Dati oscuri, competenza, modellazione: abbiamo trattato una serie di argomenti il 18 ottobre . 1 Statisticamente parlando . Davide Mano ha dato un brillante plenaria parlare e prepara il terreno per una grande tavola rotonda mettendoci in guardia ricordare che è necessario pensare e di cui essere consapevoli tutti i dati oscuri là fuori — IL dati che non vediamo, ma di cui abbiamo bisogno tenere in considerazione . Dati oscuri: perché ciò che non sai M atterri è il suo ultimo libro (vedi a post sul blog Di Esso ; se non l'hai letto , è possibile ottenere un campione estratto ).
I relatori includevano Cameron Willden , statistico A WL Gore, che supporta gli ingegneri E scienziati in molte diverse linee di prodotti; Sam Gardner, fondatore di Wildstat Consulenza , con più di 30 anni di esperienza nel problema statistico risolvendo per governo E industria; E di JMP Jason Wiggins , un veterano di US Synthetic da 20 anni con esperienza nell'ottimizzazione dei processi, nell'analisi dei sistemi di misurazione e nella modellazione predittiva/data mining.
Abbiamo esaurito il tempo prima di poter rispondere a tutte le domande del pubblico in live streaming , ma i nostri relatori hanno gentilmente accettato di fornire risposte a molte di esse , condividendo ulteriormente la saggezza delle loro esperienze collettive . IL domande sono raggruppati per argomento - ce n'erano così tanti, stiamo facendo due post . In questa prima parte, noi si concentrerà su tutte le questioni relative alle competenze e alla formazione. Parte T wo coprirà domande sulla modellazione e sui dati.
La scienza dei dati sembra consentire a un sacco di persone che non sono addestrate analiticamente di ottenere lavori analitici. Quali sono i tuoi pensieri su questo?
Cameron : Se le persone stanno facendo scienza dei dati ma tutto quello che sanno è, "Metti i dati a questo fine e ottieni la risposta a questo fine", le persone che prendono decisioni basate su quel lavoro sono in un mondo di dolore.Non ho paura di democratizzare tutti i tipi di analisi, ma le persone devono comunque avere una buona conoscenza di base delle statistiche e dei limiti di ogni strumento nella tua cassetta degli attrezzi. Più precisamente, dovrebbero essere in grado di riconoscere in modo affidabile quando stanno per entrare in conflitto con tali limitazioni nel mondo reale. Arrivare a quel punto no richiedono un del maestro laurea in statistica istico s o M macchina l guadagnare (ml ) Ma arrivarci attraverso una combinazione di formazione formale e apprendistato informale mi sembra realistico.
Sam: Su tutto , Trovo che questa sia una buona cosa. Innovatori (come JMP !) ho creato davvero meraviglioso strumenti software Quello hanno consentito una “democratizzazione” dell'analytics, dove le competenze primarie richiedevano a Rif meno sulla programmazione e la matematica e più sulla risoluzione dei problemi, sul lavoro di squadra, sul business o sull'organizzazione acume e comunicazione. Ci sono più problemi da risolvere tha N ci sono persone per risolverli attualmente, e ciò di cui le organizzazioni hanno bisogno sono persone con un alto "quoziente analitico" (AQ). I dipendenti con un QA elevato possono provenire da una varietà di background e avere un insieme variabile di competenze, ma devono comunque comprendere le idee fondamentali nella scienza dei dati .
Penso che ci sia l'idea che i data scientist non abbiano bisogno di conoscere le statistiche. Sento che è una tendenza pericolosa. Qual è la tua opinione?
Sam: Sebbene, come ho risposto sopra, avere persone con un QA elevato e l'accesso a buoni strumenti software possa consentire a un'azienda di fare scienza dei dati in tutta l'azienda, è comunque necessario un gruppo di persone con una profonda conoscenza delle scienze matematiche. La ragione di ciò è che sono il team principale che svilupperà strumenti e processi interni migliori per la scienza dei dati . UN s l'azienda cresce io T S AQ, i problemi facili verranno risolti e i problemi rimanenti spesso richiedono un approccio più tecnico e competenza risolvere. Inoltre, gli statistici in genere hanno un acuto senso di come risolvere quei problemi difficili. Quindi sì, io è utile per l'accesso della tua organizzazione uno statistico, e D su non supponi solo di poter far crescere la tua organizzazione ' s AQ senza l'aiuto ei servizi di uno statistico .
