다크 데이터, 전문성, 모델링 — 10월에 다양한 주제를 다루었습니다. . 1 통계적으로 말하자면 . 데이비드 핸드 찬란한 완전한 이야기하고 우리에게 경고함으로써 훌륭한 패널 토론의 무대를 마련하십시오. 기억하다 생각이 필요하고 인식해야합니다. 모든 다크 데이터 저 밖에 — 그만큼 우리가 볼 수 없지만 필요한 데이터 고려하다 . 다크 데이터: 당신이 모르는 이유 중 아터 그의 최신 저서입니다(참조 블로그 게시물 ~에 대한 그것 ; 당신이 그것을 읽지 않았다면 , 당신은 샘플을 얻을 수 있습니다 발췌 ).
패널리스트에는 Cameron이 포함되었습니다. 윌든 , 통계학자 ~에 WL 엔지니어를 지원하는 Gore 그리고 다양한 제품 라인의 과학자들; 창립자 샘 가드너 와일드 스탯 컨설팅 , 30년 이상의 통계 문제 해결 경험으로 해결 ~을 위한 정부 그리고 산업; 그리고 JMP의 제이슨 위긴스 , 프로세스 최적화, 측정 시스템 분석 및 예측 모델링/데이터 마이닝에 대한 전문 지식을 갖춘 20년 미국 합성 베테랑.
모든 질문에 답하기 전에 시간이 부족했습니다. 실시간 스트리밍 시청자의 질문 , 그러나 우리 패널리스트는 그들 중 많은 질문에 대한 답변을 제공하는 데 친절하게 동의했습니다. , 공동 경험에서 얻은 지혜를 더 공유 . 그만큼 질문 주제별로 그룹화되어 있습니다. — 너무 많아서 두 개의 게시물을 작성합니다. . 이 첫 번째 부분에서 우리는 전문 지식과 교육에 관한 모든 질문에 초점을 맞출 것입니다. 부분 티 wo는 모델링 및 데이터에 대한 질문을 다룰 것입니다.
데이터 과학은 분석 훈련을 받지 않은 많은 사람들이 분석 작업을 할 수 있도록 허용하는 것 같습니다. 이것에 대한 당신의 생각은 무엇입니까?
카메론 : 사람들이 데이터 사이언스를 하고 있다면 하지만 그들이 아는 전부는 “데이터를 이 끝에 넣고 답을 이 끝에 가져옵니다.” 그 작업을 기반으로 결정을 내리는 사람들은 상처받는 세상입니다.나는 모든 종류의 분석을 민주화하는 것을 두려워하지 않지만 사람들은 여전히 도구 상자에 있는 모든 도구의 한계와 통계에 대한 기초적인 이해가 필요합니다. 보다 정확하게는 현실 세계에서 이러한 제한 사항을 위반하려고 할 때 안정적으로 인식할 수 있어야 합니다. 그 지점에 도달하기 하지 않는다 요구하다 석사 통계 학위 이스틱 s 또는 중 아친 엘 적립 (ML ) 하지만 정식 교육과 비공식 도제를 결합하여 거기에 도달하는 것이 나에게는 현실적으로 보입니다.
샘: 전체적으로 , 나는 이것이 좋은 일이라고 생각합니다. 혁신가(예: JMP !) 만들었습니다 정말 멋진 소프트웨어 도구 저것 주요 기술이 필요한 분석의 "민주화"를 가능하게 했습니다. 답장 프로그래밍과 수학보다는 문제 해결, 팀워크, 비즈니스 또는 조직에 대한 정보가 더 많습니다. 예리함 그리고 커뮤니케이션. 풀어야 할 문제가 더 많다 그쪽으로 N 해결해주는 사람들이 있다 현재 조직에 필요한 것은 "AQ(Analytics Quotient)"가 높은 사람입니다. AQ가 높은 직원은 다양한 배경과 다양한 기술을 보유할 수 있지만 여전히 모두 데이터 과학의 기본 아이디어를 이해해야 합니다. .
데이터 과학자가 통계를 알 필요가 없다는 개념이 있다고 생각합니다. 위험한 추세라고 생각합니다. 당신의 의견 것입니다?
