What REALLY is Data Science? Told by a Data Scientist - YouTube

لا يتعلق علم البيانات بصنع نماذج معقدة. الأمر لا يتعلق بعمل تصورات رائعة

الأمر لا يتعلق بكتابة علم بيانات الكود ، فهو يتعلق باستخدام البيانات لإنشاء أكبر قدر ممكن من التأثير لشركتك

الآن يمكن أن يكون التأثير في شكل أشياء متعددة

يمكن أن يكون في شكل رؤى في شكل منتجات البيانات أو في شكل توصيات المنتج للشركة

الآن للقيام بهذه الأشياء ، فأنت بحاجة إلى أدوات مثل صنع نماذج معقدة أو تصورات للبيانات أو كتابة التعليمات البرمجية

ولكن في الأساس كعالم البيانات

مهمتك هي حل مشاكل الشركة الحقيقية باستخدام البيانات وأي نوع من الأدوات التي تستخدمها لا يهمنا

الآن هناك الكثير من المفاهيم الخاطئة حول علم البيانات ، خاصة على YouTube

وأعتقد أن السبب في ذلك هو وجود اختلال كبير بين

ما يحظى بشعبية للحديث وما هو مطلوب في هذه الصناعة. ولهذا السبب أريد أن أوضح الأمور. أنا

أنا عالم بيانات يعمل لشركة GAFA و

تؤكد تلك الشركات حقًا على استخدام البيانات لتحسين منتجاتها

لذلك هذا هو بلدي يأخذ على ما هو علم البيانات

قبل علم البيانات ، قمنا بتعريف مصطلح استخراج البيانات في مقال يسمى من التنقيب عن البيانات إلى اكتشاف المعرفة في قواعد البيانات في

1996 حيث أشار إلى العملية الشاملة لاكتشاف معلومات مفيدة من البيانات

في عام 2001 ، أراد وليام كليفلاند جلب تعدين البيانات إلى مستوى آخر

لقد فعل ذلك من خلال الجمع بين علوم الكمبيوتر واستخراج البيانات

في الأساس

لقد جعل الإحصائيات تقنية أكثر بكثير مما اعتقد أنه سيوسع من إمكانيات استخراج البيانات وينتج قوة قوية للابتكار

الآن يمكنك الاستفادة من حساب القوة للإحصاءات ودعا هذا علم البيانات التحرير والسرد. في حوالي مثل هذا الوقت

يحدث هذا أيضًا عندما ظهر الويب 2.0 حيث لم تعد المواقع الإلكترونية مجرد كتيب رقمي ، ولكنها وسيلة للتجربة المشتركة

بين الملايين والملايين من المستخدمين

هذه هي مواقع الويب مثل MySpace في عام 2003

Facebook في 2004 و YouTube في 2005. يمكننا الآن التفاعل مع هذه المواقع

مما يعني أنه يمكننا المساهمة في نشر تعليق مثل مشاركة التحميل

ترك بصمتنا في المشهد الرقمي نسميه الإنترنت وتساعد على إنشاء وتشكيل النظام البيئي

نحن نعرف الآن ونحب اليوم. وتخيل ماذا؟

هذا كثير من البيانات الكثير من البيانات ، وأصبح التعامل معها باستخدام التقنيات التقليدية أكثر من اللازم. لذلك نحن نسمي هذه البيانات الكبيرة.

هذا فتح عالم من الاحتمالات في العثور على رؤى باستخدام البيانات

ولكن هذا يعني أيضًا أن أبسط الأسئلة تتطلب بنية تحتية متطورة للبيانات فقط لدعم معالجة البيانات

نحن بحاجة إلى تكنولوجيا الحوسبة المتوازية مثل MapReduce و Hadoop و Spark

حتى ظهور البيانات الكبيرة في

أثار عام 2010 ظهور علم البيانات لدعم احتياجات الشركات لاستخلاص رؤى من مجموعات البيانات الضخمة غير المنظمة

إذن ، وصفت مجلة علم البيانات علم البيانات على أنه كل شيء تقريبًا له علاقة بالبيانات

جمع تحليل النمذجة. بعد الجزء الأكثر أهمية هو تطبيقاتها. جميع أنواع التطبيقات.