Giasone: ho osservato quella gente che è buona analisti hanno una compulsione per capire cosa stanno facendo , il che significa imparare la statistica istico S. È apparente in una presentazione o in una relazione tecnica quando qualcuno ne ha una profonda comprensione Che cosa sono comunicare . Ne sanno abbastanza per comunicare risultati e metodi in modo semplice e rispondere alle difficili domande che seguono? Non credo che ogni scienziato di dati dovrebbe avere la conoscenza di un matematico statistico, ma dovrebbero avere una buona base teorica e applicativa degli strumenti che utilizzano .Penso anche che ci sia una distinzione tra data scientist che sono analisti e quelli che sono data architects. In alcune aziende con cui interagisco , queste sono diverse funzioni lavorative con diversi comando, ma sono entrambi indicati come data scientist . IL gli architetti dei dati potrebbero non aver bisogno della stessa comprensione delle statistiche istico S COME gli analisti, ma dovrebbero avere abbastanza per guidare il loro lavoro.Tutti possono beneficiare di una migliore conoscenza delle statistiche! Perché richiederlo solo ai data scientist e agli statistici?
Ho bisogno di aiuto nei campi ML e AI. Devo assumere qualcuno con esperienza nel dominio aziendale o posso fornirlo semplicemente a uno scienziato di dati di talento con esperienza in ML e AI? Ho alcune statistiche di base e competenze di data science.
Cameron: I data scientist sono spesso definiti come persone che hanno statistiche forti istico s/analisi, programmazione e dominio competenza , ma fortunatamente quest'ultimo è in genere acquisito sul posto di lavoro e al livello necessario per essere efficace. Come statistico industriale alla Gore, all'inizio IL Divisione tessuti, ho dovuto imparare moltissimo sui tessuti, laminazione e gestione web ; ma sono stato in grado di imparare abbastanza dopo poche settimane per iniziare a fare domande agli ingegneri non l'avevo fatto pensato di chiedere informazioni sul loro processo. Collaborando con loro, sono stati in grado di colmare molte delle lacune di conoscenza che avevo in ordine per di creare collettivamente una strategia efficace per risolvere il loro problema. Ho vissuto la stessa esperienza nel ns M edico P divisione prodotti, Risorse Umane , e ora più recentemente , S up C hain.Potresti trovare un candidato che ha conseguito una laurea nel tuo dominio ma ha completato una laurea in statistica istico s/ML/scienza dei dati. Mi sembra un'eccezione rara e potresti aspettare un'eternità per trovare quel candidato.
Giasone: Raramente ho avuto il lusso di assumere qualcuno con entrambi i domini e la scienza dei dati o anche la risoluzione di problemi statistici di base competenza . Ho cercato persone che lo sono capace studenti e avere dimostrato successo nell'apprendimento di nuovi concetti . Se un nuovo assunto ha l'attitudine, puoi colmare le lacune competenza con la formazione. Credo che avere un solido su il processo di imbarco con la formazione è fondamentale per il successo di un nuovo assunto. Penso che la maggior parte delle aziende avere le conoscenze per addestrare il dominio competenza ma potrebbe ancora essere necessario progettare il curriculum e la struttura per consegnarlo .Se la tua azienda non ha il livello di abilità necessario per insegnare ML e capacità di problem solving statistico a qualcuno con dominio competenza , trova buoni consulenti con cui collaborare fino a quando IL raggiunge il livello di abilità complessivo cosa è necessarie per insegnare internamente.Ogni compagnia puoi b enefit dall'avere un po profondo ol di esp ertise in th e statistico risoluzione dei problemi regno.
È in corso un dibattito sul fatto che sia meglio avere data scientist "buoni" con conoscenza del dominio e potrebbe avere un "pregiudizio" verso le interpretazioni di dati/risultati rispetto ad avere data scientist "puri" che possono invece collaborare con esperti di dominio. Pensieri?
Cameron: Dominio competenza secondo me, supererebbe sempre le preoccupazioni per il potenziale pregiudizio . La conoscenza del dominio ti aiuta anticipare problemi, capire le sfumature che hanno un grande impatto e interpretare correttamente i risultati. Tuttavia, lo penso ha più senso assumere in base alle capacità di analisi e codifica piuttosto che alla conoscenza del dominio Da che di solito possono essere acquisiti sul posto di lavoro, appoggiandosi ad altri membri del proprio team per questo competenza nel frattempo.
