.
“Les entreprises investissent massivement dans la science des données”.
Après avoir terminé mon ingénierie et commencé mon travail, J'ai été continuellement bombardé de ces déclarations sur Internet. J'étais perplexe et, comment le Seigneur Bouddha voulait connaître la vérité de la vie, je voulais aussi clarifier mes doutes. Pour rechercher des réponses, J'ai cherché sur Internet et contacté de nombreuses personnes à l'intérieur et à l'extérieur de ce domaine.
Dans cet article, J'ai compilé comment j'ai décidé de commencer mon voyage vers la science des données. Nous discuterons de la façon de créer votre profil numérique et
La science des données est-elle réelle ou simplement du vieux vin dans une nouvelle bouteille?
La science des données a toujours été présente parmi nous. Exceller, SQL, Les statistiques sont les outils de la science des données pour le jeune âge. Cela ne rend pas ce champ obsolète. La science des données nous surprendra toujours avec des tours de magie nouveaux et mis à jour. Précédemment, nous avions l'habitude de saisir des données dans une feuille Excel, puis de tracer des graphiques. Aujourd'hui, les données sont automatiquement stockées et les graphiques sont tracés automatiquement avec des outils de visualisation avancés. Avec l'avance, la science des données nous a donné beaucoup de mots à la mode comme l'apprentissage automatique, l'apprentissage en profondeur, AIOps, etc. Et continueront à le faire.
Il n'y a rien de tel qu'une taille unique
Pour être honnête, il n'y a pas de chemin défini et il ne devrait pas y en avoir un non plus. La véritable essence de la science des données, ce sont des personnes d'horizons et de technicités différents qui travaillent ensemble. De n'importe quel voyage que j'ai couvert, Je peux juste vous donner des noms de cours et vous dire de suivre ces cours et de faire ces projets, mais cela vous semblera un fardeau. Vous serez dans une course folle en complétant des cours et des projets et, finalement, va s'épuiser. Je suis un ingénieur en électronique dont le projet de fin d'année était la porte intelligente à reconnaissance faciale Raspberry Pi, dont l'intérêt l'a amené à apprendre le Machine Learning et le Deep Learning. Je n'ai pas non plus suivi de chemin précis, J'allais toujours avec ce que j'aimais et ça me tenait éveillé la nuit.
Apprendre la science des données: Oui ou non?
Beaucoup d'entre vous se demandent peut-être si un non-informaticien / l'informatique peut apprendre la science des données ou non. La réponse est oui. Une personne autre que CS / L'informatique peut apprendre la science des données et n'est pas une obligation pour CS / L'informatique apprend la science des données.
Pas besoin de démarrer DS, ML ou AI en raison de la pression des pairs. Vous pouvez vous sentir exclu si vous ne vous préparez pas intensivement à la colère de l'IA. Si vous êtes bon dans ce que vous faites et que vous aimez ce que vous faites, c'est donc incroyable de continuer à faire ce que vous faites et de vous tenir au courant en lisant les actualités et les blogs.
Comme la biodiversité, il est nécessaire d'équilibrer l'écosystème, de la même manière, la diversité technologique est nécessaire pour une communauté florissante. Nous aurons toujours besoin d'ingénieurs mécaniciens, électrique, artistes, développeurs web, développeurs d'applications, créateurs de contenu, médecins, cinéastes, CETTE, les athlètes, etc.
À quelle profondeur devriez-vous plonger dans la science des données?
Ensuite, Jetons un coup d'œil à quelques domaines associés à la science des données qui peuvent être suivis:
- Ingénierie des données et entreposage de données: prend en charge le stockage et l'interrogation des données pour une analyse future. Conserver les données est aussi important que faire des prédictions. Un bon modèle de prédiction nécessite des données de bonne qualité.
- Informatique distribuée et cloud: si vous êtes un expert en réseaux informatiques, vous familiariser avec le cycle de vie d'un projet de science des données et vous serez en mesure de concevoir et de mettre en œuvre des modèles de science des données pour un accès facile.
- Intelligence et stratégie commerciale: si vous êtes un expert dans le domaine, alors c'est l'épine dorsale de l'ensemble du projet de science des données. Un stratège BI est responsable de la gestion des tableaux de bord, informer les parties prenantes, tester et valider les modèles et documenter.
- Développeurs IoT: si vous aimez le matériel et que vous aimez construire des circuits et des contrôleurs, peut jouer le rôle de collecter les données par des capteurs et de les préparer à l'analyse ou au stockage en temps réel.
- Vision par ordinateur: si vous aimez le traitement d'image, peut appliquer des concepts d'apprentissage en profondeur et travailler sur l'automatisation des processus et la création de modèles de détection d'objets.
- Ingénieur ML: les ingénieurs en apprentissage automatique alimentent des données dans des modèles définis par des scientifiques des données. Ils sont également chargés de prendre des modèles de science des données théoriques et de les aider à les adapter à des modèles de niveau de production capables de gérer des téraoctets de données en temps réel..
- Ingénieurs PNL: les responsabilités des ingénieurs PNL incluent la transformation des données du langage naturel en fonctions utiles en utilisant des techniques PNL pour alimenter les algorithmes de classification.
