Οι επιστήμονες δεδομένων: Τα νέα αστέρια του ροκ Tech World

Περιεχόμενο

• Επιστήμονες δεδομένων: Tech Stars Rock;
• Οι επιστήμονες δεδομένων κάνουν τι;
• No Bugs, No Stress - Ο οδηγός σας βήμα προς βήμα για τη δημιουργία λογισμικού που αλλάζει τη ζωή χωρίς να καταστρέφει τη ζωή σας
• Πώς να γίνετε επιστήμονας δεδομένων
• Ο δρόμος προς τα μεγάλα δεδομένα

Πηγή: Onradio / iStockphoto

Πάρε μακριά:

Ο ρόλος των επιστημόνων δεδομένων γίνεται γρήγορα η πιο περιζήτητη σταδιοδρομία του κόσμου της τεχνολογίας. Ρωτήσαμε τον κορυφαίο επιστήμονα δεδομένων Jake Porway από τους The New York Times για το πώς πήρε τη δουλειά του και τις συμβουλές του για επιτυχία στον τομέα.

Ο ρόλος του επιστήμονα δεδομένων γίνεται γρήγορα η πιο περιζήτητη σταδιοδρομία στον κόσμο της τεχνολογίας. Εταιρείες όπως η Google, η Amazon και η LinkedIn χρησιμοποιούν επιστήμονες δεδομένων για να τους βοηθήσουν να διατηρήσουν το καινοτόμο πλεονέκτημα στην εποχή των ψηφιακών δεδομένων. Και τώρα οι λάτρεις των δεδομένων και της τεχνολογίας επιδιώκουν να γίνουν επιστήμονες δεδομένων με τον ίδιο τρόπο που μερικοί μουσικοί φιλοδοξούν να γίνουν αστέρες ροκ. Ίσως αυτός είναι ο λόγος για τον οποίο κάποιοι άνθρωποι αναφέρονται στους επιστήμονες δεδομένων ως τα νέα ροκ αστέρια της εποχής της τεχνολογίας.

Δυστυχώς, ο ρόλος αυτός εξακολουθεί να είναι τόσο καινούργιος που εξακολουθεί να είναι ένα επίπεδο αφύπνισης γι 'αυτό, πράγμα που σημαίνει ότι πολλοί επιστήμονες των δεδομένων οδηγούν τα λεωφορεία τους σε λάθος δρόμο. Οι επιστήμονες δεδομένων αξίζουν τη φήμη των rock star; Βυθίζουμε στον κόσμο της επιστήμης των δεδομένων με μια συνέντευξη με τον Jake Porway, τον επιστήμονα δεδομένων από το εργαστήριο Ε & Α της New York Times.

Επιστήμονες δεδομένων: Tech Stars Rock;

Γιατί λοιπόν οι επιστήμονες των δεδομένων αναφέρονται ως τα νέα ροκ αστέρια του τεχνολογικού κόσμου; Αυτή η αναλογία στην πραγματικότητα πηγαίνει βαθύτερη από ό, τι οι ψίθυροι των δεδομένων επιθυμούν να ακούσουν υπερήχους. Ακριβώς όπως ένα ροκ σταρ, η σταδιοδρομία των επιστημόνων δεδομένων περιλαμβάνει την ποικιλομορφία, την καλλιτεχνική ελευθερία και την προσαρμοστικότητα. Και σαν τα ροκ αστέρια του κόσμου ψυχαγωγίας, οι καλύτεροι επιστήμονες δεδομένων τείνουν να κερδίζουν αρκετά από τους ανθρώπους από όλες τις περιόδους της βιομηχανίας δεδομένων και τεχνολογίας.

Αυτό που κάνει ένας επιστήμονας δεδομένων είναι πολύ διαφορετικό. όπως ακριβώς και οι μουσικοί χρησιμοποιούν διαφορετικά όργανα, εργαλεία και τεχνικές για να παίξουν μουσικά στυλ που είναι τόσο διαφορετικά όσο τζαζ και θανάτου, ένας επιστήμονας δεδομένων επίσης κυριαρχεί ένα συγκεκριμένο εργαλείο και πεδίο. Το στυλ Theres αφορά επίσης. Και δεν υπάρχει ούτε σωστός ούτε λανθασμένος τρόπος να γίνει η δουλειά - πρόκειται για τον αντίκτυπο που έχει η δουλειά σε άλλους ανθρώπους.

