Для всего есть история, чтобы рассказать. Для меня тоже самое было.

«Цель состоит не в том, чтобы быть лучше, чем другие люди, а в том, чтобы быть лучше себя прежнего».  — «Далай-лама».

Заявление «почему»

Часто на нашем пути профессиональной жизни мы подходим к моменту, когда самосовершенствование становится неотъемлемой частью нашего самосовершенствования. Возможно, мы уже добились больших успехов в соответствующих областях, но разум начинает просить больше ингредиентов, чтобы исследовать другие измерения новых возможностей.

“…хм! Но в чем могут быть причины?»При этом, может быть, мы стали иначе видеть ЖИЗНЬ, начали понимать нюансы внутренних ожиданий, готовы что-то отдать обществу, гоняясь за мечтами, которые давно скрыты в нашем сознании или принимают новые вызовы, чтобы что-то доказать. Список можно продолжить. Каковы бы ни были причины; мы не хотим играть одну и ту же мелодию еще год в той же области и снова достигать того же рубежа.

«жизнь — это непрерывный процесс обучения». — мы это испытали. Поверьте в себя, узнайте что-то новое, рискните и наслаждайтесь временем». «внутреннее вы» всегда будет звучать».

Для меня это ничем не отличалось от того, что я проходил через одни и те же случаи. Меня раздражали события в моей карьере в недавнем прошлом, и я был очень голоден до чего-то абсолютно нового. Будучи человеком, ориентированным на исследования, я много читал о науке о данных. Хотя я изучал информатику в аспирантуре; моя специальность последипломного образования — «маркетинговые коммуникации».

«скептический» склад ума

Могу ли я взяться за Python / R? Буду ли я понимать Pandas DataFrame? «Основой Numpy является массив ND»  не кажется ли мне это чем-то инопланетным? Сокращение переменных, обработка пропущенных значений, разработка функций, обучение и тестирование набора данных, понимание проверки модели машинного обучения, количественная оценка ошибок  — так много вещей происходит одно за другим. Как справиться?

Да, поначалу я был настроен скептически, но я не боялся подвергать сомнению свой статус-кво. Первой ступенькой была вера в то, что технологии данных меняют все явления отрасли на экстенсивном уровне. Таким образом, я понял, что если мне нужно быть в игре, то я должен выучить правила, чтобы играть в нее.

Таким образом, с небольшим страхом в памяти, когда я впервые вошел в систему для курса под руководством инструктора; мои страхи ушли одним движением пальца. Я никогда не думал, что предмет, обогащенный математикой и статистикой, может быть таким интересным, хотя я не касаюсь этих предметов уже столько лет. Питон это легко. Будучи интерпретируемым языком, он помогает нам запускать коды построчно, что в дальнейшем помогло мне начать постепенно исправлять ошибки. Это было в целом приятным фактором, когда я запускал код, и это дало желаемые результаты. С каждым днем ​​​​и обогащаясь силой EDA; Я стал намного увереннее в этом процессе.

«Практическое» мышление: –

Ух ты — так в чем прелесть условной вероятности ? Ага…! Вот почему обычное распределение такое классное..!

Все начало происходить как по волшебству. Данные — это действительно «АбракаДабра» волшебных моментов — «мантра». Когда-то я думал, что по-настоящему искусственный интеллект и машинное обучение со временем все изменят, но мой художественный ум попросил меня обдумать все возможности.

Правило Парето по-прежнему широко используется.

Неужели развитие супертехнологий все изменит? Глава Alibaba Джек Ма говорит, что интернет-технологии уже сделали свое дело, и следующие 50 лет станут эпохой технологий данных. Мы даже этого не могли отрицать. Однако если нам придется верить правилу Парето 80–20, то мы поймем, что Data Science, AI / ML ответят на 80% бизнес-проблем, возможно, если правильно задать 20% бизнес-вопросов. Будет ли мой EDA простодушно задавать мои бизнес-вопросы моей модели машинного обучения? Думаю, нет. Так что эта человеческая точка соприкосновения всегда будет там.

Креативная ассоциация-

Смогу ли я реализовать творческое решение из моих моделей машинного обучения? Может ли это действовать на мою интуицию? Как насчет того заявления, в котором мне удобно сказать: «Это мое внутреннее чутье, сэр; давай сделаем это. Может ли моя модель машинного обучения воздействовать на мои эмоции? Может быть, слишком рано предсказывать. Но в любой ситуации; что 20% будут абсолютным человеческим прикосновением, а стратегии, основанные на данных, могут не заслуживать большого доверия.

Убеждение 'источников' информации-

Давайте будем практичными и зададим несколько вопросов. Насколько мы уверены в источниках данных, что мы могли бы слепо одобрить визуализацию поставленной бизнес-задачи на основе алгоритма?

Могут ли сегменты малого и среднего бизнеса позволить себе расходы, связанные с исполнением? А как насчет наличия нужных ресурсов?

Есть много случаев, когда организация может чувствовать себя обязанной быть компанией, управляемой данными. Однако организационная цепочка создания ценности не всегда может поддерживать критерии, позволяющие двигаться по одному и тому же пути. Прежде чем стать организацией, управляемой данными; может быть важно понять достоверность данных — их источники, подлинность, возможность повторного использования и значимость.

Окончательный вопрос — Потребность против. Спрос

У большинства компаний нет ни того объема данных, который необходим для таких операций, управляемых данными, ни времени или ресурсов. Создание таких платформ также может быть связано с огромными затратами. Основываясь на всеобъемлющей «потребности» — организация может иметь встроенную модель ИИ; однако это не будет выполнять их повседневные деловые потребности.

Возможно, специализированный автоматизированный инструмент мог бы быть намного проще для малого и среднего бизнеса. Например, albert.ai — отличная платформа для оптимизации контента. Даже HubSpot использует технологию, управляемую данными, для поддержки автоматизации маркетинга для малого и среднего бизнеса. Теперь очевидно, что нам не нужно создавать новый HubSpot, если в этом нет крайней необходимости. Таким образом, вопрос остается прежним. Нужна ли визуализация данных, оптимизированная для машинного обучения, для сегмента ММСП? Или это все еще нишевая игра на ближайшие 5-10 лет? Что ж, время ответит.

Моя кривая обучения

Изучение методов науки о данных — это путь к удивительности. Независимо от использования и получения материальной выгоды от конкретного обучения — процесс напоминает нам наши школьные/студенческие годы. Это помогает нам вернуть утраченные воспоминания о наших инженерных днях, ночных занятиях, выполнении заданий и, самое главное, — снова напечатать Hello World. Python/R очень прост. Библиотеки на основе Numpy, Pandas или SciKit довольно крутые и простые для понимания. Даже алгоритмы машинного обучения было легко понять. Возможно, я лично чувствовал, что перекультивировать статистику мне сложно. Однако моя партия была благословлена ​​тем, что у нас был учитель (RP), который сделал для нас все настолько простым, что — это пошло как красивая музыка.

Я должен сказать, что как только вы сможете ощутить истинный вкус науки о данных и связать ее огромное существование в своей профессиональной сфере; поверьте мне — вы будете говорить об этом каждый день, каждое мгновение.