Dunkle Daten, Fachwissen, Modellierung - wir haben im Oktober eine Reihe von Themen behandelt . 1 Statistisch gesehen . David Hand gab einen brillanten Plenum reden und Bereiten Sie uns auf eine großartige Podiumsdiskussion vor erinnern Dieses Denken ist erforderlich und bewusst zu sein alle dunklen Daten dort draußen - - das Daten, die wir nicht sehen, die wir aber brauchen berücksichtigen . Dunkle Daten: Warum was Sie nicht wissen M. atters ist sein neuestes Buch (siehe a Blogeintrag Über es ;; wenn du es nicht gelesen hast , Sie können eine Probe bekommen Auszug ).
Zu den Diskussionsteilnehmern gehörte Cameron Willden , Statistiker beim WL Gore, der Ingenieure unterstützt und Wissenschaftler aus vielen verschiedenen Produktlinien; Sam Gardner, Gründer von Wildstats Beratung , mit mehr als 30 Jahren Erfahrung in statistischen Problemen lösen zum Regierung und Industrie; und JMP's Jason Wiggins , Ein 20-jähriger US Synthetic-Veteran mit Fachkenntnissen in Prozessoptimierung, Analyse von Messsystemen und prädiktiver Modellierung / Data Mining.
Wir hatten keine Zeit mehr, bevor wir alle Fragen beantworten konnten Fragen aus dem Livestream-Publikum Unsere Diskussionsteilnehmer haben sich jedoch freundlicherweise bereit erklärt, vielen von ihnen Antworten zu geben und weiter die Weisheit aus ihren kollektiven Erfahrungen zu teilen . Das Fragen sind nach Themen gruppiert - Es gab so viele, wir machen zwei Posts . In diesem ersten Teil haben wir wird sich auf alle Fragen zu Fachwissen und Ausbildung konzentrieren. Teil T. Wir werden Fragen zu Modellierung und Daten behandeln.
Die Datenwissenschaft scheint es vielen Menschen, die nicht analytisch geschult sind, zu ermöglichen, analytische Jobs zu bekommen. Was denkst du darüber?
Cameron :: Wenn Leute Data Science machen aber alles was sie wissen ist, „Sie setzen die Daten in dieses Ziel ein und erhalten die Antwort in diesem Sinne“, die Menschen, die auf der Grundlage dieser Arbeit Entscheidungen treffen, stehen vor einer Welt voller Verletzungen.Ich habe keine Angst davor, alle Arten von Analysen zu demokratisieren, aber die Leute müssen immer noch ein gutes grundlegendes Verständnis der Statistik und der Einschränkungen jedes Tools in Ihrer Toolbox haben. Genauer gesagt sollten sie in der Lage sein, zuverlässig zu erkennen, wann sie diesen Einschränkungen in der realen Welt zuwiderlaufen werden. An diesen Punkt gelangen nicht benötigen a Meister Abschluss in stat istic s oder m Achine l verdienen (ML ) aber Es scheint mir realistisch, durch eine Kombination aus formeller Ausbildung und informeller Ausbildung dorthin zu gelangen.
Sam: Im Großen und Ganzen Ich finde das eine gute Sache. Innovatoren (wie JMP !) geschaffen haben wirklich wunderschön Software-Tools Das eine „Demokratisierung“ der Analytik ermöglicht haben, bei der die primären Fähigkeiten erforderlich waren a Re weniger über Programmierung und Mathematik als vielmehr über Problemlösung, Teamarbeit, Geschäft oder Organisation Scharfsinn und Kommunikation. Es sind weitere Probleme zu lösen tha n Es gibt Leute, die sie lösen Derzeit und was Unternehmen brauchen, sind Menschen mit einem hohen „Analytics Quotient“ (AQ). Mitarbeiter mit hohem AQ können aus verschiedenen Bereichen stammen und über unterschiedliche Fähigkeiten verfügen, aber alle müssen die grundlegenden Ideen in der Datenwissenschaft verstehen .
Ich denke, es gibt eine Vorstellung, dass Datenwissenschaftler keine Statistiken kennen müssen. Ich halte es für einen gefährlichen Trend. Was ist deine Meinung?
