Dunkle Daten, Fachwissen, Modellierung – wir haben am 10. Oktober eine Reihe von Themen behandelt . 1 Statistisch gesehen . David Hand gab einen Brillanten Plenum reden und bereiten Sie die Bühne für eine großartige Podiumsdiskussion, indem Sie uns warnen erinnern dass Denken erforderlich ist und sich dessen bewusst sein muss alle dunklen Daten dort draußen — Die Daten, die wir nicht sehen, aber die wir brauchen berücksichtigen . Dunkle Daten: Warum, was Sie nicht wissen M atters ist sein neustes Buch (siehe a Blogeintrag um Es ; wenn du es nicht gelesen hast , Sie können eine Probe bekommen Auszug ).
Zu den Diskussionsteilnehmern gehörte Cameron Willen , Statistiker bei WL Gore, der Ingenieure unterstützt Und Wissenschaftler in vielen verschiedenen Produktlinien; Sam Gardner, Gründer von Wildstats Beratung , mit mehr als 30 Jahren Erfahrung in der Lösung statistischer Probleme lösen für Regierung Und Industrie; Und JMPs Jason Wiggins , ein 20-jähriger US Synthetic-Veteran mit Expertise in Prozessoptimierung, Messsystemanalyse und prädiktiver Modellierung/Data Mining.
Uns lief die Zeit davon, bevor wir alle beantworten konnten Fragen aus dem Livestream-Publikum , aber unsere Diskussionsteilnehmer haben freundlicherweise zugestimmt, Antworten auf viele von ihnen zu geben , weiter teilen die Weisheit aus ihren kollektiven Erfahrungen . Der Fragen sind nach Themen gruppiert — es waren so viele, wir machen zwei Beiträge . In diesem ersten Teil haben wir konzentriert sich auf alle Fragen rund um Expertise und Ausbildung. Teil T wo werden Fragen zu Modellierung und Daten behandelt.
Die Datenwissenschaft scheint es einer ganzen Reihe von Menschen zu ermöglichen, die nicht analytisch ausgebildet sind, analytische Jobs zu bekommen. Was sind Ihre Gedanken dazu?
Cameron : Wenn Menschen Data Science betreiben aber sie wissen nur, „Sie geben die Daten an diesem Ende ein und erhalten die Antwort an diesem Ende.“ Die Menschen, die Entscheidungen auf der Grundlage dieser Arbeit treffen, stehen vor einer Welt des Schmerzes.Ich habe keine Angst davor, alle Arten von Analysen zu demokratisieren, aber die Leute müssen immer noch ein gutes Grundverständnis für Statistiken und die Grenzen jedes Tools in Ihrer Toolbox haben. Genauer gesagt sollten sie zuverlässig erkennen können, wann sie in der realen Welt an diese Einschränkungen zu stoßen drohen. An diesen Punkt gelangen nicht erfordern ein Meister Grad in stat istisch s oder M Maschine l verdienen (ML ) Aber Es erscheint mir realistisch, durch eine Kombination aus formaler Ausbildung und informeller Ausbildung dorthin zu gelangen.
Sam: Im Großen und Ganzen , das finde ich gut so. Innovatoren (wie JMP !) geschaffen haben wirklich wunderschön Software-Tools Das haben eine „Demokratisierung“ der Analytik ermöglicht, bei der die primären Fähigkeiten a Betreff weniger über Programmierung und Mathematik und mehr über Problemlösung, Teamarbeit, Geschäft oder Organisation Scharfsinn und Kommunikation. Es gibt noch mehr Probleme zu lösen das N Es gibt Leute, die sie lösen Was Unternehmen derzeit brauchen, sind Mitarbeiter mit einem hohen „Analytics Quotient“ (AQ). High-AQ-Mitarbeiter können unterschiedliche Hintergründe haben und über unterschiedliche Fähigkeiten verfügen, aber dennoch müssen sie alle die grundlegenden Ideen der Datenwissenschaft verstehen .
Ich denke, es gibt die Vorstellung, dass Datenwissenschaftler keine Statistiken kennen müssen. Ich halte das für einen gefährlichen Trend. Was ist deine Meinung?
Sam: Obwohl, wie ich oben geantwortet habe, Menschen mit hohem AQ und Zugang zu guten Softwaretools es einem Unternehmen ermöglichen können, Data Science im gesamten Unternehmen zu betreiben, brauchen Sie dennoch einen Kader von Menschen mit fundierten Kenntnissen in den mathematischen Wissenschaften. Der Grund dafür ist, dass sie das Kernteam sind, das bessere interne Tools und Prozesse für Data Science entwickeln wird . A Wenn das Geschäft wächst ich T S AQ, die einfachen Probleme werden gelöst und die verbleibenden Probleme erfordern oft eine technischere Lösung e Erfahrung lösen. Außerdem haben Statistiker normalerweise ein feines Gespür dafür, wie man diese schwierigen Probleme löst. Also ja, ich es ist gut für Ihre Organisation, um darauf zugreifen zu können Statistiker und D nicht Gehen Sie einfach davon aus, dass Sie Ihre Organisation ausbauen können ' s AQ ohne Hilfe und Dienste eines Statistikers .