샘: 위에서 답한 것처럼 AQ가 높고 좋은 소프트웨어 도구에 액세스할 수 있는 사람이 있으면 기업이 비즈니스 전반에 걸쳐 데이터 과학을 수행할 수 있지만 여전히 수학 과학에 대한 깊은 지식을 가진 핵심 인력이 필요합니다. 그 이유는 그들이 데이터 과학을 위한 더 나은 내부 도구와 프로세스를 개발할 핵심 팀이기 때문입니다. . ㅏ 사업이 성장하다 나 티 에스 AQ, 쉬운 문제는 해결되고 나머지 문제는 종종 더 기술적인 이자형 전문가 해결하다. 또한 통계학자는 일반적으로 이러한 어려운 문제를 해결하는 방법에 대한 예리한 감각을 가지고 있습니다. 네, 그렇습니다. 나 t의 귀하의 조직이 액세스할 수 있는 좋은 통계학자, 그리고 디 에 하지 조직을 성장시킬 수 있다고 가정하십시오. ' 통계학자의 도움과 서비스가 없는 AQ .
제이슨: 나는 관찰했다 그 좋은 사람들 애널리스트 그들이하고있는 일을 이해해야한다는 강박이 있습니다. , 이것은 통계를 배우는 것을 의미합니다 이스틱 에스. 그것은 명백한 누군가가 깊은 이해를 가지고 있을 때 프레젠테이션이나 기술 보고서에서 무엇 그들은 소통하다 . 그들은 연구 결과와 방법을 간단하게 전달하고 뒤따르는 어려운 질문에 답할 수 있을 만큼 충분히 알고 있습니까? 모든 데이터 과학자가 수학적 지식을 가져야 한다고 생각하지 않습니다. 통계학자, 그러나 그들은 이론과 응용에 대한 꽤 좋은 기초를 가지고 있어야 합니다. 그들이 사용하는 도구 중 .또한 분석가인 데이터 과학자와 데이터 설계자인 데이터 사이언티스트 간에 차이가 있다고 생각합니다. 내가 교류하는 일부 회사에서 , 이들은 서로 다른 직업 기능입니다. 지도, 하지만 둘 다 데이터 과학자라고 불립니다. . 그만큼 데이터 설계자는 통계에 대한 많은 이해가 필요하지 않을 수 있습니다. 이스틱 에스 ~처럼 그러나 그들은 그들의 작업을 안내하기에 충분해야 합니다.누구나 통계에 대한 더 나은 지식을 얻을 수 있습니다! 데이터 과학자와 통계학자에게 왜 그것을 요구합니까?
ML 및 AI 분야에서 도움이 필요합니다. 비즈니스 도메인 전문 지식을 갖춘 사람을 고용해야 합니까, 아니면 단순히 ML 및 AI 전문 지식을 갖춘 유능한 데이터 과학자에게 제공할 수 있습니까? 기본적인 통계와 데이터 과학 기술이 있습니다.
카메론: 데이터 과학자는 종종 강력한 통계를 가진 사람으로 정의됩니다. 이스틱 S/분석, 프로그램 작성 및 도메인 전문적 지식 , 그러나 다행스럽게도 마지막 것은 일반적으로 직장에서 효율적으로 필요한 수준으로 획득됩니다. Gore의 산업 통계학자로서 그만큼 직물 사업부, 나는 직물에 대해 엄청나게 많은 것을 배워야 했습니다. 라미네이션 및 웹 처리 ; 하지만 몇 주 만에 엔지니어에게 질문을 할 수 있을 만큼 충분히 배울 수 있었습니다. 하지 않았다 그들의 과정에 대해 물어볼 생각. 그들과 협력함으로써 그들은 내가 가진 많은 지식 격차를 채울 수 있었습니다. 위해서는 문제를 해결하기 위한 효과적인 전략을 집단적으로 만들 수 있습니다. 나는 우리 회사에서 같은 경험을 했다. 중 교육 피 제품 부문, 인사 , 그리고 이제 더 최근에 , 에스 공급하다 씨 하인.귀하의 도메인에서 학사 학위를 받았지만 통계학에서 대학원 학위를 취득한 후보자를 찾을 수 있습니다. 이스틱 s/ML/데이터 과학. 그것은 나에게 드문 예외로 보이며 그 후보를 찾기 위해 영원을 기다릴 수도 있습니다.
