Content
- Ciència de dades i aprenentatge de màquines: terminologia àmplia i estreta
- Conjunts d’habilitats en ciències de dades i aprenentatge automàtic
- Sense errors, sense estrès: la vostra guia pas a pas per crear programes que canvien la vida sense destruir la vida
- Com detectar l'aprenentatge de màquines
- Dues disciplines de tall
Font: Elnur / Dreamstime.com
Emportar:
La ciència de dades i l'aprenentatge automàtic són diferents de maneres clau. D’algunes maneres, l’un pot ser vist com un subconjunt de l’altre. Ambdues són importants en el progrés informàtic actual.
En aquest nou món d’intel·ligència artificial i de gestió de dades, és fàcil confondre’s amb alguns dels termes més utilitzats al món de les informàtiques.
Per exemple, la ciència de dades i l’aprenentatge automàtic tenen molt a veure entre ells. No és estrany que moltes persones amb només un coneixement que passen d’aquestes disciplines tinguessin problemes per esbrinar com es diferencien les unes de les altres.
Aquí es mostra la millor manera de separar la ciència de dades de l'aprenentatge automàtic, com a principi i com a enfocament tecnològic.
Ciència de dades i aprenentatge de màquines: terminologia àmplia i estreta
En primer lloc, la ciència de dades és realment una àmplia i àmplia categoria de tecnologia que engloba molts tipus diferents de projectes i creacions. (Per obtenir més informació sobre què participen en un treball de ciències de dades, vegeu Funció: científic científic de dades.)
La ciència de dades és essencialment la pràctica de treballar amb big data. Va sorgir com a llei de Moore i la proliferació de dispositius d’emmagatzematge més eficients va provocar una gran quantitat de dades recollides per empreses i altres parts. A continuació, les eines i plataformes de grans dades com Hadoop van començar a redefinir la informàtica canviant com funciona la gestió de dades. Ara, amb el núvol i la containerització, així com els nous models de marca, el big data s’ha convertit en un dels principals motors de les maneres de treballar i viure.
En la seva forma més simple, la ciència de dades és la manera com gestionem aquestes dades, des de netejar-les i perfeccionar-les fins a usar-les en forma d’informació.
La definició d’aprenentatge automàtic és molt més estreta. En l’aprenentatge automàtic, les tecnologies agafen dades i s’utilitzen a través d’algoritmes, per tal de simular els processos cognitius humans descrits com “aprenentatge”. És a dir, després d’haver agafat les dades i entrenat en ella, l’ordinador és capaç de proporcionar els seus propis resultats. , on sembla que la tecnologia ha après dels processos que els programadors implementen.
Conjunts d’habilitats en ciències de dades i aprenentatge automàtic
Una altra manera de contrastar la ciència de dades i l’aprenentatge automàtic és mirar les diferents habilitats que són més valuoses per a professionals d’algun d’aquests àmbits.
Sense errors, sense estrès: la vostra guia pas a pas per crear programes que canvien la vida sense destruir la vida
No podeu millorar les vostres habilitats de programació quan ningú es preocupa per la qualitat del programari.
Hi ha un consens general que els científics de dades es beneficien de profundes habilitats d’anàlisi i matemàtiques, experiència pràctica amb tecnologies de bases de dades i coneixement de llenguatges de programació com Python o altres paquets que s’utilitzen per analitzar dades grans.
"Qualsevol que estigui interessat en desenvolupar una forta carrera en (ciències de dades) hauria d'adquirir competències clau en tres departaments: analítica, programació i coneixement del domini", escriu Srihari Sasikumar a Simplilearn. "Aprofundint un nivell, les habilitats següents us ajudaran a descobrir un nínxol com a científic de dades: coneixement fort de Python, SAS, R (i) Scala, experiència pràctica en la codificació de bases de dades SQL, capacitat de treballar amb dades no estructurades de diverses fonts com el vídeo i les xarxes socials, entenen múltiples funcions analítiques (i) coneixements d'aprenentatge automàtic. "
Pel que fa a l'aprenentatge automàtic, els experts solen mencionar habilitats de modelatge de dades, coneixements de probabilitat i estadístiques i habilitats de programació més àmplies com a eines útils en la caixa d'eines de l'enginyer d'aprenentatge automàtic.
