Наука о данных. Разве это не тема десятилетия? Все об этом говорят, все хотят участвовать, никто не знает, с чего начать. С вопросами вроде того, какая должность, какая зарплата, интересна работа или нет, это превратилось в черную дыру нового века, и Рик Санчес нам не помог. Вы хотите быть аналитиком данных? Возможно, бизнес-аналитик. Или, может быть, известный специалист по данным! Но если вы немного запутались (более чем немного работает), тогда этот пост для вас. Возможно, это не единственный пост, который вы читаете сегодня, но я надеюсь, что смогу хотя бы дать вам представление о том, о чем идет речь.
Популярные слова - аналитика данных, бизнес-аналитика и наука о данных
Знаете ли вы, что есть разница между анализом и аналитикой? Анализ в основном относится к прошлому. Аналитика, с другой стороны, - это попытка увидеть, что нас ждет в будущем. Аналитика не может существовать без анализа. Затем аналитика данных означает выяснение того, как точки данных будут выглядеть в будущем, например, как будет выглядеть трафик через час. Бизнес-аналитика, как следует из этого термина, представляет собой оценку и прогнозирование бизнеса, например, прогноз продаж последнего iPhone в следующем году. Что отличает аналитику данных от бизнес-аналитики, так это необходимость в деловой хватке. Наука о данных - это широкий термин, относящийся к нескольким областям. Это означает понимание и применение статистики и сложных математических и вычислительных методов для более точного прогнозирования будущего. Хотя это очень похоже на данные и бизнес-аналитику, разница заключается в использовании методов интеллектуального анализа данных, больших данных наряду с работой с большими структурированными и неструктурированными данными.
Техники - традиционные и новые техники
Предсказание или прогнозирование было в картине уже давно. Раньше статистики использовали такие методы, как анализ гипотез в сочетании с кластеризацией, регрессией и временными рядами, чтобы предсказать будущее. Сегодня, когда есть большие неструктурированные и структурированные данные, необходимо использовать гораздо более продвинутый метод для точного прогнозирования. Искусственный интеллект. Машинное обучение - один из способов добиться этого.
Я бы не стал вдаваться в подробности. Но ниже приведены несколько примеров того, как анализировать данные можно в повседневной жизни.
- Системы рекомендаций - Вы когда-нибудь использовали функцию «Похожие товары» на Amazon, может быть, «Вам также может понравиться» на другой платформе электронной коммерции? Ага. И я нет. ;п
- Карты Google - лучший маршрут к месту назначения, прогнозирование трафика - некоторые способы, которые спасают нам жизнь каждый день
- Обнаружение мошенничества - как банки позволяют вам так легко проводить операции? Отклоняете ваш запрос, рассчитываете свой кредитный рейтинг? Учитывая количество транзакций, совершаемых каждую секунду, наука о данных становится необходимостью.
- Распознавание голоса - заставляете ли вы Alexa делать вашу работу за вас? Может быть, позвольте Siri набрать номер вашей матери? Так и думал.
Карьерный путь
Вы можете найти эту диаграмму полезной, исходя из вашего опыта. А может и нет. Помогите мне улучшить это, если вы знаете больше, пожалуйста.
Ссылки на несколько хороших курсов для начала:
Это все, что у меня было на сегодня. Будем надеяться, что в этом путешествии и ты, и я сможем научиться делать что-то хорошее и интересное.