Dans le futur, il y aura beaucoup plus de nouveaux profils d'emplois à venir, la seule chose qui vous gardera prêt pour le travail est l'apprentissage continu.
Ensuite, Quel est mon guide sur l'apprentissage automatique?
Je me suis inscrit à divers cours à mon rythme. Je ne me suis pas limité aux vidéos et aux tâches que les cours m'ont donnés, mais après un certain temps, j'avais l'habitude de lire le nom du sujet et j'ai commencé à apprendre des articles de recherche, recherches sur Internet, livres et autres sources. Vous pouvez également sélectionner n'importe quel cours qui vous fait du bien et tient dans votre poche. Voir comment le contenu est livré et quels autres services sont offerts. Je partagerai avec vous ma feuille de route sur la façon dont j'ai préparé. Je ne te limiterai pas à la chronologie rigide, vous pouvez aussi le suivre à votre rythme.
Mathématiques et statistiques
Apprenez les bases des statistiques et perfectionnez vos mathématiques à l'école et à l'université.
- Minimisation des dérivés et des fonctions
- Matrices vectorielles y
- Distribution de probabilité
- Variables aléatoires
- Distribution normale
- Score Z
- Tests d'hypothèses
- Test Z et test T
- Test du chi carré
- test ANOVA
- Statistiques F
Seules les connaissances de base suffisent sur les sujets ci-dessus.
Programmation de base
Vous pouvez sélectionner la langue de votre choix. j'ai choisi Python. Quelques notions fondamentales à connaître:
- Type de données
- termes
- Boucles
- Caractéristiques
- Programation orientée aux objets
- Gestion des exceptions
Ne vous inquiétez pas si vous n'êtes pas à l'aise avec ces concepts au début.. Après beaucoup de pratique, sera sûr.
Apprentissage automatique
Comprendre le fonctionnement des différents algorithmes et comment les implémenter:
- Régression linéaire
- Régression logistique
- Arbre de décision
- Forêt aléatoire
- Régler, mis en sac, impulsion
- XGBoost
- Bayes ingénieux
- KNN
- Regroupement des bas K
- Regroupement hiérarchique
- DBSCAN
- Analyse des composants principaux
- Soutenir les machines vectorielles
- Détection de séries temporelles et d'anomalies
Les professionnels chevronnés peuvent commencer avec Excel avancé et d'autres outils de visualisation de données tels que PowerBI et Tableau. Vous pouvez obtenir de nombreuses plates-formes sur lesquelles vous pouvez faire des prédictions ML sans connaissances en codage.
S'il fait plus frais, commencer à apprendre la programmation et suivre des cours de ML. Expérimentez beaucoup et continuez à travailler dur. Mot de motivation à rafraîchir: “Si ML est votre passion, ensuite je sais comme batman: faites votre travail de bureau pendant la journée et suivez votre passion la nuit.
Si vous êtes à l'université, assister à des conférences, ateliers, festivals de technologie, cours complets, participer à des hackathons, rencontrer autant de personnes que possible et, le plus important, profiter du processus.
Retenir ce que vous apprenez
Maintenant que tu es en train d'apprendre, permettez-moi de partager avec vous quelques conseils sur la façon de retenir ce que vous apprenez:
- Mise en œuvre pratique du projet. Commencez par un projet de base et développez-le. Intégrez-le avec des applications, déployez-le sur des plateformes cloud, etc.
- Technique d'apprentissage Feynmann:
- Choisissez un concept que vous souhaitez découvrir
- Imaginez que vous l'enseignez à un élève de sixième année.
- Identifiez les lacunes dans votre explication; Revenir au matériel d'origine pour mieux le comprendre.
- Revoir et simplifier
- Vous pouvez enregistrer des vidéos de vous-même expliquant des concepts et les télécharger sur YouTube. À la fin, aurez vos propres notes vidéo auxquelles vous référer.
Pas de YouTube en solo, vous pouvez choisir n'importe quel réseau social, comment je sauvegarde mes notes numériques sur Instagram et Facebook.
https://www.instagram.com/pandaspython/
https://www.facebook.com/pandaspython08
Construire votre profil numérique ne vous aidera pas seulement à conserver des choses, cela vous aidera également beaucoup à établir des liens avec d'autres dans l'industrie. Vous pouvez montrer votre travail, collaborer avec les autres et travailler sur des projets. Cette pratique développera la communication et les compétences générales de la personnalité qui manquent à beaucoup de gens..
Ajoutez chaque morceau de code que vous créez sur Github et écrivez un joli readme.md à ce sujet. Commencez à bloguer ou créez un site Web pour montrer ce que vous faites (les sites google sont également suffisants). Enregistrez simplement numériquement chaque activité. Blogueur, page facebook moyenne que vous pouvez écrire où vous voulez.
Remarques finales
C'était donc mon article sur ce qu'est la science des données et jusqu'où il faut apprendre. J'ai aussi montré comment apprendre efficacement. Si vous avez des questions et souhaitez des suggestions sur les livres ou les blogs à suivre, demandez-moi dans la section commentaire. Finalement, Je voudrais vous dire d'apprécier le processus plutôt que simplement les cours.
