Makine öğrenimi = veri bilimi? N büyük fark açıklığa kavuşturulmalı
"Veri bilimi" ve "makine öğrenimi" söz konusu olduğunda, ikisinin örtüştüğünü ve ayırt etmenin zor olduğunu düşünüyor musunuz? Öyleyse, bu makaleyi okumalısınız.
Bu makale, öğrenim kariyeri ve kariyer yolu seçiminde referansınız için daha iyi anlamanıza ve öğrenmenize yardımcı olacak "veri bilimi" ve "makine öğrenimi" arasındaki birkaç önemli ve kolayca gözden kaçan farklılıkları açıklamaktadır.
Günümüzde medya, "makine öğrenimi" kavramını büyülüyor, ancak çoğu zaman kendi sözlerine dikkat etmiyorlar. Kamusal algıya göre, makine öğreniminin uygulayıcıların kapsamının çok ötesinde çok çeşitli anlamları vardır.
Makine öğrenimi, belirli bir matematiksel optimizasyon biçimidir: eğitim verileri veya deneyim yoluyla, görüntü programlama olmadan, böylece bilgisayar belirli bir görevi daha iyi tamamlayabilir.
Spesifik süreç şu şekildedir: geçmiş sonuçları bilinen vakalara dayalı bir model oluşturun ve ardından bu modeli gelecekteki koşullar hakkında tahminlerde bulunmak için kullanın ve sayısal "hata" veya "maliyet" işlevini en aza indirmenin yollarını bulun (tahmin edilen sonuç ile gerçek sonuç arasındaki hataya atıfta bulunarak ).
Lütfen bazı önemli ticari faaliyetlerin bu tanımın kapsamında olmadığını unutmayın:
1. Verilerin bir hedefle eşleşip eşleşmediğini kontrol edin
2. Uygun hedefler belirleyin
3. Yürütme sistemi ve süreci
4. Farklı paydaşlarla iletişim
İnsanların yukarıdaki işlevlere olan talebi, veri bilimini bağımsız bir alan haline getirir. "Harvard Business Review" bize şunu söylüyor: Bir veri bilimcinin temel becerisi, derin öğrenme altyapısını kullanma becerisini geliştirmek değil, hızlı bir şekilde öğrenmek ve işle ilgili soruları yanıtlamak ve paydaşlar için karmaşık sonuçları açıklamak için iyi iletişim kurmaktır. .
Diğer yazarlar da aynı fikirde: "Bir veri bilimcinin en önemli özelliğinin birden fazla beceriye sahip olması olduğuna inanıyoruz - en azından yeni içgörüler elde etmek veya veri ürünleri oluşturmak için tek başına prototip düzeyindeki sürümün tüm adımlarını tamamlama becerisi."
Harvard Business Review'daki diğer makaleler de şunu doğruladı: "Makine öğreniminin değeri daha gelişmiş algoritmalarda değil, kullanımını kolaylaştırmada yatıyor ... Çoğu şirket için boşluk, makine öğreniminin işe yaramaması değil. Aslında çalıştırması çok zor. "
Makine öğrenimi, veri bilimcilerin hepsinin değil, sahip olduğu birçok beceriden yalnızca biridir. Makine öğrenimini veri bilimiyle bir araya getirmek, muhasebeyi kârlı bir şirket yönetmekle eşitlemek gibidir. Ek olarak, veri bilimindeki beceri boşluğu, büyük ölçüde makine öğrenimi-iş duyarlılığı, istatistikler, problem çerçeveleme ve iletişim gibi tamamlayıcı alanlara yansır.
Hiç şüphe yok ki, tüm toplumda veri bilimcilere olan talep artıyor. Bununla birlikte, yaygın olarak lanse edilen veri bilimi eğitim programlarının çoğu, makine öğrenimi sınıflarına odaklanma eğilimindedir.
Bu çok ciddi bir sorundur. Pek çok öğrenci makine öğrenimi kurslarına çok fazla önem veriyor ve kursların dengesine dikkat etmiyor.Bu, veri bilimi yapmak isteyen ancak tam olarak hazırlıklı olmayan çok sayıda acemi ortaya çıkardı.
Birçok veri bilimi işe alım yöneticisi, görüşmelerde bu tür adaylarla karşılaştı: Makine öğrenimi konusundaki anlayışlarını abartmaya çalışıyorlar, ancak tutarlı bir öneride bulunmayı bırakın, temel istatistikleri, önyargıları ve varyansları veya veri kalitesini bile bilmiyorlar. İş hedefini tamamlamak için proje teklifi.