제이슨: 나는 도메인과 데이터 사이언스 또는 기본적인 통계 문제 해결을 모두 갖춘 사람을 고용할 수 있는 사치가 거의 없었습니다. 전문적 지식 . 하는 분들을 찾아봤습니다 유능한 학습자 그리고 가지고 시연 새로운 개념 학습의 성공 . 신입사원이 적성이 있다면 부족한 부분을 채워줄 수 있습니다. 전문적 지식 훈련으로. 나는 단단한 것을 가지고 있다고 믿습니다. 교육을 통한 탑승 절차는 신입사원의 성공을 위한 기본입니다. 나는 대부분의 회사가 도메인을 훈련하는 지식을 가지고 전문적 지식 그러나 여전히 커리큘럼과 구조를 설계해야 할 수도 있습니다. 그것을 전달하기 위해 .회사에 ML 및 통계적 문제 해결 기술을 가르치는 데 필요한 기술 수준이 없는 경우 도메인을 가진 사람에게 전문적 지식 , 파트너가 될 때까지 좋은 컨설턴트를 찾으십시오. 그만큼 전체 스킬 레벨 도달 무엇인가요 내부 교육이 필요합니다.모든 회사 y 수 b 깊은 포를 갖는 것의 이점 경험치의 올 일에 ertise 전자 통계 문제 해결 왕국.
도메인 지식을 갖춘 "훌륭한" 데이터 과학자를 보유하고 데이터/결과 해석에 대해 "편향"을 가질 수 있는지와 대신 도메인 전문가와 협업할 수 있는 "순수한" 데이터 과학자를 보유하는 것이 더 나은지에 대한 논쟁이 계속되고 있습니다. 생각?
카메론: 도메인 전문적 지식 내 의견으로는 항상 편향 가능성에 대한 우려보다 중요합니다. . 도메인 지식이 도움이 됩니다. 예상하다 문제, 뉘앙스 이해 큰 영향 , 결과를 올바르게 해석합니다. 하지만, 나는 그것을 생각한다 도메인 지식보다 분석 및 코딩 기술을 기반으로 고용하는 것이 더 합리적입니다. ~부터 일반적으로 직장에서 습득할 수 있으며 팀의 다른 사람들에게 기대어 전문적 지식 그 사이에.
제이슨: 질문의 두 번째 부분을 먼저 다루고 싶습니다. 어려운 비즈니스 문제를 해결하기 위해 데이터 과학자와 도메인 전문가를 연결하는 경우 , 데이터 과학자가 도메인을 개발하지 않습니까? 전문적 지식 ? 협업/기능 간 협업을 통해 다리를 연결하는 것이 좋다는 데 동의합니다. 전문적 지식 틈. 우리는 동료들에게 의존해야 합니다. WHO 아는 것 w 이자형 두목 '티 . 나 또한 생각하다 그것 새로운 관점을 갖는 것이 좋다 . ㅏ 동시에 , 어떻게 알아? 어느 도메인 지식없이 물어볼 질문? 그것은 어딘가에서 와야합니다. 도메인을 개발하지 않는 이유 N 전문가 그 자체 모두에게 , 포함 그만큼 데이터 과학자 ?모든 과학자는 인지 편향을 인지하고 있어야 합니다. 임무 ~을 위한 그것 개인적으로 조직적으로. 좋은 방법 에게 다루다 이것은 징계를 받다 통계 ing 분석 목표, 가설, 가정 시작하기 전에 잠재적인 격차 실험이나 분석. 만약 너라면 ~하지 않다 , 현재 눈에 보이는 것과 일치시키기 위해 원래의 생각이나 의도를 왜곡하는 것은 우리의 마음이 너무 쉽습니다. . 이와 같은 왜곡은 완전히 마스크 유레카 ! 순간 일 우리 모두는 갈망합니다.
