्यांच्या सभोवतालच्या जगाबद्दलची उत्सुकता. आसन येथे. "तिथून, बहुतेक लोकांना गणित आणि प्रोग्रामिंगमध्ये निराकरणे शोधण्यासाठी कौशल्य आवश्यक असतील, परंतु विशिष्ट प्रकारचे गणित आणि प्रोग्रामिंग डेटा सायन्समधील तज्ञांच्या क्षेत्रावर अवलंबून मोठ्या प्रमाणात बदलतात."
कोणतीही दोष नाही, तणाव नाही - आपले जीवन नष्ट न करता जीवन-बदलणारे सॉफ्टवेअर तयार करण्यासाठी चरण चरण बाय चरण
जेव्हा कोणालाही सॉफ्टवेअर गुणवत्तेची काळजी नसते तेव्हा आपण आपली प्रोग्रामिंग कौशल्ये सुधारू शकत नाही.
वाल्कीरी इंटेलिजेंसचे संस्थापक आणि मुख्य कार्यकारी अधिकारी चार्ली बर्गोयेन पुढे म्हणाले, “एखाद्या समस्येबद्दल शास्त्रज्ञ ज्या पद्धतीने तो सोडवतात त्याऐवजी समस्येबद्दल विचार करण्याच्या दृष्टीकोनातून बरेच चांगले काम करणे आवश्यक आहे. वाल्कीरी ही एक लागू विज्ञान सल्लागार कंपनी आहे ज्याच्या मार्क I सारख्या त्याच्या शाखा अंतर्गत प्रभावी प्रकल्प आहेत, तंत्रिका नेटवर्क प्रशिक्षण आणि चाचणीला चालना देणारी एक समर्पित नेटवर्क उपकरणे, ज्याच्या आधीच्या क्लाउड-आधारित मशीन लर्निंग प्लॅटफॉर्मद्वारे शक्य आहे ते सुधारते.
"बाजारात अजगर विकास, तंत्रिका नेटवर्क डिझाइन आणि नवीनतम डेटाबेस आर्किटेक्चरमध्ये डेटा रिपॉझिटरीचे आकार बदलण्याची क्षमता या क्षेत्रातील शास्त्रज्ञांची मागणी आहे." “त्या क्षमता मात्र प्रतिभावान शास्त्रज्ञांच्या टेबलावर आहेत. जे कमी स्पष्ट आहे ते म्हणजे एखाद्या विचित्र कौतुकाबद्दल वैज्ञानिकांची योग्यता, आक्रमक चातुर्य आणि वैज्ञानिक पद्धतीचे पालन.
डेटा सायंटिस्टची कौशल्ये
म्हणून आतापर्यंत व्यावहारिक कौशल्ये ठरविल्या जातात, म्हणून डेटा मॉडेलिंगपर्यंत डेटा वैज्ञानिकांना काही प्रमाणात सर्जनशीलता आणि जाणकारांची आवश्यकता असते. पायथनमधील अनुभव कोडिंग, सी ++ किंवा एमएल प्रकल्पांना लागू असलेल्या इतर सामान्य भाषांसारख्या “कठोर कौशल्या” मिळवूनही त्यांचा बराच फायदा होतो.
"पायथन आणि सी ++ आवश्यक आहेत आणि डेटा विश्लेषण आणि प्रक्रिया आणि कोडसह कोडींग कौशल्याची जोड देण्यास सक्षम असणे ही एक महत्वाची कौशल्ये आहेत जी डेटा वैज्ञानिक एक मजबूत उमेदवार किंवा कर्मचारी म्हणून उभे राहू शकेल," व्हॅल स्ट्रीफ, प्रॅम्प येथे, एक ऑनलाइन मॉक इंटरव्ह्यू प्लॅटफॉर्म आहे. सॉफ्टवेअर अभियंते, विकसक आणि डेटा वैज्ञानिकांसाठी. "प्रोग्रामिंग कौशल्यांपैकी काही डेटा विकसकाशी डेटा वैज्ञानिक जोडीने सांभाळली जाऊ शकत असला तरी, कंपनीच्या दृष्टीकोनातून, जर आपल्यात दोन्ही कौशल्ये एकत्रित केली तर हे बरेच सोपे आहे."
इतर तज्ञ सूचीमध्ये आर, हडोप, स्पार्क, सस आणि जावा तसेच झांज, पोळे आणि मॅटलाब सारख्या तंत्रज्ञानाची भर घालत आहेत.
हे सर्व प्रभावी रीझ्युमे बनवितात, परंतु काही लोक ज्यांना डेटा रिक्रूटिंगचा अनुभव आहे त्यांना “मानवी” बाजूचे इतरही म्हणतात. (एक प्रकारचा डेटा सायंटिस्ट म्हणजे सिटीझन डेटा सायंटिस्ट. बिग डेटा वर्ल्डमधील सिटीझन डेटा सायंटिस्टच्या भूमिकेत अधिक जाणून घ्या.)