Sam: Obwohl, wie ich oben antwortete, Menschen mit hohem AQ und Zugang zu guten Softwaretools es einem Unternehmen ermöglichen können, unternehmensweit Datenwissenschaft zu betreiben, benötigen Sie immer noch einen Kader von Menschen mit umfassenden Kenntnissen in den mathematischen Wissenschaften. Der Grund dafür ist, dass sie das Kernteam sind, das bessere interne Tools und Prozesse für die Datenwissenschaft entwickeln wird . EIN s das Geschäft wächst ich t s AQ, die einfachen Probleme werden gelöst und die verbleibenden Probleme erfordern oft eine technischere e xpertise lösen. Außerdem haben Statistiker in der Regel ein Gespür dafür, wie diese schwierigen Probleme gelöst werden können. Also ja, ich t's Gut, dass Ihre Organisation Zugriff darauf hat ein Statistiker und d on't Nehmen Sie einfach an, Sie können Ihre Organisation erweitern ' s AQ ohne die Hilfe und Dienste eines Statistikers .
Jason: Ich habe beobachtet diese Leute, die gut sind Analysten einen Zwang haben zu verstehen, was sie tun , was bedeutet, die Statistik zu lernen istic s. Es ist ersichtlich in einer Präsentation oder einem technischen Bericht, wenn jemand ein tiefes Verständnis von hat Was Sie sind kommunizieren . Wissen sie genug, um Erkenntnisse und Methoden einfach zu kommunizieren und die folgenden schwierigen Fragen zu beantworten? Ich denke nicht, dass jeder Datenwissenschaftler die Kenntnisse einer Mathematik haben sollte Statistiker, aber sie sollten eine ziemlich gute Grundlage in Theorie und Anwendung haben der Werkzeuge, die sie verwenden .Ich denke auch, dass es einen Unterschied zwischen Datenwissenschaftlern, die Analysten sind, und solchen, die Datenarchitekten sind, gibt. In einigen Unternehmen interagiere ich , Dies sind verschiedene Jobfunktionen mit unterschiedlichen Führung, Beide werden jedoch als Datenwissenschaftler bezeichnet . Das Datenarchitekten benötigen möglicherweise nicht so viel Verständnis für die Statistik istic s wie die Analysten, aber sie sollten genug haben, um ihre Arbeit zu leiten.Jeder kann von einer besseren Kenntnis der Statistik profitieren! Warum nur von den Datenwissenschaftlern und Statistikern verlangen?
Ich brauche Hilfe in den Bereichen ML und AI. Muss ich jemanden mit Fachkenntnissen im Geschäftsbereich einstellen oder kann ich dies einfach einem talentierten Datenwissenschaftler mit ML- und KI-Fachkenntnissen zur Verfügung stellen? Ich habe einige grundlegende Statistiken und datenwissenschaftliche Fähigkeiten.
Cameron: Datenwissenschaftler werden oft als Personen mit starken Statistiken definiert istic s / Analytics, Programmierung und Domain Sachverstand Glücklicherweise wird dieser letzte in der Regel am Arbeitsplatz und auf dem Niveau erworben, das für eine effektive Nutzung erforderlich ist. Als Industriestatistiker bei Gore ab das Stoffabteilung musste ich sehr viel über Textilien lernen, Laminierung und Web-Handling ;; Aber ich konnte schon nach wenigen Wochen genug lernen, um den Ingenieuren Fragen zu stellen hatte nicht dachte nach ihrem Prozess zu fragen. Durch die Partnerschaft mit ihnen konnten sie viele meiner Wissenslücken schließen damit wir gemeinsam eine effektive Strategie zu entwickeln, um ihr Problem zu lösen. Ich habe die gleiche Erfahrung in unserem gemacht M. edical P. Produktabteilung, HR und jetzt in jüngerer Zeit , S. Upply C. hain.Möglicherweise finden Sie einen Kandidaten, der in Ihrer Domäne einen Bachelor-Abschluss gemacht hat, aber einen Abschluss in Statistik abgeschlossen hat istic s / ML / Datenwissenschaft. Das scheint mir eine seltene Ausnahme zu sein, und Sie könnten eine Ewigkeit warten, um diesen Kandidaten zu finden.