نعم ، كل أنواع التطبيقات مثل التعلم الآلي

حتى في عام 2010 مع وفرة جديدة من البيانات

جعلت من الممكن لتدريب الآلات مع نهج يحركها البيانات

بدلا من نهج المعرفة مدفوعة. أصبحت جميع الأوراق النظرية حول الشبكات العصبية المتكررة التي تدعم الآلات المتجهة ممكنة

شيء يمكن أن يغير الطريقة التي نعيش بها وكيف نختبر الأشياء في العالم

لم يعد التعلم العميق مفهومًا أكاديميًا في ورقة البحث هذه

أصبح فئة مفيدة ملموسة من التعلم الآلي التي من شأنها أن تؤثر على حياتنا اليومية

لذا سيطر التعلم الآلي و الذكاء الاصطناعي على وسائل الإعلام التي تلقي بظلالها على كل الجوانب الأخرى لعلوم البيانات

مثل التحليل الاستكشافي ،

التجريب ، ... والمهارات التي نسميها عادة ذكاء الأعمال

حتى الآن الجمهور العام يفكر في علم البيانات كما

ركز الباحثون على التعلم الآلي والذكاء الاصطناعى ولكن الصناعة تقوم بتعيين علماء البيانات كمحللين

لذلك هناك اختلال هناك

سبب الاختلال هو أن نعم ، يمكن لمعظم علماء البيانات أن يعملوا على حل مشكلات فنية أكثر

لكن الشركات الكبرى مثل Google Facebook Netflix لديها الكثير من الفواكه المنخفضة المعلقة لتحسين منتجاتها بحيث لا تتطلب أيًا منها

تعلم الآلة المتقدمة أو

المعرفة الإحصائية للعثور على هذه الآثار في تحليلهم

كونك عالم بيانات جيدًا لا يتعلق بمدى تقدم نماذجك

إنها تدور حول مدى تأثيرك على عملك. أنت لست من محبي البيانات. أنت مشكلة حلال

أنت استراتيجيون. ستعطيك الشركات أكثر المشاكل غموضًا وصعوبة. ونتوقع منك أن توجه الشركة إلى الاتجاه الصحيح

حسنًا ، أريد الآن أن أختتم أمثلة واقعية عن وظائف علم البيانات في وادي السيليكون

لكن أولاً يجب علي طباعة بعض الرسوم البيانية. لذلك دعونا نذهب نفعل ذلك

(محادثة لا تتعلق مباشرة بالموضوع)

(محادثة لا تتعلق مباشرة بالموضوع)

إذاً هذا مخطط مفيد جدًا يخبرك باحتياجات علم البيانات. الآن ، هو واضح جدا

لكن في بعض الأحيان ننسى الأمر الآن

في الجزء السفلي من الهرم الذي نجمعه ، من الواضح أنه يتعين عليك جمع نوع من البيانات لتتمكن من استخدام هذه البيانات

لذا فإن جمع تخزين تحويل كل هذه الجهود لهندسة البيانات أمر مهم للغاية وهو فعال

في الواقع يتم التقاطها بشكل جيد في الوسائط بسبب البيانات الضخمة التي تحدثنا عنها حول مدى صعوبة إدارة جميع هذه البيانات

تحدثنا عن الحوسبة المتوازية التي تعني مثل Hadoop و Spark

أشياء من هذا القبيل. نحن نعرف عن هذا. الآن الشيء الأقل شهرة هو الأشياء الموجودة هنا

كل شيء هنا و

من المدهش أن هذا هو في الواقع أحد أهم الأمور بالنسبة للشركات لأنك تحاول إخبار الشركة

ماذا تفعل مع المنتج الخاص بك. إذن ماذا أقصد بذلك؟ لذلك أنا تحليلات يخبرك

باستخدام البيانات ، ما نوع الرؤى التي يمكن أن تخبرني بما يحدث للمستخدمين ، ثم يعد هذا الأمر مهمًا

ما الذي يحدث مع المنتج الخاص بي؟

كما تعلمون ، ستخبرك هذه المقاييس ما إذا كنت ناجحًا أم لا. وبعد ذلك أيضًا ، أنت تعرف أن يكون اختبارًا بالطبع

التجربة التي تسمح لك بمعرفة أي إصدارات المنتج هي الأفضل

إذاً هذه الأشياء مهمة حقًا لكنها غير مغطاة في وسائل الإعلام. ما هو مغطى في وسائل الإعلام

هل هذا الجزء منظمة العفو الدولية ، التعلم العميق. لقد سمعنا ذلك وعلى ذلك ، كما تعلمون

ولكن عندما تفكر في ذلك لشركة ، للصناعة ،

إنه في الواقع ليس أولوية قصوى أو على الأقل ليس الشيء الذي يحقق أكبر نتيجة بأقل قدر من الجهد

هذا هو السبب في أن التعلم المتعمق الذكاء الاصطناعي يتصدر التسلسل الهرمي للاحتياجات وقد تكون هذه الأشياء بمثابة اختبار تحليلي