Όταν οι Beatles έγραψαν τα τραγούδια τους, δεν υπήρχε μόνο ένας άνθρωπος που να υπαγορεύει τον τρόπο με τον οποίο θα έπαιζε κάθε νότα σε κάθε όργανο. Συναντήθηκαν και μπλοκαρίστηκαν. μέσω δημιουργικής ανακάλυψης βρήκαν τραγούδια που δούλεψαν. Είναι το ίδιο για τους επιστήμονες δεδομένων. Πρέπει να νιώσουν τον ρυθμό, να μπουν στο αυλάκι και να εναρμονίσουν μια λύση. Αυτό είναι δυνατό μόνο με το σωστό ποσό καλλιτεχνικής ελευθερίας να δοκιμάσετε οποιεσδήποτε προσεγγίσεις, εργαλεία και τεχνικές μπορεί να έρθουν στο μυαλό τη στιγμή - και η ευκινησία να κάνει αλλαγές όταν κάτι φαίνεται εκτός καίριας σημασίας.

Μόλις ένας επιστήμονας δεδομένων κυριαρχεί στις βασικές αρχές, αυτός ή αυτή καθίσταται προσαρμόσιμος και κερδίζει την εμπιστοσύνη για την παροχή λύσεων σε άλλους τομείς. Μιλάμε περισσότερο για αυτές τις θεμελιώδεις αρχές αργότερα. Το σημείο που πρέπει να κάνουμε εδώ είναι ότι μόλις αποκτήσετε την επιστήμη των δεδομένων, μπορείτε να πάρετε το ρόλο σε οποιοδήποτε πεδίο θέλετε, επειδή τα δεδομένα είναι παντού.

Ένας απώτερος στόχος ενός επιστήμονα δεδομένων είναι να δημιουργήσει τεράστια ποσά αξίας για το μεγαλύτερο δυνατό αριθμό ατόμων. Ενώ ένας επιστήμονας των δεδομένων εργάζεται πίσω από τις σκηνές, δεν ξεφεύγει από το να παίζει σε ένα μεγάλο ακροατήριο: Όσο καλύτερα δουλεύετε, τόσο περισσότεροι άνθρωποι φτάνετε - και οι περισσότερες ανταμοιβές που βλέπετε.

Οι επιστήμονες δεδομένων κάνουν τι;

Τι ακριβώς κάνουν οι επιστήμονες δεδομένων; Ας περάσουμε από αυτό με ένα παράδειγμα που όλοι μπορούμε να είμαστε σε θέση να συσχετίσουμε.

No Bugs, No Stress - Ο οδηγός σας βήμα προς βήμα για τη δημιουργία λογισμικού που αλλάζει τη ζωή χωρίς να καταστρέφει τη ζωή σας

Δεν μπορείτε να βελτιώσετε τις δεξιότητες προγραμματισμού σας όταν κανείς δεν ενδιαφέρεται για την ποιότητα του λογισμικού.

Ας πούμε ότι συνειδητοποιείτε ότι μια μέρα δεν έχετε την ίδια ποσότητα ενέργειας την ημέρα που συνήθιζα να. Έτσι, ορίστε τον εαυτό σας έναν στόχο: να έχετε περισσότερη ενέργεια κατά τη διάρκεια της ημέρας. Τώρα, αυτό είναι ένα αρκετά ευρύ και διφορούμενο στόχο. Έτσι, το πρώτο βήμα ως επιστήμονας δεδομένων είναι να αφαιρέσει κάποια από αυτή την ασάφεια και να ποσοτικοποιήσει αυτά τα μετρήσιμα αντικείμενα. Υπάρχουν μέθοδοι για αυτό. Εμείς δεν πρόκειται να πάμε στις λεπτομέρειες εδώ, αλλά αφήνει απλώς να πείτε ότι θεωρείτε ότι δεν έχετε αρκετό ύπνο και ως εκ τούτου δώστε στον εαυτό σας το υπο-στόχο να πάρει οκτώ ώρες ύπνου κάθε βράδυ.

Παρόλο που ο στόχος αυτός είναι λίγο πιο μετρήσιμος και λιγότερο διφορούμενος, έχει τις δικές του προκλήσεις. Δεν μπορείτε να αρχίσετε πραγματικά ένα χρονοδιακόπτη μόλις κοιμηθείτε, και ακόμα κι αν ξεκινήσετε ένα χρονοδιακόπτη μετά από να ανεβείτε στο κρεβάτι, μπορεί να μην κοιμηθείτε αμέσως. Επιπλέον, είναι δύσκολο να λογοδοτήσει για τις ώρες που ξυπνάτε στη μέση της νύχτας. Τέλος, υπάρχουν διαφορετικοί τύποι ύπνου, όπως ο βαθύς ύπνος και ο ελαφρύς ύπνος. Η κατώτατη γραμμή είναι ότι είναι δύσκολο να μετρηθεί με ακρίβεια ο ύπνος και επομένως είναι ακόμη πιο δύσκολο να μετρηθεί ο αντίκτυπός του στα ενεργειακά σας επίπεδα.