Com detectar l'aprenentatge de màquines
La clau aquí és que tot tipus de treballs inclouen treballs de ciències de dades, però no és l'aprenentatge automàtic a menys que tingueu un règim molt estricte creat per ajudar l'ordinador a aprendre de les seves aportacions.
Quan això està al seu lloc, es proposen sistemes sorprenentment capaços que puguin tenir efectes amplis sobre les nostres vides.
"Bona part del que fem amb l'aprenentatge de màquines passa a la superfície", segons ha informat el fundador d'Amazones, Jeff Bezos, que va assenyalar algunes de les aplicacions d'aquest tipus de sistemes. “L’aprenentatge automàtic impulsa els nostres algorismes per a la previsió de la demanda, classificació de la cerca de productes, recomanacions de productes i ofertes, ubicacions de mercaderies, detecció de fraus, traduccions i molt més. Tot i que menys visible, gran part de l’impacte de l’aprenentatge automàtic serà d’aquest tipus, millorant tranquil·lament però significativament les operacions bàsiques. "
Un dels exemples més útils és l’aparició de la xarxa neuronal: és un mètode comú i popular de configurar processos d’aprenentatge de màquines.
En la seva forma més bàsica, la xarxa neuronal està composta per capes de neurones artificials. Cada neurona artificial individual té una funcionalitat equivalent a una neurona biològica, però en lloc de sinapsis i dendrites, té entrades, una funció d’activació i sortides eventuals.
La xarxa neuronal està feta per actuar com un cervell humà i els professionals de l'aprenentatge automàtic solen utilitzar aquest model per crear resultats d'aprenentatge automàtic.
Tanmateix, aquesta no és l'única manera de fer aprenentatge automàtic. Alguns projectes més rudimentaris d’aprenentatge automàtic inclouen simplement mostrar a un ordinador una àmplia gamma de fotografies (o subministrar-la amb altres dades en brut), introduir idees mitjançant el procés d’ús d’aprenentatge automàtic supervisat i dades d’etiquetes i tenir l’ordinador finalment capaç de discriminar-se entre diverses formes o elements d'un camp visual. (Per obtenir informació bàsica sobre l'aprenentatge automàtic, consulteu l'aprenentatge automàtic 101.)
Dues disciplines de tall
En conclusió, l'aprenentatge automàtic és una part valuosa de la ciència de dades. Però la ciència de dades representa la més àmplia frontera i el punt en què es produeix l'aprenentatge automàtic.
En certa manera, podríeu dir que l’aprenentatge automàtic mai passaria sense grans dades. Les dades grans en sí no van crear aprenentatge automàtic, però, després que després d’haver agrupat tantes dades que gairebé no sabíem què fer amb això, les principals ments van crear aquests processos de simulació bio com a forma de sobrealimentació. de proporcionar informació.
Una altra cosa bona a tenir en compte aquí és que la ciència de dades es pot aplicar de dues maneres principals: podem adoptar l'aprenentatge de màquines i la intel·ligència artificial, deixant que els ordinadors pensin per a nosaltres o puguem tornar a la ciència de dades a un enfocament més centrat en els humans. l’ordinador simplement presenta resultats i nosaltres, com a humans, prenem les decisions.
Està portant a alguns experts, inclosos alguns dels principals innovadors actuals, a demanar una comptabilització més vibrant de les maneres d’utilitzar aquestes tecnologies.
"(AI) és pràcticament més que gairebé ningú sap i la taxa de millora és exponencial", ha dit Elon Musk, tot i que ha advertit que l'aprenentatge de màquines i els programes d'AI requereixen supervisió.
En qualsevol cas, tant la ciència de dades com l’aprenentatge automàtic són parts bàsiques dels avenços que les societats estem fent en la tecnologia actual.