다크 데이터, 전문성, 모델링 — 10 월에 다양한 주제를 다루었습니다. . 1 통계적으로 말하기 . 데이비드 핸드 훌륭했다 완전한 이야기하고 우리에게 경고하여 훌륭한 패널 토론의 무대를 설정 기억하다 생각이 필요하다는 것과 모든 다크 데이터 저 밖에 — 그만큼 우리가 볼 수 없지만 필요한 데이터 고려하다 . 다크 데이터 : 모르는 이유 미디엄 atters 그의 최신 책입니다. 블로그 포스트 약 그것 ; 읽지 않았다면 , 당신은 샘플을 얻을 수 있습니다 발췌 ).
패널리스트에는 Cameron이 포함되었습니다. Willden , 통계 학자 ...에서 WL 엔지니어를 지원하는 고어 과 다양한 제품 라인의 과학자; 설립자 Sam Gardner Wildstats 컨설팅 , 30 년 이상의 통계 문제 경험 해결 ...에 대한 정부 과 산업; 과 JMP 제이슨 위 긴스 , 공정 최적화, 측정 시스템 분석 및 예측 모델링 / 데이터 마이닝에 대한 전문 지식을 갖춘 20 년 미국 합성 베테랑.
모든 질문에 답하기 전에 시간이 부족했습니다. 실시간 스트리밍 청중의 질문 , 그러나 우리 패널리스트들은 그들 중 많은 사람들에게 답변을 제공하는 데 친절하게 동의했습니다. , 집단적 경험에서 얻은 지혜를 더 공유 . 그만큼 질문 주제별로 그룹화 — 너무 많았고, 우리는 두 개의 포스트를하고 있습니다 . 이 첫 번째 부분에서는 전문성과 훈련에 관한 모든 질문에 초점을 맞출 것입니다. 부품 티 모델링 및 데이터에 대한 질문을 다룰 것입니다.
데이터 과학은 분석 교육을받지 않은 많은 사람들이 분석 작업을 수행하도록 허용하는 것 같습니다. 이것에 대한 당신의 생각은 무엇입니까?
Cameron : 사람들이 데이터 과학을하고 있다면 하지만 그들이 아는 건 “이쪽에 데이터를 넣고 이쪽에서 답을 얻습니다.”그 작업을 기반으로 결정을 내리는 사람들은 상처를 입었습니다.저는 모든 종류의 분석을 민주화하는 것을 두려워하지 않지만, 사람들은 여전히 통계에 대한 기초적인 이해와 도구 상자에있는 모든 도구의 한계를 이해해야합니다. 보다 정확하게는 현실 세계에서 이러한 한계에 어긋날 때를 확실하게 인식 할 수 있어야합니다. 그 지점에 도달 하지 않는다 필요하다 석사 통계 학위 istic s 또는 미디엄 achine 엘 적립 (ML ) 그러나 공식적인 훈련과 비공식적 인 견습의 조합을 통해 거기에 도달하는 것은 나에게 현실적으로 보입니다.
샘 : 전체적으로 , 나는 이것이 좋은 것이라고 생각합니다. 혁신가 (예 : JMP !) 만들었습니다 정말 멋지다 소프트웨어 도구 그 분석의 "민주화"를 가능하게했습니다. 레 프로그래밍 및 수학보다는 문제 해결, 팀워크, 비즈니스 또는 조직 예리함 그리고 커뮤니케이션. 해결해야 할 문제가 더 있습니다 그쪽으로 엔 그들을 해결할 사람들이 있습니다 현재 조직에 필요한 것은 "분석 지수"(AQ)가 높은 사람들입니다. AQ가 높은 직원은 다양한 배경을 가지고 있고 다양한 기술을 보유 할 수 있지만 여전히 모두 데이터 과학의 기본 아이디어를 이해해야합니다. .
데이터 과학자가 통계를 알 필요가 없다는 개념이 있다고 생각합니다. 위험한 트렌드라고 생각합니다. 당신의 의견 것입니다?