"पारंपारिकपणे, वैविध्यपूर्ण उदार कला शिक्षणासह व्यक्ती उत्कृष्ट डेटा वैज्ञानिक बनवितात," इमारतीची बाजू असणारे अभियंते आणि डेटा वैज्ञानिक, ज्यांचे कार्य अधिक वैचारिक असू शकते, यांच्यात फरक दर्शविणारे बर्गोयेन म्हणतात. तो पुढे म्हणतो:
पारंपारिक एसटीईएम क्षेत्रामधील मानवता, कला किंवा व्यवसाय डोमेनमध्ये पूरक लक्ष केंद्रित केल्यामुळे असे गुण मिळतात जे उत्कृष्ट उद्योग-केंद्रित वैज्ञानिक बनतात. हे सांगणे आवश्यक आहे की त्या गुणवत्तेची सांगड घालण्याची आणि त्यांच्या उत्कटतेची आणि पद्धतींना उत्पादक पद्धतीने आकार देण्याची संस्थेच्या क्षमतेसाठी तितकेच महत्त्वाचे आहे. मी असे पाहिले आहे की जेव्हा डेटा विज्ञान पुढाकार अयशस्वी होतो, तेव्हा संस्था वैज्ञानिकांइतकी दोषी असू शकते. शास्त्रज्ञ अभियंता नाहीत. ते कार्यान्वित करण्यासाठी आणि तयार करण्यास प्रेरित नाहीत. ते शोधण्यासाठी आणि समजण्यास प्रवृत्त आहेत. हा फरक समजणार्‍या संस्थांना दोन्ही शेतीच्या लागवडीसाठी चांगला पुरस्कार दिला जातो.
शास्त्रज्ञांनी स्वत: ला कोणत्या डेटावर लागू केले आहे, ते कंपनीच्या मुख्य उद्दीष्टांशी आहे. काही कंपन्या विकेंद्रीकृत इंटरनेटचा पाठलाग करतात - काही आयओटी किंवा साससह खेळत आहेत. इतर “प्रयोक्ता-अनुकूल” किंवा “नैतिक” किंवा “पारदर्शक” ए.आय. करण्याचा प्रयत्न करीत आहेत.
कोणत्याही परिस्थितीत, डेटा शास्त्रज्ञ ते वापरत असलेल्या डेटावरील हार्ड मेट्रिक्स, जे काही तंत्रज्ञान आहे त्यामध्ये ते वापरत आहेत आणि एआय / एमएल कार्यक्षमता संकल्पित करण्याचे फ्रीव्हीलिंग कार्य यांच्यातील फरक कमी करण्याची शक्यता आहे.
“आम्ही डेटा संग्रहण आणि साफसफाई व्यवस्थापित करण्यासाठी डेटा शास्त्रज्ञ ठेवतो, तसेच त्या डेटाचे अर्थपूर्ण माहितीमध्ये भाषांतर करतो,” जी 2 क्रोडमधील डेटा सायन्स Analyण्ड अ‍ॅनालिटिक्सचे मॅनेजर मायकेल हॅप म्हणतात. तो तपशीलवार:
थोडक्यात म्हणजे याचा अर्थ असा की कंपनीचे डेटा इंजिन चालविणारे कोणतेही महत्त्वाचे अल्गोरिदम व्यवस्थापित करणे आणि की विश्लेषणे साधने आणि भाषांमध्ये प्रवीण असणे, परंतु अलिकडच्या वर्षांत नैसर्गिक भाषा प्रक्रिया, मशीन शिक्षण, एआय-सक्षम विश्लेषणाच्या इतर प्रकारांसारख्या उदयोन्मुख फील्डचा देखील समावेश आहे. सर्वात यशस्वी डेटा वैज्ञानिक हे असे आहेत जे आपल्या कठोर कौशल्यांना द्रुतपणे शिकण्याची क्षमता आणि त्यांच्या अंतर्दृष्टीची प्रभावीपणे संवाद साधण्याची क्षमता जेणेकरून त्यांच्या व्यवसायासाठी अर्थपूर्ण ठरतील.
या प्रकारच्या अंतर्दृष्टीने, तरुण व्यावसायिक किंवा विद्यार्थ्यांसाठी डेटा शास्त्रज्ञ त्यांच्यासाठी चांगली भूमिका असेल की नाही आणि कौशल्य कसे मिळवावे हे शोधणे सोपे आहे. देशभरातील शाळांमध्ये एसटीईएम शिक्षण अधिक प्रवेश करण्यायोग्य बनत आहे, परंतु कोडिंग आणि तंत्रज्ञानाची आवड आणि माशीवर शिकण्याची क्षमता यासाठी पर्याय नाही.