Giasone: Vorrei affrontare prima la seconda parte della domanda. Se accoppi un data scientist con esperti di dominio per risolvere problemi aziendali difficili , il data scientist non svilupperà il dominio competenza ? Sono d'accordo che sia positivo lavorare in modo collaborativo/interfunzionale per creare un ponte competenza lacune. Dobbiamo fare affidamento sui nostri colleghi Chi sapere cose w e assistente 'T . IO Anche pensare Esso è bello avere nuove prospettive . UN allo stesso tempo , come fai a sapere Quale domande da porre senza la conoscenza del dominio? Deve provenire da qualche parte. Perché non sviluppare domai N experti se in tutti , Compreso IL scienziato dei dati ?Tutti gli scienziati dovrebbero essere consapevoli dei pregiudizi cognitivi ed essere sul attenzione per Esso personale e organizzativo. Un buon modo A affrontare questo è per essere disciplinato a statistica ing obiettivi di analisi, ipotesi, ipotesi e potenziali lacune prima di intraprendere sperimentazione o analisi. Se tu non , è troppo facile per le nostre menti distorcere il pensiero o l'intento originale per corrispondere a ciò che è attualmente visibile . Distorsioni come questa possono totalmente maschera l'Eureka ! momenti th a tutti noi bramiamo.
Sam: Di solito ci vuole una squadra per risolvere un problema e tutti i membri della squadra svolgono un ruolo. Il data scientist "puro" può concentrarsi su aspetti più tecnici dettagli ma deve essere in grado di comunicare e avere la fiducia del resto del team. Quella persona deve anche avere buoni affari acume , per poter vedere il quadro generale e comprendere la politica della situazione e dell'organizzazione. Un buon data scientist può Anche apprendere la conoscenza del dominio aziendale in modo che siano un membro più efficace della squadra .
Tutti voi avete confermato che l'impostazione ottimale per data scientist/machine learning engineer è un ambiente di squadra. Quando si cerca un lavoro in quest'area, quali sono i segnali d'allarme nelle descrizioni dei lavori?
Cameron: La principale bandiera rossa è quando la descrizione del lavoro descrive un "unicorno" di data science e le responsabilità elencate includono cose come ingegnere di dati, ingegnere di app, ecc. , in genere lo farebbe. Cerca frasi come "interfunzionale" e "team" o descrizioni dei tipi di persone con cui lavoreresti per indicare che l'organizzazione ha una funzione di data science matura o almeno è stata ponderata su come sono accrescerà questa capacità.
Anche quando le persone parlano di intelligenza artificiale, utilizzano ancora software statistici come JMP per analizzare i dati e creare modelli?
Cameron : L'intelligenza artificiale non richiede sempre una soluzione personalizzata e certamente non si tratta sempre di reti neurali profonde!Esistono così tanti metodi ML per l'apprendimento supervisionato e non supervisionato che possono essere eseguiti molto bene con software punta e clicca come JMP .
Sam : I grandi data scientist possono esserlo potenziato fare ottimo lavoro se hanno gli strumenti che consentono loro di fare analisi . Sì, molti data scientist avranno JMP nella loro cassetta degli attrezzi analitica! Le capacità di modellazione di JMP sono diverse e complete e, anche se potresti non essere in grado di fare tutto ciò che devi fare in JMP, può comunque fare molto per te. Combinando questo con le sue capacità di visualizzazione ed esplorazione dei dati, può davvero migliorare la velocità e la qualità del lavoro svolto dall'IA .
Puoi consigliare un corso online per un'introduzione all'apprendimento automatico?
Cameron: Sono un grande fan del corso di Machine Learning di Andrew Ng su Coursera come introduzione. Copre reti neurali, ma anche regressione, regressione logistica, macchine vettoriali di supporto, ecc. Se vuoi saperne di più sulle reti neurali avanzate, fai la specializzazione Deep Learning tramite deeplearning.ai, sempre in Coursera.Il corso di Machine Learning di Andrew Ng utilizza un opensource matlab clone chiamato Octave, che probabilmente non userai mai più. Userai Python tramite Giove Notebook per tutti i corsi deeplearning.ai, che è molto più utile, e verrai anche introdotto ai framework ML più popolari in Python come Keras e TensorFlow.
Giasone: Ho preso diversi moduli Coursera. Penso che questo su Specializzazione in scienze dei dati è un buon punto di partenza. Verso la scienza dei dati è una grande risorsa , pure.
Apprezziamo le numerose domande dei nostri spettatori presentato durante il live streaming di Statistically Speaking, e apprezziamo Cameron, Sam e Jason per aver dedicato del tempo a condividere il loro prezioso prospettive SU competenza e formazione.
Abbiamo un altro allenamento suggerimento : Pensiero statistico per la risoluzione dei problemi industriali è disponibile da JMP così come da Coursera . Nel prossimo post, i nostri relatori Volere UN rispondere alle domande sui dati e la modellazione.
Se non hai avuto la possibilità di vedere il panel dal vivo, puoi guardare la registrazione di I metodi di Big Data e Machine Learning sono sufficienti? sul nostro sito web.