Pek çok içeriden birinin deneyimine dayanarak, yazılım mühendisleri makine öğrenimi eğitimi geçmişine karşı özellikle savunmasız görünmektedir. Muhtemelen bunun nedeni, makine öğreniminin, yazılım mühendislerinin uzun süredir alışkın olduğu aynı düşünme biçimini kullanmasıdır: algoritmik, hedefli, yakınsak düşünme.
Son derece uzmanlaşmış makine öğrenimi eğitimi, öğrencilerin herhangi bir temel bilişsel değişiklik gerektirmeden daha ilginç işler bulmasını sağlıyor gibi görünüyor. Ne yazık ki, iş piyasası bu vaadi nadiren yerine getirmektedir ve bu yola girmiş olan pek çok kişi kendilerini bir mühendisten bilim adamına dönüşemeyecek durumda bulmaktadır.
Veri bilimi farklı bir zihniyet gerektirir: genellikle farklıdır, tanımsızdır ve teknik alanda sürekli geçişler gerektirir. Veri bilimcileri, temelde kapsamlı eğitimden çok kapsamlı eğitimden yararlanan genelcilerdir. Tek alanlı araştırma yerine disiplinler arası araştırma yürütmede daha iyidirler.
Makine öğreniminde uzmanları işe almadan önce, genel veri bilimcileri işe almak çoğu şirketin daha fazla değer yaratmasını sağlayacaktır. Nedenini anlamak için ölçeklenebilir ve ölçeklenemez işler arasındaki farkı anlamanız gerekir.
Genel bir makine öğrenimi algoritması oluşturmak ölçeklenebilirlik işidir - birisi bir algoritma tasarlayıp çalıştırdığında, diğer herkes algoritmayı kullanabilir ve neredeyse hiç kopyalama maliyeti yoktur. Elbette herkes en iyi araştırmacılar tarafından geliştirilen en güçlü algoritmayı kullanmak ister, ancak çoğu şirket en iyi algoritma tasarımcılarını işe alamaz. Neyse ki halk, araştırma makaleleri, açık kaynak kitaplıkları ve bulut API'leri aracılığıyla en iyi devlerin başarılarının çoğunu öğrenebilir. Bu nedenle, dünyanın en güçlü makine öğrenimi algoritması tasarımcılarının büyük bir etkisi vardır ve genel veri bilimcileri, başarılarından yararlanır ve aynı zamanda büyük bir etki yaratabilir.
Aksine, veri bilimi ölçeklenemez bir iştir. Belirli bir şirketin işinin, ihtiyaçlarının ve varlıklarının belirli koşullarını anlaması gerekir. Belli bir büyüklükteki çoğu şirketin kendi veri bilimcilerine ihtiyacı vardır. Diğer şirketlerin veri bilimcileri belirli yöntemler yayınlasalar bile, şirketler arasındaki belirli sorunların ve durumların farklı olduğu ve diğerlerinin yöntemlerinin tamamen kopyalanamayacağı neredeyse kesindir.
Elbette veri biliminin yanı sıra birçok değerli ve ilginç kariyer var. Makine öğreniminde bir kariyer düşünüyorsanız, bir endüstri sırrını bilmeniz gerekir: Büyük şirketlerdeki makine öğrenimi mühendisleri aslında nadiren makine öğrenimi ile ilgili şeyler yapar. Bunun yerine, zamanlarının çoğunu veri işleme boru hatları ve model dağıtım altyapısı oluşturmak için harcıyorlar. Bu işleri gerçekten yapmak istiyorsanız (genellikle çok güçlü işler), yine de yalnızca makine öğrenimi algoritmalarına odaklanmamanızı, genel mühendislik, DevOps işlemleri ve veri hattı altyapısı hakkında daha fazla bilgi edinmenizi öneririz.
En iyi makine öğrenimi uzmanları, insan bilgisine dünyadaki en iyi veri bilimcilerinden daha fazla katkıda bulunabilse de, deneyimli veri bilimcileri daha geniş bir yelpazede büyük bir etki yaratabilir. İş piyasasındaki gerçek durum bunu yansıtıyor. Bir iş arıyorsanız, makine öğrenimi eğitimini yalnızca "dengeli beslenme" nin bir parçası olarak kullanmak en iyi işi bulmanızı sağlayabilir; şirketin veri düzeyini iyileştirmek istiyorsanız, bir veri bilimi uzmanı tutmanız gerekebilir. .
Mevcut medyadaki aşırı abartıya karşı dikkatli olun. Makine öğrenimine çok fazla odaklanırsanız, temellerini öğrenmezseniz ve makine öğreniminin tamamlayıcı alanlarında yetkin değilseniz, iş piyasasında beklendiği kadar popüler olmayacaksınız.