Τι μπορείτε να κάνετε; Λοιπόν, ως επιστήμονας δεδομένων θα αναζητήσετε την πιο πρόσφατη τεχνολογία και θα ανακαλύψετε ότι υπάρχουν συσκευές παρακολούθησης ύπνου.Και αν χρησιμοποιήσατε μια τέτοια συσκευή για να μετρήσετε και να καταγράψετε ψηφιακά τον ύπνο σας, θα μπορείτε να λάβετε ακριβέστερα δεδομένα σχετικά με τον ύπνο σας και να συλλέγετε αυτά τα δεδομένα με την πάροδο του χρόνου για να γράψετε ένα γράφημα.

Αυτό μόνο μπορεί να σας δώσει περισσότερες πληροφορίες για το τι συμβαίνει. Η οπτική αναπαράσταση θα σας δώσει ευαισθησία, σαφήνεια και κατεύθυνση. Θα μπορείτε να διαπιστώσετε αν φτάνετε το στόχο σας σε οκτώ ώρες ύπνου τη νύχτα και, το σημαντικότερο, να είστε σε θέση να αναλάβετε δράση αν δεν είστε.

Αυτή είναι η βασική δουλειά του επιστήμονα δεδομένων: να φέρει νέους τρόπους μέτρησης και εμφάνισης δεδομένων, ώστε να παρέχεται περισσότερη ευαισθητοποίηση, σαφήνεια και κατεύθυνση σε όσους το εξετάζουν.

Αλλά ένας καλός επιστήμονας δεδομένων δεν σταματά εκεί. Μόλις συλλεχθούν τα δεδομένα, μπορεί να ενσωματωθεί σε οποιαδήποτε άλλη μετρούμενη δραστηριότητα που κάνετε όλη την ημέρα. Ενσωματώστε την με την παραγωγικότητά σας βάσει δεδομένων από το σύστημα διαχείρισης εργασιών. Ενσωματώστε το με τις διαθέσεις σας με βάση τα tweets και τις ενημερώσεις κατάστασης. Ενσωματώστε την με την υγεία σας με βάση τις επισκέψεις στο γυμναστήριο ή την απώλεια βάρους. Με την ποσότητα των διαθέσιμων δεδομένων και την ευκολία κατά την οποία μπορούν να ληφθούν, οι δυνατότητες είναι ατελείωτες.

Πώς να γίνετε επιστήμονας δεδομένων

Ενδιαφέρεστε για μια καριέρα στην επιστήμη των δεδομένων; Επειδή η επιστήμη των δεδομένων είναι τόσο νέα, ρωτήσαμε έναν κορυφαίο επιστήμονα δεδομένων για την διορατικότητα στον τομέα. Ο Τζέικ Πόργουεϊ είναι επιστημονικός επιστήμονας του The New York Times και ιδρυτής του DataKind (αρχικά γνωστός ως Data Without Borders), ο οποίος ταιριάζει με μη κερδοσκοπικούς οργανισμούς που χρειάζονται επιστήμη δεδομένων με ανεξάρτητους και προνομοιοπαθείς επιστήμονες δεδομένων. Ο Porway έχει ένα υπόβαθρο επιστήμης υπολογιστών και ένα Ph.D. σε στατιστικά στοιχεία από την UCLA. Heres αυτό που είχε να πει για το πώς να μπει στην επιστήμη των δεδομένων, πώς να αποδίδει καλά, και πώς να αποφύγετε τα βασικά λάθη στον τομέα.

1. Πάρτε τις σωστές δεξιότητες

Σύμφωνα με τον Porway, η είσοδος στο πεδίο βράζει σε τρία βασικά πράγματα:

• Πρακτικές υπολογιστικές δεξιότητες
• Στατιστικές δεξιότητες
• Μια επιθυμία για μάθηση

"Πρέπει να είστε σε θέση να γράφετε σενάρια για να αποκόψετε τα δεδομένα καθώς και να κωδικοποιήσετε τους αλγόριθμους που εμφανίζονται στο κεφάλι σας", λέει ο Porway. "Θα πρέπει να γνωρίζετε τα βασικά σας στατιστικά στοιχεία (και περισσότερο, ιδανικά) εάν είστε πραγματικά σε θέση να αξιολογήσετε αν τα μοντέλα που δημιουργείτε ή οι αλγόριθμοι που γράφετε, κάνουν ό, τι θέλετε".

2. Κάντε συνδέσεις

Πριν από την είσοδό του στο Εργαστήριο Ερευνας και Ανάπτυξης της New York Times, ο Porway εργάστηκε στη μηχανική μάθηση και στο όραμα των υπολογιστών και πέρασε πολύ χρόνο για να πάρει ρομπότ για την ταυτοποίηση ναρκών ξηράς και αεροπλάνων (πόσο δροσερό είναι ότι?). Δεν ήταν μέχρι που αποβίβασαν τη δουλειά του στους The New York Times ότι επεκτάθηκε σε ευρύτερα καθήκοντα επιστήμης των δεδομένων, συγκεκριμένα το Project Cascade, το οποίο παρακολουθεί τους συνδέσμους από τη δημοσίευση σε όλα τα κοινωνικά μέσα.