Jason: Ich hatte selten den Luxus, jemanden einzustellen, der sowohl Domänen- als auch Datenwissenschaftler oder sogar grundlegende statistische Problemlösungen hat Sachverstand . Ich habe nach Leuten gesucht, die es sind fähig Lernende und haben gezeigt Erfolg beim Erlernen neuer Konzepte . Wenn ein neuer Mitarbeiter die Eignung hat, können Sie Lücken füllen Sachverstand mit dem Training. Ich glaube, dass es solide ist Der Einstiegsprozess mit Schulung ist für den Erfolg eines neuen Mitarbeiters von grundlegender Bedeutung. Ich denke die meisten Unternehmen das Wissen haben, Domain zu trainieren Sachverstand Möglicherweise müssen jedoch noch Lehrplan und Struktur entworfen werden um es zu liefern .Wenn Ihr Unternehmen nicht über die erforderlichen Fähigkeiten verfügt, um ML und statistische Fähigkeiten zur Problemlösung zu vermitteln an jemanden mit Domain Sachverstand Finden Sie gute Berater, mit denen Sie bis zusammenarbeiten können das Gesamtfertigkeitsniveau erreicht was ist musste intern unterrichten.Jeder Begleiter y kann b Nutzen Sie einen tiefen Po ol von exp ertise in th e statistisch Probleme lösen Reich.
Es gibt eine anhaltende Debatte darüber, ob es besser ist, "gute" Datenwissenschaftler mit Domänenkenntnissen zu haben und möglicherweise eine "Tendenz" zu Daten- / Ergebnisinterpretationen zu haben, als "reine" Datenwissenschaftler, die stattdessen mit Domänenexperten zusammenarbeiten können. Gedanken?
Cameron: Domain Sachverstand Ich würde meiner Meinung nach immer die Bedenken hinsichtlich des Verzerrungspotenzials überwiegen . Domänenwissen hilft Ihnen erwarten Probleme, verstehen Nuancen, die haben eine große Wirkung und interpretieren Sie die Ergebnisse richtig. Jedoch, Ich denke es Es ist sinnvoller, basierend auf Analyse- und Codierungsfähigkeiten über Domänenwissen einzustellen schon seit Das kann normalerweise im Job erworben werden, indem man sich dafür auf andere in ihrem Team stützt Sachverstand in der Zwischenzeit.
Jason: Ich möchte zuerst den zweiten Teil der Frage ansprechen. Wenn Sie einen Datenwissenschaftler mit Domain-Experten zusammenbringen, um schwierige geschäftliche Probleme zu lösen , Wird der Datenwissenschaftler keine Domäne entwickeln? Sachverstand ? Ich bin damit einverstanden, dass es gut ist, zusammenzuarbeiten / funktionsübergreifend zu arbeiten, um eine Brücke zu schlagen Sachverstand Lücken. Wir müssen uns auf unsere Kollegen verlassen Wer Dinge wissen w e Don 't . ich ebenfalls Überlegen es ist gut, neue Perspektiven zu haben . EIN zur gleichen Zeit , woher weißt du das welche Fragen ohne Domainkenntnisse? Das muss von irgendwoher kommen. Warum nicht Domai entwickeln? n Experti se in jedem , einschließlich das Datenwissenschaftler ?Alle Wissenschaftler sollten sich der kognitiven Vorurteile bewusst sein und auf dem Laufenden sein Achtung zum es persönlich und organisatorisch. Ein guter Weg zu Zurecht kommen Dies ist zum diszipliniert sein bei stat ing Analyseziele, Hypothesen, Annahmen und mögliche Lücken vor dem Beginn experimentieren oder Analyse. Wenn du nicht Es ist zu leicht für unseren Verstand, das ursprüngliche Denken oder die Absicht zu verzerren, um dem zu entsprechen, was gegenwärtig sichtbar ist . Verzerrungen wie diese können total Maske die Eureka ! Momente th bei uns alle sehnen wir uns.
Sam: Normalerweise braucht ein Team, um ein Problem zu lösen, und jeder im Team spielt eine Rolle. Der "reine" Datenwissenschaftler kann sich auf mehr Technik konzentrieren Details aber muss in der Lage sein, mit dem Rest des Teams zu kommunizieren und das Vertrauen des anderen zu haben. Diese Person muss auch gute Geschäfte machen Scharfsinn , um das sehen zu können großes Bild und die Politik der Situation und Organisation verstehen. Ein guter Datenwissenschaftler kann ebenfalls Lernen Sie das Wissen über Geschäftsbereiche damit sie ein effektiveres Mitglied des Teams sind .
