תוֹכֶן
- מדעי נתונים ולמידה מכונה: מונחים רחבים וצרים
- ערכות מיומנות למדעי נתונים ולמידת מכונות
- אין באגים, אין מתח - המדריך השלב אחר צעד שלך ליצירת תוכנה לשינוי חיים מבלי להרוס את חייך
- כיצד לאתר למידה על מכונות
- שתי תחומי חיתוך
מקור: Elnur / Dreamstime.com
להסיר:
מדעי נתונים ולמידת מכונה הם שונים באופנים מרכזיים. במובנים מסוימים ניתן לראות אחת כקבוצת משנה של השנייה. שניהם חשובים בהתקדמות ה- IT הנוכחית.
בעולם החדש הזה של בינה מלאכותית וניהול נתונים, קל להתבלבל בין כמה מהמונחים הנפוצים ביותר בעולם ה- IT.
לדוגמא, למדעי נתונים ולמידת מכונות יש הרבה קשר זה לזה. אין זה מפתיע שרבים מהאנשים עם הידע המספק את תחומי הלימוד הללו מתקשים להבין כיצד הם נבדלים זה מזה.
הנה הדרך הטובה ביותר להפריד בין מדעי נתונים לבין למידת מכונות, כעיקרון וכגישה טכנולוגית.
מדעי נתונים ולמידה מכונה: מונחים רחבים וצרים
ראשית כל, מדעי הנתונים הם באמת קטגוריה רחבה, כוללת של טכנולוגיה, המקיפה סוגים רבים של פרויקטים ויצירות שונות. (למידע נוסף על מה שמעורב במשרה במדעי נתונים, ראה תפקיד תפקיד: מדען נתונים.)
מדע נתונים הוא למעשה הנוהג של עבודה עם נתונים גדולים. זה התגלה כי החוק של מור והתפשטות של אמצעי אחסון יעילים יותר הובילו לכמויות אדירות של נתונים שנאספו על ידי חברות וגורמים אחרים. ואז, פלטפורמות וכלים גדולים של נתונים כמו Hadoop החלו להגדיר מחדש את המחשוב על ידי שינוי אופן פעולת ניהול הנתונים. כעת, עם ענן ומכולות כמו גם דגמים חדשים לגמרי, נתונים גדולים הפכו למניע העיקרי של הדרכים בהן אנו עובדים וחיים.
במתכונתו הפשוטה ביותר, מדע הנתונים הוא האופן בו אנו מנהלים את הנתונים האלה, מניקוים ושכלולם ועד לשימושם בצורה של תובנות.
ההגדרה של למידת מכונה צרה הרבה יותר. בלימוד מכונות, הטכנולוגיות לוקחות נתונים ומעבירות אותם באמצעות אלגוריתמים, על מנת לדמות תהליכים קוגניטיביים אנושיים המתוארים כ"למידה ". במילים אחרות, לאחר שלקח את הנתונים והוכשר עליהם, המחשב מסוגל לספק תוצאות משלו. , שם נראה כי הטכנולוגיה למדה מהתהליכים שהמתכנתים הציבו במקום.
ערכות מיומנות למדעי נתונים ולמידת מכונות
דרך נוספת להנגיד מדעי נתונים ולמידת מכונה היא להסתכל על המיומנויות השונות החשובות ביותר עבור אנשי מקצוע בשני התחומים הללו.
אין באגים, אין מתח - המדריך השלב אחר צעד שלך ליצירת תוכנה לשינוי חיים מבלי להרוס את חייך
אתה לא יכול לשפר את כישורי התכנות שלך כאשר לאף אחד לא אכפת מאיכות התוכנה.
יש קונצנזוס כללי שמדעני נתונים נהנים מכישורי אנליזה ומתמטיקה עמוקים, ניסיון מעשי בטכנולוגיות בסיס נתונים וידע בשפות תכנות כמו פייתון או חבילות אחרות המשמשות לניתוח נתונים גדולים.
"כל מי שמעוניין לבנות קריירה חזקה בתחום (מדעי נתונים) צריך לרכוש מיומנויות מפתח בשלוש מחלקות: ניתוח, תכנות וידע בתחום", כותב Srihari Sasikumar ב- Simplilearn. "אם תעמיק ברמה אחת עמוקה יותר, הכישורים הבאים יעזרו לך לחשוף נישה כמדען נתונים: ידע חזק ב Python, SAS, R (ו-) Scala, ניסיון מעשי בקידוד SQL של מסד נתונים, יכולת לעבוד עם נתונים לא מובנים מ- מקורות שונים כמו וידיאו ומדיה חברתית מבינים פונקציות אנליטיות מרובות (וכן) ידע בלמידת מכונות. "
בצד הלמידה של המכונה, מומחים מציינים לעתים קרובות מיומנויות של דוגמנות נתונים, ידע וידע סטטיסטי וכישורי תכנות רחבים יותר ככלי מועיל בערכת הכלים של מהנדס למידת מכונה.
