Cameron Willden supporta ingegneri e scienziati in molte diverse linee di prodotti presso WL Gore, concentrandosi sulla produzione e sullo sviluppo di nuovi prodotti.
Cameron Willden, WL Gore, tocca le differenze tra data science e statistica e le differenze tra machine learning e AI. Risponde ad alcuni degli obiettivi di apprendimento trattati in una nota di apertura dell'autore David J. Hand e fornisce la sua prospettiva basata su anni nel settore. Puoi guardare il keynote e la tavola rotonda in ogni momento.
Hai bisogno di aiuto per demistificare l'apprendimento automatico e l'intelligenza artificiale? Abbiamo imminenti live streaming e video su richiesta su questo argomento. Controllali !
“Sì, credo che ci siano alcune differenze davvero importanti tra, in particolare, la scienza dei dati e la statistica. Penso che David abbia spiegato abbastanza bene le differenze ...
"In qualità di statistico, tendiamo a porre maggiormente l'accento sulla quantificazione dell'incertezza nelle nostre stime e la scienza dei dati tende a enfatizzare maggiormente le previsioni puntuali che derivano da un modello. E a causa di ciò, tendiamo a gravitare verso un diverso set di strumenti.
"Gli statistici stanno esaminando i test di ipotesi e diversi tipi di intervalli statistici - cose come il bootstrap - in cui i data scientist gravitano su cose come le reti neurali e supportano macchine vettoriali e metodi basati su alberi. Per non dire che non si incrociano di tanto in tanto, ma sicuramente tende ad essere più un'enfasi che si allinea con le cose a cui tengono di più.
“Per quanto riguarda l'apprendimento automatico e l'intelligenza artificiale, onestamente, ammetto di non averlo sentito spiegato nel modo in cui lo ha spiegato David; potrebbe essere perché ci sta arrivando con una migliore comprensione di alcuni dei sottocampi dell'intelligenza artificiale.
"Ma il modo in cui penso di solito all'apprendimento automatico e all'intelligenza artificiale è che l'IA è l'obiettivo finale. Ci piacerebbe avere una macchina in grado di eseguire un'attività con competenza, anche quando si trova di fronte a un esempio che non abbiamo mai incontrato esplicitamente prima. E per arrivarci, utilizziamo strumenti di apprendimento automatico, un insieme di tecniche e algoritmi che utilizziamo per istruire la macchina per aiutarla a far crescere la sua intelligenza. E si spera che a un certo punto sia pronto per avere un lavoro.
“Quindi questo è il modo in cui penso di solito a questi termini. Ma dirò che sono termini nebulosi e molto spesso sentirai che le persone usano l'intelligenza artificiale e l'apprendimento automatico in modo intercambiabile. Non vedo davvero dove ciò stia causando grossi problemi o confusione, quindi potremmo non convergere su una comprensione comune di questi termini nel prossimo futuro. Ma forse va bene così ".
Sono d'accordo con le distinzioni statistica / scienza dei dati come descrizione pratica: quantificazione dell'incertezza rispetto alle previsioni dei punti (con i diversi strumenti associati).Tuttavia, penso che questo sia un riflesso di uno stato di cose disfunzionale.Le previsioni dei punti senza alcuna misura di incertezza sono pericolose nella migliore delle ipotesi.Mi ricorda una vecchia citazione di Kenneth Boulding: "L'ottimizzazione in condizioni di incertezza porta quasi sempre a raggiungere l'obiettivo del disastro".È vero che la quantificazione dell'incertezza per alcuni strumenti di scienza dei dati (ad esempio, le reti neurali) è sottosviluppata - la considero una delle aree principali che necessitano di sviluppo.E concentrarsi sull'inferenza senza preoccuparsi dell'accuratezza predittiva è un modello per aumentare l'irrilevanza.Le sovrapposizioni devono essere abbracciate.Buoni statistici e buoni scienziati dei dati non funzionano in modo così diverso, né dovrebbero.
@dale_lehman ,
Concordo di tutto cuore con le tue ultime due frasi. Un po 'come le guerre dei pacchetti software (R vs SAS vs Python vs Julia vs [ad infinitum]), sembra esserci un divario crescente tra "data scientist" e "statistici", con il primo che considera il secondo come "vecchio e perso di vista". (Questo è qualcosa che ho sentito a una conferenza.) Stiamo davvero tutti cercando di analizzare le informazioni nei dati, ed entrambi gli "approcci", in mancanza di una parola migliore, sono validi e necessari. Dobbiamo lavorare insieme per portare il meglio di entrambi i mondi, non dividerli in campi separati.