Το πιο σημαντικό πράγμα που πρέπει να πάρεις στο πεδίο, λέει ο Porway, είναι να μαθευτεί.

"Πάρτε ένα έργο επιστήμης δεδομένων!" Λέει ο Porway. "Κατεβάστε κάποια δεδομένα, πάρτε κάποια R και αρχίστε να παίζετε ... Η ID λέει να επικεντρωθεί στη χρήση κάτι σαν R μαζί με ένα βασικό βιβλίο στατιστικών στοιχείων για να σας καθοδηγήσει στην εξερεύνηση κάποιων δεδομένων. φυσικά αυτό εξαρτάται από την προηγούμενη εμπειρία σας - αν είστε ήδη στατιστικός, πάρτε κάποια Python!) "

Τότε είναι καιρός να κάνουμε κάποιες συνδέσεις. Ο Porway συστήνει μια τοπική ομάδα συναντήσεων - επειδή είναι μέρος της κοινότητας της επιστήμης των δεδομένων είναι "ο πιο γρήγορος τρόπος να γνωρίζεις τι δεν γνωρίζεις". Και σε ένα πεδίο που συνεχώς εξελίσσεται, αυτό έχει σημασία.

3. Πάρτε στο παιχνίδι

Ο Porway έχει Ph.D. στις στατιστικές από την UCLA, αλλά τονίζει ότι δεν χρειάζεται κάποιος να κάνει καλή δουλειά.

"Θα μπορούσε να βοηθήσει, αλλά δεν νομίζω ότι πρέπει να πάτε μακριά και να κάνουμε άλλα πέντε χρόνια του σχολείου για να μπορέσετε να αποκαλείτε τον εαυτό σας έναν επιστήμονα δεδομένων", δήλωσε ο Porway.

Η επιστήμη των δεδομένων είναι ένα σχετικά νέο πεδίο. Αυτό σημαίνει ότι όσοι θέλουν να μπουν στο πεδίο πρέπει να το προσεγγίσουν με ανοιχτό μυαλό.

"Ένας επιστήμονας δεδομένων στο Foursquare θα μοιάζει πολύ διαφορετικός από έναν επιστήμονα δεδομένων στο Goldman Sachs", λέει ο Porway.

4. Rock το νέο ρόλο σας

Η επιστήμη των δεδομένων αφορά στην αποσαφήνιση των στόχων, στην εξέταση υποθέσεων, στην αξιολόγηση των αποδεικτικών στοιχείων και στην αξιολόγηση των συμπερασμάτων. Αλλά υπάρχει ένα μικρό κομμάτι του παζλ πολλοί άνθρωποι παραβλέπουν. Μπορείτε να μαντέψετε τι είναι; Σύμφωνα με τον Porway, το μυστικό συστατικό είναι η κριτική σκέψη.

"Είναι πραγματικά ξεχωρίζει τους χάκερ από τους αληθινούς επιστήμονες, για μένα", λέει ο Porway. "Θα εκπλαγείτε με πόσες φορές έχω δει κάποιον να χτίσει ένα μοντέλο και να αναφέρει τα αποτελέσματα χωρίς να συνειδητοποιήσει ότι δεν έχουν σκέφτονται κριτικά για το πού προέρχονται τα δεδομένα ή αν το πείραμά τους έχει σχεδιαστεί σωστά Πρέπει να πρέπει να είστε σε θέση να αμφισβητήσετε κάθε βήμα της διαδικασίας σας και του κάθε αριθμού με τον οποίο βρίσκεστε. "

Ο δρόμος προς τα μεγάλα δεδομένα

Ο Πόβγουε λέει όταν συνειδητοποίησε την ικανότητα να χρησιμοποιεί τεράστια ποσά δεδομένων για να διδάξει τις μηχανές, έσπασε το μυαλό του. Αυτό το πάθος - και η εκπαίδευσή του και οι δεξιότητές του - που βοήθησαν να του προσφερθεί μια κορυφαία δουλειά στην επιστήμη των δεδομένων. Εάν θέλετε να πετάξετε μεγάλα δεδομένα, κατεβάστε μερικά βιβλία, κατεβάστε κάποια δεδομένα και αρχίστε να παίζετε. Ποτέ δεν ξέρεις τι θα εμφανιστεί ένα σωρό ακατέργαστων δεδομένων.

Για ένα πλήρες αντίγραφο της συνέντευξης, πηγαίνετε στο DataScientists.Net.