До ИИ, до машинного обучения и конвейеров, а также до информационных панелей и BI организация начинала с кучи данных, нескольких бизнес-вопросов и нескольких идей о том, как их соединить — новое поле и точка входа в науку о данных.
Ответы на вопросы бизнеса и превращение необработанных данных в идеи, модели и продукты — это больше, чем просто написание кода и проведение анализа. Успешная команда специалистов по обработке и анализу данных нуждается в инструментах, коммуникационной стратегии, продуманной инфраструктуре и плане для достижения своих целей.
В этом докладе будет рассказано о том, как решать новые задачи в области науки о данных с точки зрения первого сотрудника по науке о данных в организации и о том, как создать инфраструктуру науки о данных с нуля.
https://www.youtube.com/watch?v=95hebqGNY98
Спасибо, что прочитали ❤
Если вам понравился этот пост, поделитесь им со всеми своими друзьями-программистами!
Подпишитесь на нас в Facebook | Твиттер
Дальнейшее чтение о науке о данных
☞ Курс по науке о данных 2019: Полный учебный курс по науке о данных
☞ Машинное обучение от А до Я™: Python и R в науке о данных
☞ Таблица 10 от А до Я: Практическое обучение работе с таблицами для науки о данных!
☞ Программирование на R от A до Z™: R для науки о данных с реальными упражнениями!
☞ Машинное обучение, наука о данных и глубокое обучение с Python
☞ Глубокое обучение от А до Я™: практические искусственные нейронные сети
☞ Обзор проекта машинного обучения «Наука о данных во благо на Python»
☞ Лучшие IDE Python для науки о данных
☞ Машинное обучение в Node.js с помощью TensorFlow.js
☞ Полный обзор проекта машинного обучения на Python
☞ 6 лучших библиотек машинного обучения для JavaScript в 2019 году