Sie alle haben die optimale Einstellung für Datenwissenschaftler / Ingenieur für maschinelles Lernen als Teamumgebung bestätigt. Was sind die roten Fahnen in den Stellenbeschreibungen, wenn Sie nach einem Job in diesem Bereich suchen?
Cameron: Die wichtigste rote Fahne ist, wenn die Stellenbeschreibung ein datenwissenschaftliches „Einhorn“ beschreibt und die aufgeführten Verantwortlichkeiten Dinge umfassen, die ein Dateningenieur, ein App-Ingenieur usw. hat. , würde in der Regel tun. Suchen Sie nach Ausdrücken wie "funktionsübergreifend" und "Team" oder nach Beschreibungen der Arten von Personen, mit denen Sie arbeiten würden, um anzuzeigen, dass die Organisation eine ausgereifte datenwissenschaftliche Funktion hat oder zumindest darüber nachgedacht hat, wie sie sind werde diese Fähigkeit erweitern.
Verwenden Menschen, die über KI sprechen, immer noch statistische Software wie JMP, um die Daten zu analysieren und Modelle zu erstellen?
Cameron :: KI erfordert nicht immer eine benutzerdefinierte Lösung, und es sind sicherlich nicht immer tiefe neuronale Netze!Es gibt so viele ML-Methoden für überwachtes und unbeaufsichtigtes Lernen, die mit Point-and-Click-Software wie z JMP .
Sam :: Großartige Datenwissenschaftler können es sein ermächtigt machen Gute Arbeit wenn sie über die Tools verfügen, mit denen sie Analysen durchführen können . Ja, viele Datenwissenschaftler haben JMP in ihrer analytischen Toolbox! Die Modellierungsfunktionen von JMP sind vielfältig und umfassend, und obwohl Sie möglicherweise nicht alles tun können, was Sie in JMP tun müssen, kann es dennoch viel für Sie tun. Kombinieren Sie dies mit seinen Datenvisualisierungs- und Erkundungsfunktionen, um die Geschwindigkeit und Qualität der durchgeführten KI-Arbeit wirklich zu verbessern .
Können Sie einen Online-Kurs für eine Einführung in das maschinelle Lernen empfehlen?
Cameron: Ich bin ein großer Fan von Andrew Ngs Kurs über maschinelles Lernen auf Coursera als Einführung. Es umfasst neuronale Netze, aber auch Regression, logistische Regression, Support-Vektor-Maschinen usw. Wenn Sie mehr über fortgeschrittene neuronale Netze erfahren möchten, führen Sie die Deep Learning-Spezialisierung über deeplearning.ai durch, ebenfalls in Coursera.Der maschinelle Lernkurs von Andrew Ng verwendet eine OpenSource Matlab Klon namens Octave, den Sie wahrscheinlich nie wieder verwenden werden. Sie werden Python über verwenden Jupyter Notizbücher für alle deeplearning.ai-Kurse, was weitaus nützlicher ist, und Sie werden auch in die beliebtesten ML-Frameworks in Python eingeführt, wie z Keras und TensorFlow.
Jason: Ich habe mehrere Coursera-Module belegt. Ich denke das hier an Data Science Spezialisierung ist ein ziemlich guter Anfang. Auf dem Weg zur Datenwissenschaft ist eine großartige Ressource , zu.
Wir freuen uns über die vielen Fragen unserer Zuschauer eingereicht während des Livestreams von Statistically Speaking und wir schätzen Cameron, Sam und Jason, die sich die Zeit genommen haben, ihre zu teilen wertvoll Perspektiven auf Sachverstand und Training.
Wir haben noch eine Ausbildung Vorschlag :: Statistisches Denken zur industriellen Problemlösung ist verfügbar von JMP ebenso gut wie von Coursera . Im nächsten Beitrag unsere Diskussionsteilnehmer werden ein Antwort auf Fragen über Daten und Modellierung.
Wenn Sie keine Gelegenheit hatten, das Panel live zu sehen, können Sie sich die Aufnahme von ansehen Sind Big Data und Methoden des maschinellen Lernens ausreichend? auf unserer Website.
