Cameron Willden supports engineers and scientists across many different product lines at W.L. Gore, focusing on manufacturing and new product development.Cameron Willden unterstützt Ingenieure und Wissenschaftler in vielen verschiedenen Produktlinien bei WL Gore, mit Schwerpunkt auf Fertigung und Entwicklung neuer Produkte.
Cameron Willden, WL Gore, geht auf die Unterschiede zwischen Datenwissenschaft und Statistik sowie zwischen maschinellem Lernen und KI ein. Er geht auf einige der Lernziele ein, die in einer Keynote des Autors David J. Hand behandelt werden, und erläutert seine eigene Perspektive, die auf jahrelanger Erfahrung in der Branche beruht.Sie können sich die Keynote und die Paneldiskussion jederzeit ansehen.
Brauchen Sie Hilfe bei der Entmystifizierung von maschinellem Lernen und künstlicher Intelligenz? Wir haben demnächst Livestreams und On-Demand-Videos zu diesem Thema. Schauen Sie sie sich an !
„Ja, ich glaube, es gibt einige wirklich wichtige Unterschiede zwischen insbesondere Data Science und Statistik. Ich denke, David hat die Unterschiede ziemlich gut erklärt ...
„Als Statistiker legen wir eher Wert darauf, die Unsicherheit unserer Schätzungen zu quantifizieren, und die Datenwissenschaft legt eher Wert auf die Punktvorhersagen, die aus einem Modell hervorgehen. Und deshalb tendieren wir dazu, zu einem anderen Satz von Werkzeugen zu tendieren.
„Statistiker beschäftigen sich mit Hypothesentests und verschiedenen Arten statistischer Intervalle – Dinge wie Bootstrapping –, wobei Datenwissenschaftler eher zu Dingen wie neuronalen Netzwerken, Support Vector Machines und baumbasierten Methoden tendieren. Das heißt nicht, dass sich ihre Wege nicht ab und zu kreuzen, aber es gibt sicherlich eine stärkere Betonung auf Dinge, die ihnen mehr am Herzen liegen.
„Was maschinelles Lernen und künstliche Intelligenz betrifft, muss ich ehrlich zugeben, dass ich es nicht ganz so erklärt gehört habe wie David es getan hat. Das liegt vielleicht daran, dass er mit einem besseren Verständnis einiger Teilbereiche der künstlichen Intelligenz an die Sache herangeht.
„Aber ich denke bei maschinellem Lernen und künstlicher Intelligenz normalerweise so, dass KI das Endziel ist. Wir möchten eine Maschine haben, die eine Aufgabe kompetent ausführen kann, selbst wenn sie mit einem Beispiel konfrontiert wird, das wir zuvor noch nicht explizit kennengelernt haben. Und um dieses Ziel zu erreichen, verwenden wir Werkzeuge für maschinelles Lernen – eine Reihe von Techniken und Algorithmen, mit denen wir die Maschine schulen, damit sie intelligenter wird. Und hoffentlich ist sie irgendwann bereit für eine Aufgabe.
„Das ist also die Art und Weise, wie ich normalerweise über diese Begriffe denke. Aber ich muss sagen, dass es nebulöse Begriffe sind, und man hört sehr oft, dass Leute KI und maschinelles Lernen synonym verwenden. Ich sehe nicht wirklich, wo das zu großen Problemen oder Verwirrung führt, also werden wir uns in naher Zukunft vielleicht nicht auf ein gemeinsames Verständnis dieser Begriffe einigen. Aber vielleicht ist das in Ordnung.“
[Video]
@dale_lehman ,
Ich stimme Ihren letzten beiden Sätzen voll und ganz zu. Ähnlich wie bei den Kriegen um Softwarepakete (R vs. SAS vs. Python vs. Julia vs. [ad infinitum]) scheint es eine wachsende Kluft zwischen „Datenwissenschaftlern“ und „Statistikern“ zu geben, wobei erstere letztere als „alt und alt“ betrachten außer Kontakt". (Das habe ich auf einer Konferenz mitbekommen.) Wir versuchen wirklich alle, 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 vereinen, und dürfen uns nicht in unsere einzelnen Lager aufspalten.
Ich kann den Unterscheidungen zwischen Statistik und Datenwissenschaft als praktische Beschreibung zustimmen: Quantifizierung der Unsicherheit vs. Punktvorhersagen (mit den dazugehörigen verschiedenen Tools).Ich denke jedoch, dass dies ein Ausdruck einer dysfunktionalen Situation ist.Punktvorhersagen ohne jegliches 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 stimmt, dass die Quantifizierung der Unsicherheit für einige datenwissenschaftliche Tools (z. B. neuronale Netze) unterentwickelt ist – ich sehe darin einen der Hauptbereiche, in denen Entwicklung erforderlich ist.Und sich auf Schlussfolgerungen zu konzentrieren, ohne sich Gedanken über die Vorhersagegenauigkeit zu machen, ist eine Blaupause für zunehmende Irrelevanz.Die Überschneidungen müssen berücksichtigt werden.Gute Statistiker und gute Datenwissenschaftler arbeiten wirklich nicht so unterschiedlich, und das sollten sie auch nicht.
