Cameron Willden unterstützt Ingenieure und Wissenschaftler in vielen verschiedenen Produktlinien bei WL Gore konzentriert sich auf die Herstellung und die Entwicklung neuer Produkte.
Cameron Willden, WL Gore, geht auf die Unterschiede zwischen Datenwissenschaft und Statistik sowie auf die Unterschiede zwischen maschinellem Lernen und KI ein. Er antwortet auf einige der Lernziele, die in einer Keynote des Autors David J. Hand behandelt werden, und bietet seine eigene Perspektive basierend auf Jahren in der Industrie. Sie können sehen die Keynote und die Podiumsdiskussion jederzeit.
Benötigen Sie Hilfe bei der Entmystifizierung von maschinellem Lernen und künstlicher Intelligenz? Wir haben bevorstehende Livestreams und On-Demand-Videos zu diesem Thema. Schau sie dir an !
„Ja, ich glaube, es gibt einige wirklich wichtige Unterschiede zwischen insbesondere Data Science und Statistik. Ich denke, dass David die Unterschiede ziemlich gut erklärt hat ...
„Als Statistiker konzentrieren wir uns eher auf die Quantifizierung der Unsicherheit in unseren Schätzungen, und die Datenwissenschaft betont eher die Punktvorhersagen, die aus einem Modell hervorgehen. Aus diesem Grund tendieren wir dazu, uns auf andere Werkzeuge zu konzentrieren.
„Statistiker beschäftigen sich mit Hypothesentests und verschiedenen Arten statistischer Intervalle - beispielsweise Bootstrapping -, bei denen sich Datenwissenschaftler auf neuronale Netze konzentrieren und Vektormaschinen und baumbasierte Methoden unterstützen. Um nicht zu sagen, dass sie sich nicht ab und zu kreuzen, aber es gibt sicherlich eher eine Betonung, die sich an Dingen orientiert, die ihnen wichtiger sind.
„Was maschinelles Lernen und künstliche Intelligenz angeht, gebe ich ehrlich zu, dass ich es nicht so erklärt habe, wie David es erklärt hat. Das könnte daran liegen, dass er einige der Teilbereiche der künstlichen Intelligenz besser versteht.
„Aber ich denke normalerweise an maschinelles Lernen und künstliche Intelligenz, dass KI das Endziel ist. Wir möchten eine Maschine, die eine Aufgabe kompetent ausführen kann, auch wenn sie mit einem Beispiel konfrontiert ist, auf das wir zuvor noch nicht explizit gestoßen sind. Um dorthin zu gelangen, verwenden wir maschinelle Lernwerkzeuge - eine Reihe von Techniken und Algorithmen, mit denen wir die Maschine schulen, um ihre Intelligenz zu steigern. Und hoffentlich ist es irgendwann bereit, einen Job zu haben.
„So denke ich normalerweise über diese Begriffe. Aber ich werde sagen, dass es sich um nebulöse Begriffe handelt, und Sie werden sehr oft hören, wie Menschen KI und maschinelles Lernen austauschbar verwenden. Ich sehe nicht wirklich, wo dies zu größeren Problemen oder Verwirrung führt, daher können wir uns in naher Zukunft möglicherweise nicht auf ein gemeinsames Verständnis dieser Begriffe einigen. Aber vielleicht ist das in Ordnung. "
Ich kann den Unterscheidungen zwischen Statistik und Datenwissenschaft als praktische Beschreibung zustimmen: Quantifizierung der Unsicherheit gegenüber Punktvorhersagen (mit den dazugehörigen verschiedenen Werkzeugen).Ich denke jedoch, dass dies ein Spiegelbild eines dysfunktionalen Zustands ist.Punktvorhersagen ohne Maß an Unsicherheit sind bestenfalls gefährlich.Es erinnert mich an ein altes Zitat von Kenneth Boulding: "Optimierung unter Unsicherheit führt fast immer dazu, dass das Ziel einer Katastrophe erreicht wird."Es ist richtig, dass die Quantifizierung der Unsicherheit für einige datenwissenschaftliche Tools (z. B. neuronale Netze) unterentwickelt ist - ich sehe dies als einen der Hauptbereiche, die weiterentwickelt werden müssen.Die Konzentration auf Inferenz, ohne sich um die Vorhersagegenauigkeit sorgen zu müssen, ist eine Blaupause, um die Irrelevanz zu erhöhen.Die Überschneidungen müssen berücksichtigt werden.Gute Statistiker und gute Datenwissenschaftler arbeiten wirklich nicht so anders und sollten es auch nicht.
@dale_lehman ,
Ich stimme Ihren letzten beiden Sätzen voll und ganz zu. Ähnlich wie bei den Softwarepaketkriegen (R gegen SAS gegen Python gegen Julia gegen [ad infinitum]) scheint es eine wachsende Kluft zwischen "Datenwissenschaftlern" und "Statistikern" zu geben, wobei die ersteren die letzteren als "alt und" betrachten außer Kontakt ". (Das habe ich auf einer Konferenz mitbekommen.) Wir alle versuchen wirklich, die Informationen in den Daten zu analysieren, und beide "Ansätze" sind, mangels eines besseren Wortes, gültig und notwendig. Wir müssen zusammenarbeiten, um das Beste aus beiden Welten zu bringen, und nicht in unsere getrennten Lager aufteilen.
