Cameron Willden은 WL의 다양한 제품 라인에서 엔지니어와 과학자를 지원합니다. Gore는 제조 및 신제품 개발에 주력합니다.
Cameron Willden, WL Gore는 데이터 과학과 통계의 차이점과 기계 학습과 AI의 차이점에 대해 설명합니다. 그는 저자 David J. Hand의 기조 연설에서 다루는 학습 목표 중 일부에 응답하고 업계에서 수년간을 기반으로 자신의 관점을 제공합니다. 너는 볼 수있다 기조 연설 및 패널 토론 언제든지.
기계 학습과 인공 지능을 이해하는 데 도움이 필요하십니까? 이 주제에 대한 예정된 라이브 스트림과 주문형 비디오가 있습니다. 한번 봐봐 !
“예, 특히 데이터 과학과 통계 사이에 정말 중요한 차이점이 있다고 생각합니다. 나는 David가 차이점을 꽤 잘 설명했다고 생각합니다.
“통계 학자로서 우리는 추정치의 불확실성을 정량화하는 데 더 중점을 두는 경향이 있으며 데이터 과학은 모델에서 나오는 포인트 예측을 더 강조하는 경향이 있습니다. 그 때문에 우리는 다른 도구 세트에 끌리는 경향이 있습니다.
“통계 학자들은 데이터 과학자들이 신경망과 같은 것에 집중하고 벡터 머신과 트리 기반 방법을 지원하는 가설 테스트와 다양한 유형의 통계 간격 (예 : 부트 스트래핑)을 검토하고 있습니다. 그들이 가끔씩 서로 길을 건너지 않는다는 말은 아니지만, 그들이 더 관심을 갖는 것들과 일치하는 더 강조되는 경향이 분명히 있습니다.
“머신 러닝과 인공 지능에 관해서는 솔직히 데이비드가 설명했던 방식으로 설명을 듣지 못했다는 것을 인정합니다. 인공 지능의 일부 하위 분야를 더 잘 이해하고 있기 때문일 수 있습니다.
“하지만 제가 일반적으로 기계 학습과 인공 지능에 대해 생각하는 방식은 AI가 최종 목표라는 것입니다. 우리는 이전에 명시 적으로 접하지 않은 사례에 직면하더라도 작업을 능숙하게 수행 할 수있는 기계를 원합니다. 그리고 거기에 도달하기 위해 우리는 기계 학습 도구를 사용합니다. 기계 학습 도구는 지능을 높이는 데 도움이되도록 기계를 교육하는 데 사용하는 일련의 기술과 알고리즘입니다. 그리고 바라건대, 어느 시점에서 직업을 가질 준비가되었습니다.
“그래서 제가 일반적으로 그 용어에 대해 생각하는 방식입니다. 그러나 나는 그것들이 모호한 용어라고 말할 것입니다. 사람들이 AI와 기계 학습을 같은 의미로 사용하는 것을 자주 듣게 될 것입니다. 나는 그것이 주요 문제 또는 혼란을 일으키는 곳을 실제로 알지 못하므로 가까운 장래에 이러한 용어에 대한 공통된 이해에 수렴하지 않을 수 있습니다. 하지만 괜찮을 수도 있습니다.”
나는 통계 / 데이터 과학의 구별을 실용적인 설명으로 동의 할 수 있습니다 : 불확실성 대 포인트 예측의 정량화 (수반되는 다른 도구 사용).그러나 나는 이것이 역기능 상태의 반영이라고 생각합니다.불확실성을 측정하지 않는 포인트 예측은 기껏해야 위험합니다.Kenneth Boulding의 오래된 인용문이 떠 오릅니다. "불확실한 상황에서 최적화하면 거의 항상 재난의 목표에 도달하게됩니다."일부 데이터 과학 도구 (예 : 신경망)에 대한 불확실성을 정량화하는 것은 사실이 아닙니다. 개발이 필요한 주요 영역 중 하나라고 생각합니다.그리고 예측 정확도에 대한 걱정없이 추론에 초점을 맞추는 것은 관련성을 높이기위한 청사진입니다.겹치는 부분을 포용해야합니다.훌륭한 통계 학자와 훌륭한 데이터 과학자는 그렇게 다르게 작동하지도 않으며 그렇게해서도 안됩니다.
뿡 빵뀨 ,
마지막 두 문장에 전심으로 동의합니다. 소프트웨어 패키지 전쟁 (R vs SAS vs Python vs Julia vs [ad infinitum])과 같이 "데이터 과학자"와 "통계 학자"사이에 격차가 커지고있는 것 같습니다. 전자는 후자를 "오래되고 터치 아웃". (그것이 제가 컨퍼런스에서 우연히 들었던 것입니다.) 우리는 모두 데이터의 정보를 분석하려고 노력하고 있으며, 더 나은 단어가 없기 때문에 두 "접근"이 모두 유효하고 필요합니다. 우리는 분리 된 캠프로 나뉘 지 않고 두 세계의 장점을 모두 가져 오기 위해 협력해야합니다.