انهم في الواقع وسيلة أكثر أهمية للصناعة

لهذا السبب نحن نوظف الكثير من علماء البيانات الذين يقومون بذلك. فماذا فعل علماء البيانات في الواقع؟

حسنًا ، هذا يعتمد على الشركة بسبب حجمها

لذلك بالنسبة للشركات الناشئة ، فأنت تفتقر إلى الموارد

لذلك يمكنك فقط الحصول على نوع DS واحد. بحيث عالم البيانات واحد

عليه أن يفعل كل شيء. لذلك قد تكون رؤية كل هذا

كونها علماء البيانات. ربما لن تقوم بعمل الذكاء الاصطناعى أو التعلم العميق لأن هذا ليس أولوية الآن

ولكن قد تكون تفعل كل هذه. يجب عليك إعداد البنية الأساسية للبيانات بالكامل

قد تضطر حتى إلى كتابة بعض التعليمات البرمجية البرمجية لإضافة تسجيل ثم عليك القيام بالتحليلات

نفسك ، ثم عليك بناء المقاييس بنفسك ، وعليك أن تفعل A / B اختبار نفسك. لهذا

بالنسبة للشركات الناشئة إذا احتاجوا إلى عالم بيانات فإن هذا الأمر برمته

علم البيانات ، وهذا يعني أن عليك أن تفعل كل شيء. ولكن دعونا ننظر إلى الشركات المتوسطة الحجم. الان اخيرا

لديهم الكثير من الموارد. يمكنهم فصل مهندسي البيانات وعلماء البيانات

لذلك عادة في المجموعة ، وهذا ربما هندسة البرمجيات. و

ثم هنا ، سيكون لديك مهندسي بيانات يقومون بذلك. ثم حسب ما إذا كنت شركة متوسطة الحجم تفعل الكثير

نماذج التوصية أو الأشياء التي تتطلب AI ، ثم DS سوف تفعل كل هذه

حق. لذلك كعالم بيانات ، يجب أن تكون أكثر تقنية بكثير

لهذا السبب يقومون بتوظيف أشخاص يحملون شهادات الدكتوراه أو الماجستير لأنهم يريدون منك أن تكون قادرًا على القيام بالأشياء الأكثر تعقيدًا

لذلك دعونا نتحدث عن شركة كبيرة الآن

لأنك تكبر كثيرًا

ربما لديك الكثير من المال ومن ثم يمكنك إنفاق المزيد على الموظفين

لذلك يمكن أن يكون لديك الكثير من الموظفين المختلفين الذين يعملون على أشياء مختلفة. بهذه الطريقة

لا يحتاج الموظف إلى التفكير في هذه الأشياء التي لا يريدون القيام بها ويمكنهم التركيز على الأشياء التي يريدونها

الأفضل في. على سبيل المثال ، أنا وشركتي الكبيرة بدون عنوان

سأكون في التحليلات حتى أتمكن فقط من تركيز عملي على التحليلات والمقاييس وأشياء من هذا القبيل

لذلك لا داعي للقلق حول هندسة البيانات أو الذكاء الاصطناعي العميق

لذلك هنا كيف تبدو لشركة كبيرة

أجهزة استشعار تسجيل مفيدة. كل هذا يتم معالجته بواسطة مهندسي البرمجيات

حق؟ ثم هنا ، تنظيف وبناء خطوط أنابيب البيانات

هذا هو لمهندسي البيانات. الآن هنا ، بين هذين الأمرين ، لدينا بيانات

تحليلات العلوم. هذا ما يطلق عليه

ولكن بمجرد أن نذهب إلى الذكاء الاصطناعي والتعلم العميق ، هذا هو المكان الذي لدينا

علماء البحوث

أو نسميها علم البيانات الأساسية

ويدعمهم والآن المهندسين الذين هم مهندسي التعلم الآلي. بلى

على أي حال ، هكذا باختصار ، كما ترون ، يمكن أن يكون علم البيانات كل هذا ويعتمد على الشركة التي تعمل فيها

التعريف سوف يختلف. لذا ، اسمحوا لي أن أعرف ما الذي ترغب في معرفة المزيد حول التعلم العميق AI ، أو اختبار A / B ،

التجريب ، ... اعتمادا على ما تريد أن تتعلم عنه

اترك تعليقًا لأسفل أدناه حتى أتمكن من التحدث عن ذلك أو يمكنني العثور على شخص يعرف هذا ويمكنني مشاركة

رؤى معك

لذا ، نعم ، إذا أعجبك هذا الفيديو ، فلا تنسى الإعجاب والاشتراك

إذن أجل. اتمنى ان تحظا بيوم رائع. آمل أن يكون هذا مفيدًا. ولكن نعم ، شكرا للمشاهدة

سلام.