샘: 일반적으로 문제를 해결하려면 팀이 필요하며 팀의 모든 사람이 역할을 수행합니다. "순수한" 데이터 과학자는 보다 기술적인 부분에 집중할 수 있습니다. 세부 사항이지만 나머지 팀과 소통하고 신뢰를 얻을 수 있어야 합니다. 그 사람도 장사가 잘 되어야 예리함 , 볼 수 있도록 큰 그림 상황과 조직의 정치를 이해합니다. 훌륭한 데이터 과학자는 또한 비즈니스 도메인 지식을 배우십시오 그들이 팀의 더 효과적인 구성원이 되도록 .
데이터 과학자/머신 러닝 엔지니어를 위한 최적의 설정이 팀 환경이라는 점을 모두 확인하셨습니다. 이 분야에서 직업을 찾을 때 직업 설명의 위험 신호는 무엇입니까?
카메론: 주요 위험 신호는 직무 설명이 데이터 과학 "유니콘"을 설명하고 나열된 책임에 데이터 엔지니어, 앱 엔지니어 등이 포함되는 경우입니다. , 일반적으로 할 것입니다. "다기능" 및 "팀"과 같은 문구 또는 조직이 성숙한 데이터 과학 기능을 가지고 있거나 적어도 그들이 어떻게 생각하는지에 대해 생각했다는 표시로 함께 일할 사람들의 유형에 대한 설명을 찾으십시오. 그 능력을 키울 것입니다.
사람들이 AI에 대해 이야기할 때에도 여전히 JMP와 같은 통계 소프트웨어를 사용하여 데이터를 분석하고 모델을 만들고 있습니까?
카메론 : AI에 항상 맞춤형 솔루션이 필요한 것은 아니며, 항상 심층 신경망이 필요한 것도 아닙니다!다음과 같은 포인트 앤 클릭 소프트웨어로 정말 잘 수행할 수 있는 감독 및 비지도 학습을 위한 ML 방법이 너무 많습니다. JMP .
샘 : 훌륭한 데이터 과학자는 권한이 있는 할 것 훌륭한 일 분석을 수행할 수 있는 도구가 있는 경우 . 예, 많은 데이터 과학자가 분석 도구 상자에 JMP를 포함할 것입니다! JMP의 모델링 기능은 다양하고 포괄적이며 JMP에서 필요한 모든 작업을 수행할 수는 없지만 JMP는 여전히 많은 작업을 수행할 수 있습니다. 이를 데이터 시각화 및 탐색 기능과 결합하면 수행되는 AI 작업의 속도와 품질을 실제로 향상시킬 수 있습니다. .
기계 학습 입문을 위한 온라인 과정을 추천해 주시겠습니까?
카메론: 저는 소개로 Coursera에서 Andrew Ng의 기계 학습 과정을 매우 좋아합니다. 신경망뿐만 아니라 회귀, 로지스틱 회귀, 지원 벡터 머신 등도 다룹니다. 고급 신경망에 대해 자세히 알아보려면 Coursera에서도 deeplearning.ai를 통해 딥 러닝 전문화를 수행하십시오.Andrew Ng의 기계 학습 과정은 오픈 소스를 사용합니다. 매트랩 아마 다시는 사용하지 않을 Octave라는 클론입니다. 다음을 통해 Python을 사용합니다. 주피터 훨씬 더 유용한 모든 deeplearning.ai 과정을 위한 노트북과 다음과 같이 Python에서 가장 인기 있는 ML 프레임워크도 소개됩니다. 케라스 그리고 TensorFlow.
제이슨: 여러 Coursera 모듈을 수강했습니다. 나는 이것을 생각한다 데이터 과학 전문화 시작하기에 꽤 좋은 곳입니다. 데이터 과학을 향하여 훌륭한 자원입니다 , 도.
시청자 여러분의 많은 질문에 감사드립니다. 제출된 Statistically Speaking 생중계 중 감사합니다 Cameron, Sam, Jason은 시간을 내어 귀중한 관점 ~에 전문적 지식 그리고 훈련.
교육이 하나 더 있습니다 제안 : 산업문제 해결을 위한 통계적 사고 사용할 수 있습니다 JMP에서 게다가 ~에서 코세라 . 다음 포스팅에서는 패널리스트 ~ 할 것이다 ㅏ 답변 질문 데이터 및 모델링에 대해.
패널을 라이브로 볼 기회가 없다면, 빅데이터와 머신러닝 방법만으로 충분할까? 저희 웹사이트에서.
