НАЧАЛО РАБОТЫ | МАШИНОСТРОЕНИЕ | ПЛАТФОРМА KNIME ANALYTICS
Машинное обучение без кода для гуру MBA!
Визуальное программирование способствует развитию инновационной культуры в области науки о данных в различных областях.
Впервые опубликовано в LinkedIn Pulse
Данные стали основой принятия бизнес-решений: организации регулярно генерируют огромное количество данных. По оценкам, общий объем данных, созданных, скопированных, захваченных и потребляемых в мире, вероятно, достигнет 149 зеттабайт к 2024 году по сравнению с двумя зеттабайтами, созданными в 2010 году. Наука о данных оказалась мощным инструментом для извлечения содержательные выводы из этого большого массива данных. Эти идеи помогают организациям определить любые существенные изменения, которые должны быть сделаны на основе изменения поведения потребителей, недостатков предыдущих решений, предстоящих проблем и анализа конкуренции. Большинство организаций сегодня полагаются на стратегические решения, основанные на технологиях. Это стало основным фактором, который стимулировал спрос на квалифицированные кадры в области науки о данных.
С другой стороны, чтобы удовлетворить этот постоянно растущий спрос на специалистов по данным, теперь организации позволяют своим существующим сотрудникам, не имеющим опыта работы в сфере ИТ или со степенью MBA, изучать и внедрять науку о данных в своей организации. В результате в сообществе бизнес-аналитиков появляются новые концепции, такие как Citizen Data Scientists или Codeless Machine Learning. В них сочетаются навыки традиционных бизнес-аналитиков с опытом статистиков и инженеров по машинному обучению. Чтобы дать возможность массам создавать науку о данных или кого-либо с любым опытом (маркетинг, финансы, кадры, продажи, производство, закупки, управление, обеспечение доходов, нефть, здравоохранение, биоинформатика, механика, электрика, телекоммуникации и т. Д.), Которые сейчас присутствуют на рынке Существует множество инструментов визуального программирования, которые помогают любому, у кого есть опыт работы с Microsoft Excel, обучать модели Data Science с помощью метода перетаскивания. Кроме того, чтобы лучше понять машинное обучение без кода, найдите время и посмотрите записанный ниже веб-семинар.
Наука о данных - это междисциплинарная область, в которой специалисты со степенью MBA и предметными знаниями, естественно, лучше всего подходят для того, чтобы стать специалистами по данным. На приведенной ниже схеме вкратце показаны навыки Data Science.
Вы можете научить кого-нибудь изучать математику и статистику за шесть месяцев или год. Вы также можете обучить кого-то с необходимыми знаниями в области ИТ или инструментов за несколько недель или месяцев. Но знание предметной области или бизнес-знания - это то, чему нужно время, чтобы усвоить, поскольку не существует обучения, которое могло бы помочь изучить все тонкости бизнеса за месяц. Знание предметной области напрямую зависит от времени, которое вы проводите в бизнесе: чем больше времени вы проводите, тем больше у вас власти над конкретной областью.
Обычно любой человек из любой области, когда он / она начинает свой путь к изучению науки о данных, изначально набирает 1/3 набора необходимых навыков для науки о данных. Любой человек с опытом работы в сфере ИТ или без него должен изучить два (02) дополнительных набора навыков.
На проиллюстрированной выше диаграмме соответствия наборов навыков Data Science получение знаний в предметной области является наиболее сложным и трудоемким шагом для человека с опытом работы в сфере ИТ. С другой стороны, если человек, не имеющий опыта работы в сфере информационных технологий, готов сделать свою карьеру в качестве Citizen Data Scientist, ему будет намного проще восполнить пробел в навыках анализа данных с помощью инструмента и изучить необходимые математика и статистика алгоритмов машинного обучения.
Python - это реальность, и вы не можете отрицать его существование и использование в области науки о данных. Самая большая ошибка, которую может совершить человек, не имеющий отношения к ИТ, - это начать свое путешествие в области науки о данных, изучая Python. Поступая таким образом, он / она делает свою кривую обучения чрезвычайно крутой и сложной - изучение программирования и Data Science за один раз в конечном итоге становится разочаровывающим. Я бы порекомендовал людям, не связанным с ИТ, разделить свой путь на два этапа. Во-первых, они должны понять основные концепции Data Science с помощью инструментов перетаскивания, таких как KNIME, а затем на втором этапе они могут решить дополнить свои знания Data Science, изучив язык программирования, такой как Python, который также можно использовать в KNIME, если нужный.
KNIME - это комплексное программное обеспечение для анализа данных с открытым исходным кодом, основанное на концепции визуального программирования. Пожалуйста, обратитесь к вебинару Скотта Финчера, доступному ниже, чтобы узнать больше о KNIME.
Кроме того, если вам нужна консультация 1–1 по реализации ваших амбиций в области науки о данных (например, Как стать специалистом по науке о данных или Как вы можете помочь своей команде по продажам, маркетингу или финансам создать науку о данных), Не стесняйтесь обращаться ко мне через LinkedIn, и я свяжусь с вами для дальнейшего обсуждения.
Мой профиль: Али Раза Анджум с более чем 10-летним опытом работы в области науки о данных и бизнес-реализации инициатив в области науки о данных. Я обучил свою первую модель машинного обучения еще в начале 2011 года. С тех пор все основное внимание уделяется обучению моделям машинного обучения и их операциям.