샘 : 위에서 대답했듯이 AQ가 높고 우수한 소프트웨어 도구에 액세스 할 수있는 사람들을 확보하면 비즈니스에서 비즈니스 전반에 걸쳐 데이터 과학을 수행 할 수 있지만 여전히 수학적 과학에 대한 깊은 지식을 가진 사람들이 필요합니다. 그 이유는 그들이 데이터 과학을위한 더 나은 내부 도구와 프로세스를 개발할 핵심 팀이기 때문입니다. . ㅏ s 비즈니스 성장 나는 티 에스 AQ, 쉬운 문제는 해결되고 나머지 문제는 종종 더 기술적 인 이자형 xpertise 해결하다. 또한 통계학자는 일반적으로 이러한 어려운 문제를 해결하는 방법에 대해 예리한 감각을 가지고 있습니다. 그래서 네 나는 t 귀하의 조직이 통계 학자 및 디 에 조직을 성장시킬 수 있다고 가정하십시오. ' 통계학 자의 도움과 서비스가없는 AQ .
제이슨 : 나는 관찰했다 좋은 사람 분석가 그들이하는 일을 이해해야 할 충동이있다 , 이것은 통계를 배우는 것을 의미합니다 istic 에스. 그것은 명백한 프레젠테이션이나 기술 보고서에서 누군가가 뭐 그들은 의사 소통 . 결과와 방법을 간단하게 전달하고 뒤 따르는 어려운 질문에 답할만큼 충분히 알고 있습니까? 모든 데이터 과학자가 수학적 지식을 가져야한다고 생각하지 않습니다. 통계 학자, 그러나 그들은 이론과 응용에있어서 꽤 좋은 근거를 가져야합니다 그들이 사용하는 도구의 .또한 분석가 인 데이터 과학자와 데이터 아키텍트 인 데이터 과학자 사이에 차이가 있다고 생각합니다. 일부 회사에서 상호 작용 , 이들은 서로 다른 직무 기능입니다. 지도, 하지만 둘 다 데이터 과학자라고합니다. . 그만큼 데이터 설계자는 통계에 대한 많은 이해가 필요하지 않을 수 있습니다. istic 에스 같이 분석가가 작업을 안내 할만큼 충분히 있어야합니다.통계에 대한 더 나은 지식으로 누구나 혜택을 볼 수 있습니다! 데이터 과학자와 통계 학자에게 필요한 이유는 무엇입니까?
ML 및 AI 분야에서 도움이 필요합니다. 비즈니스 도메인 전문 지식을 가진 사람을 고용해야합니까, 아니면 ML 및 AI 전문 지식을 갖춘 재능있는 데이터 과학자에게 제공 할 수 있습니까? 나는 몇 가지 기본적인 통계와 데이터 과학 기술을 가지고 있습니다.
Cameron : 데이터 과학자는 종종 강력한 통계를 가진 사람으로 정의됩니다. istic s / analytics, 프로그램 작성 및 도메인 전문적 지식 하지만 다행스럽게도 마지막 것은 일반적으로 직장에서 그리고 효과가 필요한 수준까지 획득됩니다. Gore의 산업 통계 학자로서 그만큼 직물 부문에서 저는 직물에 대해 많은 것을 배워야했습니다. 적층 및 웹 처리 ; 하지만 몇 주 만에 엔지니어들에게 질문하기 시작할만큼 충분히 배울 수있었습니다. 하지 않았다 그들의 과정에 대해 물어볼 생각. 그들과 협력함으로써 그들은 제가 가진 많은 지식 격차를 메울 수있었습니다 위해서는 우리는 그들의 문제를 해결하기위한 효과적인 전략을 집단적으로 만들 수 있습니다. 나는 우리와 같은 경험을했습니다. 미디엄 에디 칼 피 roducts 부문, HR , 그리고 이제 더 최근 , 에스 공급 씨 헤인.귀하의 도메인에서 학부를 수행했지만 통계에서 대학원 학위를 마친 후보를 찾을 수 있습니다. istic s / ML / 데이터 과학. 그것은 나에게 드문 예외로 보이며 그 후보를 찾기 위해 영원히 기다릴 수 있습니다.
