数据科学的现代化——数据科学取得进步的 6 种方式
数据科学的现代化——数据科学取得进步的 6 种方式
图八的年度数据科学报告表明，89% 的数据科学家热爱他们的工作，高于 2015 年的 67%。49% 的数据科学家每周都会收到一份新工作的联系。与 39% 的道德专家相比，数据科学家更有可能相信人工智能将使世界受益超过 75%。
自从该组织在那一年发布了独特的数据科学报告以来，需要越来越多的数据来支持正在扩展的机器学习项目。 LinkedIn 上增长最快的职业是数据科学和机器学习。此外，每天在网络上创建 2.5 万亿字节的信息来为这一切提供动力。
直到几年前，我们中只有一小部分人熟悉数据科学，尽管它现在已经非常有名了。期限 ” 数据科学，” 由丹麦计算机研究员 Peter Naur 创造。随着时间的推移，数据科学变得更加持久，现在我们看到新的业务分析师和学生考虑创建自己的分析代码和技术的前景。观察到的另一个重要趋势是信息的惊人增长如何将传统的事实方法推到边缘，以及深度学习如何改变软件工程。
谁是数据科学家？
无论如何，许多人似乎都错过了数据科学家的基本定义。一个 数据科学家 是一种独一无二的技能组合，既可以打开数据体验，又可以使用数据讲述令人难以置信的故事。然而，数据科学的热情和能量已经增长到工作专家争相学习机器学习、计算机视觉和文本挖掘的地步。然而，他们正在寻找重要的统计概念，如构成数据科学基础的分布和置信度。为了成为一名数据科学家，必须通过经过认证的 数据科学课程。
在过去的三十年里，我们观察到这个迷人的职业的基本原则的改进和应用的趋势和运动——一种进步。让我们看看最近几十年来展示数据科学工作发展的补充决议。
数据科学比近期记忆中的任何时候都更加应用。
可以根据实际情况构建和拟合的东西具有改变事物的可怕要求。用于证明意图的建模不再是一件事，最佳拟合诊断不如最适合这种情况重要。如果不使用模型，它就毫
处理嘈杂数据集时遇到的困难。
客户目标。然而，数据科学家所做工作背后的真正目的仍不清楚。例如，研究表明，使用大型、异构和嘈杂的数据集正在成为学术界日益关注的问题。大多数全新的竞争对手都没有尖端数据科学改进和技术的经验。这些人需要寻找超越他们现有技能和学科范式的联系方式。
应用科学知识获胜
如果您是黑匣子制造商，那么了解它在内部的工作原理就变得不那么重要了。在实验室中，很少有对统计技术有真正深入了解的数据科学家被用来创建工具的隐藏组件。对统计学有深刻理解的长期数据专家可能会发现这相当令人困惑，但如果我们要针对我们当前必须解决的数据量、业务问题和复杂性适当地扩展建模工作，这可能是必要的。
从数据贫乏到数据丰富的转变
随着公司从数据贫乏向数据丰富过渡，数据科学和纯科学方面的丰富经验和坚实基础将是必要的。随着机构迅速解决任何问题并调整教育计划以满足当前的行业需求，供应缺口将逐渐缩小。但是，如果 20 多岁、30 多岁甚至 40 多岁的人想要从事数据科学事业，他们需要建立在理论和实践知识的基础上，并获得现实世界的经验。如果没有应用统计方面的额外培训，一个人无法成为只有一个分析轨道或在线认证的数据分析师。为了理解数据科学中最复杂的概念，实践经验是一个很大的帮助。
数据科学既是艺术也是科学。
了解人机组合的重要性以及每个人相应的基本决策能力似乎在我们的理解上取得了更大的进步。
数据科学和统计学是相互关联的。
随着学科的发展，数据科学家的角色将发生变化。经常使用的定义之一是数据科学家是统计学家。无论如何，它可能不适用于技术社区中出现的当前组件。数据科学仅限于统计数据是一种常见的误解。由于统计和数值处理长期以来一直密切相关，Cloudera 数据科学总监 Sean Owen 观察到，我们经常渴望分析更多数据的方法。根据 John Tukey 的文章《数据分析的未来》，统计数据将不可避免地关注数据的处理、处理、感知和存储方式。然而，如今许多来自不同背景的人，包括经济学家，都声称自己是数据科学家。
实际上，该研究还分散了一些公认的实例，其中一些与数据科学相关的工作最终可能会完全自动化、机器人化的选择和调整。最终将构成核心能力的任务包括机器学习 加拿大数据科学课程 , 并获得一份高薪工作。
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明