כיצד לאתר למידה על מכונות
המפתח כאן הוא שכל מיני דברים כוללים עבודת מדעי נתונים, אבל זה לא למידת מכונות אלא אם כן נקבע לך משטר מאוד קפדני שיעזור למחשב ללמוד מהתשומות שלו.
כאשר זה קיים, זה מייצר כמה מערכות בעלות יכולת מפתיעה שיכולות להיות בעלות השפעה רחבה על חיינו.
מייסד אמזון ג'ף בזוס אמר, על פי הדיווחים, "הרבה ממה שאנחנו עושים עם למידת מכונות, והצביע על כמה מהיישומים של מערכות מסוג זה. "למידת מכונה מניעה את האלגוריתמים שלנו לחיזוי ביקוש, דירוג חיפוש מוצרים, המלצות על מוצרים ומבצעים, מיקומי סחורה, איתור הונאה, תרגומים ועוד. אם כי פחות נראה לעין, חלק ניכר מההשפעה של למידת מכונות תהיה מסוג זה - שיפור אך באופן משמעותי שיפור פעולות הליבה. "
אחת הדוגמאות המועילות ביותר כאן היא הופעתה של הרשת העצבית - זוהי שיטה נפוצה ופופולרית להגדרת תהליכי למידת מכונות.
בצורתו הבסיסית ביותר, הרשת העצבית מורכבת משכבות של נוירונים מלאכותיים. לכל נוירון מלאכותי אינדיבידואלי פונקציונליות המקבילה לנוירון ביולוגי - אך במקום סינפסות ודנדריטים, יש לו תשומות, פונקציית הפעלה ותפוקות בסופו של דבר.
הרשת העצבית מיועדת לפעול כמו מוח אנושי, ואנשי מקצוע לומדים במכונה משתמשים לרוב במודל זה בכדי ליצור תוצאות של למידת מכונה.
עם זאת, זו לא הדרך היחידה ללימוד מכונה. כמה פרוייקטים למידת למידה מכונה יותר פשוט כוללים הצגת מחשב מגוון רחב של תצלומים (או אספקת נתונים גולמיים אחרים), הזנת רעיונות לתהליך השימוש במידת מכונה בפיקוח ונתוני תיוג, ובסופו של דבר שהמחשב יוכל להבחין בין צורות או פריטים שונים בשדה חזותי. (לקבלת היסודות בנושא למידת מכונות, עיין במכונת למידה 101.)
שתי תחומי חיתוך
לסיכום, למידת מכונות היא חלק חשוב במדעי הנתונים. אולם מדעי הנתונים מייצגים את גבול הרחבה והמצב בו מתרחשת למידת מכונות.
במובן מסוים, אתה יכול לומר שלמידת מכונה לעולם לא תתרחש ללא נתונים גדולים. עם זאת, נתונים גדולים לא יצרו לימוד מכונות - במקום זאת, לאחר שצברנו יחד כל כך הרבה נתונים, עד שכמעט לא ידענו מה לעשות איתם, המוחות הראשיים העלו את התהליכים ההדמיות הביולוגיות הללו כדרך מוגדרת-על. של מתן תובנות.
דבר נוסף שכדאי לזכור כאן הוא שאפשר ליישם את מדעי הנתונים בשתי דרכים עיקריות - אנו יכולים לאמץ למידת מכונות ובינה מלאכותית, לתת למחשבים לחשוב עבורנו, או לחזור למדעי הנתונים לגישה יותר מרוכזת אנושית, שם המחשב פשוט מציג תוצאות ואנחנו כבני אדם מקבלים את ההחלטות.
זה מוביל חלק מהמומחים, כולל כמה מהמובילים המובילים בימינו, לקרוא לחשבונאות תוססת יותר של הדרכים בהן אנו משתמשים בטכנולוגיות אלה.
"(AI) מסוגל להרבה יותר ממה שכמעט כל אחד יודע ושיעור השיפור הוא אקספוננציאלי", צוטט אלון מאסק באומרו תוך התראה כי למידת מכונות ותוכניות AI דורשות פיקוח.
בכל מקרה, גם מדעי נתונים וגם למידת מכונה הם חלקים מרכזיים בהתקדמות שאנו כחברות עושות בטכנולוגיה כיום.