제이슨 : 나는 도메인과 데이터 사이언스 또는 기본적인 통계 문제 해결 능력을 가진 사람을 고용하는 사치를 거의 누리지 못했습니다. 전문적 지식 . 나는 사람을 찾았다 유능한 학습자 그리고 가지고 시연 새로운 개념 학습 성공 . 신입 사원이 적성을 가지고 있다면 공백을 메울 수 있습니다. 전문적 지식 훈련과 함께. 나는 단단한 것을 가지고 있다고 믿습니다. 교육을 통한 탑승 과정은 신입 사원의 성공에 필수적입니다. 나는 대부분의 회사가 도메인 훈련에 대한 지식이 있음 전문적 지식 하지만 여전히 커리큘럼과 구조를 설계해야 할 수도 있습니다. 그것을 배달하기 위해 .회사에 ML 및 통계적 문제 해결 기술을 가르치는 데 필요한 기술 수준이없는 경우 도메인이있는 사람에게 전문적 지식 , 협력 할 좋은 컨설턴트 찾기 그만큼 전반적인 기술 수준에 도달 뭐가 내부적으로 가르 칠 필요가있었습니다.모든 회사 y can b 깊은 po를 갖는 이득 특급의 ol 일에서 ertise e 통계 문제 해결 왕국.
도메인 지식을 갖춘 "좋은"데이터 과학자를 보유하는 것이 더 낫고 데이터 / 결과 해석에 대한 "편향"을 가질 수 있는지와 대신 도메인 전문가와 협력 할 수있는 "순수한"데이터 과학자를 보유하는 것이 더 나은지에 대한 논쟁이 계속되고 있습니다. 생각?
Cameron : 도메인 전문적 지식 내 의견으로는 편견 가능성에 대한 우려보다 항상 . 도메인 지식이 도움이됩니다. 앞질러 하다 문제, 뉘앙스 이해 큰 영향 , 결과를 올바르게 해석하십시오. 하나, 나는 그것을 생각한다 도메인 지식보다 분석 및 코딩 기술을 기반으로 고용하는 것이 더 합리적입니다. 이후 일반적으로 직장에서 획득 할 수 있으며 팀의 다른 사람들에게 기대어 전문적 지식 그 사이에.
제이슨 : 먼저 질문의 두 번째 부분을 다루고 싶습니다. 데이터 과학자와 도메인 전문가를 연결하여 어려운 비즈니스 문제를 해결하는 경우 , 데이터 과학자가 도메인을 개발하지 않을 것입니다 전문적 지식 ? 나는 다리를 연결하기 위해 협력 적 / 다 기능적으로 일하는 것이 좋다는 데 동의합니다. 전문적 지식 간격. 동료들에게 의지해야합니다 WHO 알고있는 것 w 이자형 님 '티 . 나는 또한 생각한다 그것 신선한 관점을 갖는 것이 좋다 . ㅏ 동시에 , 어떻게 알아? 어느 도메인 지식없이 질문해야합니까? 어딘가에서 나온 것 같습니다. Domai를 개발하지 않는 이유 엔 전문가 se 모두에서 , 포함 그만큼 데이터 과학자 ?모든 과학자는인지 편향을 인식하고 임무 ...에 대한 그것 개인적으로 그리고 조직적으로. 좋은 방법 ...에 다루다 이것은 징계를 받다 통계 ing 분석 목표, 가설, 가정 착수하기 전에 잠재적 인 격차 실험 또는 분석. 만약 너라면 하지마 , 현재 보이는 것과 일치하기 위해 우리의 마음이 원래의 생각이나 의도를 왜곡하는 것은 너무 쉽습니다. . 이와 같은 왜곡은 완전히 마스크 유레카 ! 순간 일 우리 모두는 갈망합니다.
샘 : 일반적으로 문제를 해결하려면 팀이 필요하며 팀의 모든 구성원이 역할을 수행합니다. "순수한"데이터 과학자는 더 많은 기술에 집중할 수 있습니다. 세부 사항이지만 나머지 팀원들과 의사 소통하고 신뢰를 가질 수 있어야합니다. 그 사람도 좋은 사업을해야합니다 예리함 , 볼 수 있도록 큰 그림 상황과 조직의 정치를 이해합니다. 훌륭한 데이터 과학자는 또한 비즈니스 도메인 지식 배우기 팀에서보다 효과적인 구성원이되도록 .