Jason: Ich habe beobachtet dass Menschen, die gut sind Analytiker haben einen Zwang, zu verstehen, was sie tun , was bedeutet, die Statistik zu lernen istisch 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 harten Fragen zu beantworten? Ich denke nicht, dass jeder Data Scientist das Wissen eines Mathematikers 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, mit denen ich interagiere , Dies sind verschiedene Jobfunktionen mit unterschiedlichen Führung, aber sie werden beide als Datenwissenschaftler bezeichnet . Der Datenarchitekten benötigen möglicherweise nicht so viel Verständnis für die Statistik istisch S als die Analysten, aber sie sollten genug haben, um ihre Arbeit zu leiten.Jeder kann von besseren Statistikkenntnissen profitieren! Warum nur von den Datenwissenschaftlern und Statistikern verlangen?
Ich brauche etwas Hilfe in den Bereichen ML und KI. Muss ich jemanden mit betriebswirtschaftlichem Fachwissen einstellen oder kann ich das einfach einem talentierten Datenwissenschaftler mit ML- und KI-Fachwissen zur Verfügung stellen? Ich habe einige grundlegende Statistik- und Data-Science-Fähigkeiten.
Cameron: Data Scientists werden oft als Personen mit starken Statistiken definiert istisch s/Analytik, Programmierung und Domäne Sachverstand , aber glücklicherweise wird letzteres in der Regel am Arbeitsplatz und auf dem Niveau erworben, das erforderlich ist, um effektiv zu sein. Als Industriestatistiker bei Gore ab Die Stoffabteilung musste ich sehr viel über Textilien lernen, Laminierung und Web-Handling ; aber schon nach wenigen Wochen konnte ich genug lernen, um den Ingenieuren Fragen zu stellen hatte nicht dachte nach ihrem Prozess zu fragen. Durch die Zusammenarbeit mit ihnen konnten sie viele meiner Wissenslücken schließen damit uns, gemeinsam eine effektive Strategie zur Lösung ihres Problems zu entwickeln. Ich habe die gleiche Erfahrung in unserem gemacht M medizinisch P Produktbereich, HR , und jetzt in jüngerer Zeit , S liefern C Hain.Möglicherweise finden Sie einen Kandidaten, der in Ihrem Bereich einen Bachelor-Abschluss gemacht hat, aber einen Abschluss in Statistik gemacht hat istisch 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 sich sowohl mit Domain- als auch mit Data Science oder sogar mit grundlegenden statistischen Problemlösungen auskennt 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 Ausbildung. Ich glaube, dass mit einem festen auf Der Einarbeitungsprozess mit Schulung ist für den Erfolg eines neuen Mitarbeiters von grundlegender Bedeutung. Ich denke, die meisten Unternehmen das Wissen haben, Domain zu trainieren Sachverstand müssen aber möglicherweise noch den Lehrplan und die Struktur entwerfen um es zu liefern .Wenn Ihr Unternehmen nicht über das erforderliche Qualifikationsniveau verfügt, um ML und statistische Problemlösungsfähigkeiten zu vermitteln an jemanden mit Domäne Sachverstand , finden Sie gute Berater, mit denen Sie zusammenarbeiten können, bis Die Gesamtfertigkeitsniveau erreicht was ist benötigt, um intern zu unterrichten.Jedes Unternehmen y kann b profitiere von einem tiefen po ol von exp ertise in th e Statistik Probleme lösen Reich.
Es gibt eine anhaltende Debatte darüber, ob es besser ist, „gute“ Data Scientists mit Fachkenntnissen zu haben und möglicherweise eine „Vorliebe“ für Daten-/Ergebnisinterpretationen zu haben, anstatt „reine“ Data Scientists zu haben, die stattdessen mit Fachexperten zusammenarbeiten können. Gedanken?
Cameron: Domain Sachverstand würde meiner Meinung nach immer die Bedenken über mögliche Verzerrungen überwiegen . Domänenwissen hilft Ihnen antizipieren Probleme, verstehen Nuancen, die haben eine große Wirkung , und interpretieren Sie die Ergebnisse richtig. Jedoch, Ich denke es Es ist sinnvoller, Mitarbeiter auf der Grundlage von Analyse- und Programmierkenntnissen anstelle von Domänenkenntnissen einzustellen seit die in der Regel bei der Arbeit erworben werden können und sich dabei auf andere in ihrem Team stützen Sachverstand in der Zwischenzeit.
