Cameron Willden supports engineers and scientists across many different product lines at W.L. Gore, focusing on manufacturing and new product development.Cameron Willden은 제조 및 신제품 개발에 중점을 두고 WL Gore의 다양한 제품 라인에서 엔지니어와 과학자를 지원합니다.
WL Gore의 Cameron Willden이 데이터 과학과 통계의 차이점, 머신러닝과 AI의 차이점에 대해 설명합니다. 그는 저자 David J. Hand의 기조연설에서 다룬 일부 학습 목표에 대해 답변하고 업계 수년간의 경험을 바탕으로 자신의 관점을 제공합니다.기조연설과 패널토론을 언제든지 시청하실 수 있습니다.
기계 학습과 인공 지능을 이해하는 데 도움이 필요하십니까? 이 주제에 관한 실시간 스트리밍과 주문형 비디오가 예정되어 있습니다. 한번 봐봐 !
“예, 특히 데이터 과학과 통계 사이에는 정말 중요한 차이점이 있다고 생각합니다. David가 차이점을 꽤 잘 설명했다고 생각합니다.
“통계학자로서 우리는 추정치의 불확실성을 정량화하는 데 더 중점을 두는 경향이 있으며, 데이터 과학은 모델에서 나오는 점 예측을 더 강조하는 경향이 있습니다. 그 때문에 우리는 다른 도구 세트에 끌리는 경향이 있습니다.
“통계학자들은 가설 테스트와 다양한 유형의 통계 간격(부트스트래핑 등)을 살펴보고 있는데, 여기서 데이터 과학자들은 신경망과 지원 벡터 머신, 트리 기반 방법 등을 선호합니다. 그들이 가끔씩 서로 길을 건너지 않는다는 것은 아니지만 확실히 그들이 더 관심을 갖는 것에 더 중점을 두는 경향이 있습니다.
“기계 학습과 인공 지능에 관해서는 솔직히 David가 설명한 것과 같은 방식으로 설명하는 것을 들어본 적이 없다는 점을 인정합니다. 그것은 그가 인공 지능의 일부 하위 분야에 대해 더 잘 이해하고 있기 때문일 수 있습니다.
“하지만 제가 일반적으로 머신러닝과 인공지능에 대해 생각하는 방식은 AI가 최종 목표라는 것입니다. 우리는 이전에 명시적으로 접하지 않은 사례에 직면하더라도 작업을 유능하게 수행할 수 있는 기계를 갖고 싶습니다. 그리고 거기에 도달하기 위해 우리는 기계 학습 도구, 즉 기계의 지능 향상을 돕기 위해 기계를 교육하는 데 사용하는 일련의 기술과 알고리즘을 사용합니다. 그리고 어느 시점에는 직업을 가질 준비가 되기를 바랍니다.
“그래서 저는 일반적으로 그 용어에 대해 이렇게 생각합니다. 그러나 나는 그것들이 모호한 용어라고 말하고 사람들이 AI와 기계 학습을 같은 의미로 사용하는 것을 자주 듣게 될 것입니다. 이것이 어디에서 큰 문제나 혼란을 야기하는지 실제로 알 수 없으므로 가까운 시일 내에 해당 용어에 대한 공통된 이해에 수렴하지 못할 수도 있습니다. 하지만 어쩌면 괜찮을 수도 있습니다.”
[동영상]
@dale_lehman ,
마지막 두 문장에 전적으로 동의합니다. 일종의 소프트웨어 패키지 전쟁(R vs SAS vs Python vs Julia vs [ad infinitum])과 같이 "데이터 과학자"와 "통계학자" 사이에 격차가 커지는 것 같습니다. 터치 아웃". (컨퍼런스에서 우연히 들은 내용입니다.) 우리 모두는 실제로 데이터의 정보를 분석하려고 노력하고 있으며 두 가지 "접근법"(더 나은 단어가 없기 때문에)은 유효하고 필요합니다. 우리는 서로 다른 진영으로 나뉘지 않고 두 세계의 장점을 모두 가져오기 위해 함께 노력해야 합니다.
불확실성의 정량화 대 포인트 예측(수반되는 다른 도구 사용)과 같은 실용적인 설명으로서 통계/데이터 과학의 구별에 동의할 수 있습니다.그러나 이것은 역기능 상태의 반영이라고 생각합니다.불확실성 측정이 없는 점 예측은 기껏해야 위험합니다.Kenneth Boulding의 오래된 인용문이 생각납니다.일부 데이터 과학 도구(예: 신경망)에 대한 정량화 불확실성이 미개발된 것은 사실입니다. 개발이 필요한 주요 영역 중 하나라고 생각합니다.그리고 예측 정확도에 대한 걱정 없이 추론에 집중하는 것은 부적절성을 증가시키는 청사진입니다.겹치는 부분을 수용해야 합니다.훌륭한 통계학자와 훌륭한 데이터 과학자는 실제로 그렇게 다르게 일하지 않으며, 그렇게 해서도 안 됩니다.