데이터 과학자 / 머신 러닝 엔지니어가 팀 환경으로 최적의 설정을 확인했습니다. 이 분야에서 일자리를 찾을 때, 직업 설명의 위험 신호는 무엇입니까?
Cameron : 주요 위험 신호는 작업 설명이 데이터 과학 "유니콘"을 설명하고 나열된 책임에 데이터 엔지니어, 앱 엔지니어 등이 포함되는 경우입니다. , 일반적으로 할 것입니다. "교차 기능"및 "팀"과 같은 문구 또는 조직이 성숙한 데이터 과학 기능을 가지고 있거나 적어도 그들이 어떻게 있는지에 대해 신중하게 생각했음을 나타 내기 위해 함께 일할 사람들의 유형에 대한 설명을 찾으십시오. 그 능력을 키울 것입니다.
사람들이 AI를 말할 때에도 여전히 JMP와 같은 통계 소프트웨어를 사용하여 데이터를 분석하고 모델을 생성합니까?
Cameron : AI가 항상 맞춤형 솔루션을 요구하는 것은 아니며 항상 심층 신경망도 아닙니다!다음과 같은 포인트 앤 클릭 소프트웨어로 잘 수행 할 수있는지도 및 비지도 학습을위한 수많은 ML 방법이 있습니다. JMP .
샘 : 훌륭한 데이터 과학자는 권한 부여 할 것 훌륭한 일 분석을 수행 할 수있는 도구가있는 경우 . 예, 많은 데이터 과학자들이 분석 도구 상자에 JMP를 가지고있을 것입니다! JMP의 모델링 기능은 다양하고 포괄적이며 JMP에서 필요한 모든 작업을 수행 할 수는 없지만 여전히 많은 작업을 수행 할 수 있습니다. 이를 데이터 시각화 및 탐색 기능과 결합하면 실제로 수행되는 AI 작업의 속도와 품질을 향상시킬 수 있습니다. .
기계 학습에 대한 소개를 위해 온라인 과정을 추천 할 수 있습니까?
Cameron : 저는 Coursera에 대한 Andrew Ng의 머신 러닝 과정을 소개하는 열렬한 팬입니다. 신경망뿐만 아니라 회귀, 로지스틱 회귀, 지원 벡터 머신 등도 다룹니다. 고급 신경망에 대해 자세히 알아 보려면 Coursera에서도 deeplearning.ai를 통해 Deep Learning 전문화를 수행하십시오.Andrew Ng의 기계 학습 과정은 오픈 소스를 사용합니다. Matlab 옥타브라는 클론은 아마 다시는 사용하지 않을 것입니다. 다음을 통해 Python을 사용합니다. Jupyter 훨씬 더 유용한 모든 deeplearning.ai 과정을위한 노트북이며 다음과 같이 Python에서 가장 인기있는 ML 프레임 워크도 소개됩니다. 케 라스 및 TensorFlow.
제이슨 : 몇 가지 Coursera 모듈을 수강했습니다. 나는 이것에 생각 데이터 과학 전문화 시작하기에 아주 좋은 곳입니다. 데이터 과학을 향하여 훌륭한 자원입니다 , 너무.
많은 질문에 감사드립니다. 제출 Statistically Speaking의 라이브 스트림 중 우리는 감사합니다 카메론, 샘, 제이슨 가치 있는 관점 의 위에 전문적 지식 그리고 훈련.
우리는 훈련이 하나 더 있습니다 암시 : 산업 문제 해결을위한 통계적 사고 사용할 수 있습니다 JMP에서 만큼 잘 ...에서 Coursera . 다음 글에서는 패널리스트 의지 ㅏ nswer 질문 데이터 및 모델링에 대해.
패널을 라이브로 볼 기회가 없다면, 녹화 된 영상을 볼 수 있습니다. 빅 데이터 및 머신 러닝 방법으로 충분합니까? 우리 웹 사이트에서.