Jason: Ich möchte zuerst auf den zweiten Teil der Frage eingehen. Wenn Sie einen Datenwissenschaftler mit Fachexperten zusammenbringen, um schwierige Geschäftsprobleme zu lösen , wird der Datenwissenschaftler keine Domäne entwickeln Sachverstand ? Ich stimme zu, dass es gut ist, kollaborativ/funktionsübergreifend zu arbeiten, um eine Brücke zu schlagen Sachverstand Lücken. Wir müssen uns auf unsere Kollegen verlassen können WHO Dinge wissen w e anziehen 'T . ICH Auch denken Es Es ist gut, neue Perspektiven zu haben . A t zur gleichen Zeit , woher weißt du das welche Fragen ohne Domänenkenntnisse? Das muss irgendwo herkommen. Warum nicht eine Domain entwickeln N Experten se in jedem , einschließlich Die Datenwissenschaftler ?Alle Wissenschaftler sollten sich der kognitiven Voreingenommenheit bewusst sein und darauf achten Achtung für Es persönlich und organisatorisch. Ein guter Weg Zu bewältigen Dies ist zum diszipliniert sein Stat ing Analyseziele, Hypothesen, Annahmen und potenzielle Lücken, bevor Sie loslegen experimentieren bzw Analyse. Wenn du nicht , ist es für unseren Verstand zu einfach, das ursprüngliche Denken oder die Absicht zu verzerren, um mit dem, was gegenwärtig sichtbar ist, übereinzustimmen . Verzerrungen wie diese können total Maske die Eureka ! Momente th Wir alle sehnen uns danach.
Sam: Normalerweise braucht es ein Team, um ein Problem zu lösen, und jeder im Team spielt eine Rolle. Der „reine“ Data Scientist kann sich auf mehr Technik konzentrieren Details aber muss in der Lage sein, mit dem Rest des Teams zu kommunizieren und dessen Vertrauen zu haben. Diese Person muss auch ein gutes Geschäft haben Scharfsinn , um das sehen zu können großes Bild und die Politik der Situation und Organisation verstehen. Ein guter Data Scientist kann das Auch das betriebswirtschaftliche Wissen erwerben damit sie ein effektiveres Mitglied des Teams sind .
Sie alle haben bestätigt, dass eine Teamumgebung die optimale Umgebung für Data Scientists/Ingenieure für maschinelles Lernen ist. Was sind die roten Fahnen in Stellenbeschreibungen, wenn Sie nach einem Job in diesem Bereich suchen?
Cameron: Ein großes Warnsignal ist, wenn die Stellenbeschreibung ein Data-Science-„Einhorn“ beschreibt und die aufgeführten Verantwortlichkeiten Dinge wie einen Dateningenieur, App-Ingenieur usw. umfassen. , würde normalerweise tun. Suchen Sie nach Ausdrücken wie „funktionsübergreifend“ und „Team“ oder nach Beschreibungen der Art von Personen, mit denen Sie zusammenarbeiten würden, als Hinweis darauf, dass die Organisation über eine ausgereifte Data-Science-Funktion verfügt oder sich zumindest Gedanken darüber gemacht hat, wie sie sind werde diese Fähigkeit ausbauen.
Selbst wenn Leute von KI sprechen, verwenden sie immer noch Statistiksoftware wie JMP, um die Daten zu analysieren und Modelle zu erstellen?
Cameron : KI erfordert nicht immer eine kundenspezifische Lösung, und es sind sicherlich nicht immer tiefe neuronale Netze!Es gibt so viele ML-Methoden für überwachtes und unüberwachtes Lernen, die mit Point-and-Click-Software wie z JMP .
Sam : Große Datenwissenschaftler können sein ermächtigt machen Gute Arbeit wenn sie über die Tools verfügen, mit denen sie Analysen durchführen können . Ja, viele Data Scientists 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. In Kombination mit seinen Datenvisualisierungs- und Explorationsfähigkeiten kann es die Geschwindigkeit und Qualität der geleisteten KI-Arbeit wirklich verbessern .
Können Sie einen Online-Kurs für eine Einführung in maschinelles Lernen empfehlen?
Cameron: Ich bin ein großer Fan von Andrew Ngs Machine Learning-Kurs auf Coursera als Einführung. Es umfasst neuronale Netze, aber auch Regression, logistische Regression, Support Vector Machines usw. Wenn Sie mehr über fortschrittliche neuronale Netze erfahren möchten, machen Sie die Deep Learning-Spezialisierung über deeplearning.ai, ebenfalls in Coursera.Der Machine Learning-Kurs von Andrew Ng verwendet Open Source Matlab Klon namens Octave, den Sie wahrscheinlich nie wieder verwenden werden. Sie verwenden Python über Jupyter Notebooks 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 diese an Spezialisierung Data Science 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 dafür, dass sie sich die Zeit genommen haben, ihre wertvoll Perspektiven An Sachverstand und Training.
Wir haben noch ein Training Anregung : Statistisches Denken für die industrielle Problemlösung ist verfügbar von JMP ebenso gut wie aus Coursera . Im nächsten Beitrag, unsere Diskussionsteilnehmer Wille A Fragen beantworten über Daten und Modellierung.
Wenn Sie keine Gelegenheit hatten, das Panel live zu sehen, können Sie sich die Aufzeichnung von ansehen Reichen Big Data und maschinelle Lernmethoden aus? auf unserer Website.
