విషయము
- డేటా సైన్స్ అండ్ మెషిన్ లెర్నింగ్: బ్రాడ్ అండ్ ఇరుకైన పరిభాష
- డేటా సైన్స్ మరియు మెషిన్ లెర్నింగ్ స్కిల్ సెట్స్
- బగ్స్ లేవు, ఒత్తిడి లేదు - మీ జీవితాన్ని నాశనం చేయకుండా జీవితాన్ని మార్చే సాఫ్ట్‌వేర్‌ను రూపొందించడానికి స్టెప్ గైడ్ ద్వారా మీ దశ
- యంత్ర అభ్యాసాన్ని గుర్తించడం ఎలా
- రెండు కట్టింగ్-ఎడ్జ్ క్రమశిక్షణలు
మూలం: ఎల్నూర్ / డ్రీమ్‌స్టైమ్.కామ్
Takeaway:
డేటా సైన్స్ మరియు మెషీన్ లెర్నింగ్ కీలక మార్గాల్లో భిన్నంగా ఉంటాయి. కొన్ని మార్గాల్లో, ఒకదానిని మరొకటి ఉపసమితిగా చూడవచ్చు. ప్రస్తుత ఐటి పురోగతిలో రెండూ ముఖ్యమైనవి.
కృత్రిమ మేధస్సు మరియు డేటా నిర్వహణ యొక్క ఈ కొత్త ప్రపంచంలో, ఐటి ప్రపంచంలో సాధారణంగా ఉపయోగించే కొన్ని పదాలతో గందరగోళం చెందడం సులభం.
ఉదాహరణకు, డేటా సైన్స్ మరియు మెషీన్ లెర్నింగ్ ఒకదానితో ఒకటి చాలా ఉన్నాయి. ఈ విభాగాల గురించి మాత్రమే పరిజ్ఞానం ఉన్న చాలా మంది వ్యక్తులు ఒకరికొకరు ఎలా భిన్నంగా ఉన్నారో గుర్తించడంలో ఇబ్బంది పడటం ఆశ్చర్యం కలిగించదు.
డేటా సైన్స్‌ను యంత్ర అభ్యాసం నుండి సూత్రప్రాయంగా మరియు సాంకేతిక విధానంగా వేరు చేయడానికి ఇక్కడ ఉత్తమ మార్గం.
డేటా సైన్స్ అండ్ మెషిన్ లెర్నింగ్: బ్రాడ్ అండ్ ఇరుకైన పరిభాష
అన్నింటిలో మొదటిది, డేటా సైన్స్ నిజంగా అనేక రకాలైన ప్రాజెక్టులు మరియు క్రియేషన్స్‌ను కలిగి ఉన్న సాంకేతిక పరిజ్ఞానం యొక్క విస్తృత, విస్తృతమైన వర్గం. (డేటా సైన్స్ ఉద్యోగంలో ఉన్న వాటి గురించి మరింత తెలుసుకోవడానికి, ఉద్యోగ పాత్ర: డేటా సైంటిస్ట్ చూడండి.)
డేటా సైన్స్ అనేది పెద్ద డేటాతో పనిచేయడం. ఇది మూర్ యొక్క చట్టంగా ఉద్భవించింది మరియు మరింత సమర్థవంతమైన నిల్వ పరికరాల విస్తరణ కంపెనీలు మరియు ఇతర పార్టీలచే అపారమైన డేటాను సేకరించడానికి దారితీసింది. అప్పుడు, డేటా మేనేజ్‌మెంట్ ఎలా పనిచేస్తుందో మార్చడం ద్వారా పెద్ద డేటా ప్లాట్‌ఫారమ్‌లు మరియు హడూప్ వంటి సాధనాలు కంప్యూటింగ్‌ను పునర్నిర్వచించటం ప్రారంభించాయి. ఇప్పుడు, క్లౌడ్ మరియు కంటైనరైజేషన్‌తో పాటు సరికొత్త మోడళ్లతో, పెద్ద డేటా మేము పనిచేసే మరియు జీవించే మార్గాలకు ప్రధాన డ్రైవర్‌గా మారింది.
దాని సరళమైన రూపంలో, డేటా సైన్స్ అనేది మేము ఆ డేటాను నిర్వహించే విధానం, దానిని శుభ్రపరచడం మరియు శుద్ధి చేయడం నుండి అంతర్దృష్టుల రూపంలో ఉపయోగించడం.
యంత్ర అభ్యాసం యొక్క నిర్వచనం చాలా ఇరుకైనది. యంత్ర అభ్యాసంలో, సాంకేతిక పరిజ్ఞానం "అభ్యాసం" గా వర్ణించబడిన మానవ అభిజ్ఞా ప్రక్రియలను అనుకరించటానికి డేటాను తీసుకుంటుంది మరియు అల్గారిథమ్‌ల ద్వారా ఉంచుతుంది. మరో మాటలో చెప్పాలంటే, డేటాను తీసుకొని దానిపై శిక్షణ పొందిన తరువాత, కంప్యూటర్ దాని స్వంత ఫలితాలను అందించగలదు , ప్రోగ్రామర్లు ఉంచిన ప్రక్రియల నుండి సాంకేతికత నేర్చుకున్నట్లు అనిపిస్తుంది.
డేటా సైన్స్ మరియు మెషిన్ లెర్నింగ్ స్కిల్ సెట్స్
డేటా సైన్స్ మరియు మెషీన్ లెర్నింగ్‌కు విరుద్ధంగా మరొక మార్గం ఏమిటంటే, ఈ రెండు రంగాలలోని నిపుణులకు అత్యంత విలువైన వివిధ నైపుణ్యాలను చూడటం.
బగ్స్ లేవు, ఒత్తిడి లేదు - మీ జీవితాన్ని నాశనం చేయకుండా జీవితాన్ని మార్చే సాఫ్ట్‌వేర్‌ను రూపొందించడానికి స్టెప్ గైడ్ ద్వారా మీ దశ
సాఫ్ట్‌వేర్ నాణ్యత గురించి ఎవరూ పట్టించుకోనప్పుడు మీరు మీ ప్రోగ్రామింగ్ నైపుణ్యాలను మెరుగుపరచలేరు.
లోతైన విశ్లేషణాత్మక మరియు గణిత నైపుణ్యాలు, డేటాబేస్ టెక్నాలజీలతో అనుభవం, మరియు పైథాన్ వంటి ప్రోగ్రామింగ్ భాషల పరిజ్ఞానం లేదా పెద్ద డేటాను అన్వయించడానికి ఉపయోగించే ఇతర ప్యాకేజీల నుండి డేటా శాస్త్రవేత్తలు ప్రయోజనం పొందే సాధారణ ఏకాభిప్రాయం ఉంది.
"(డేటా సైన్స్) లో బలమైన వృత్తిని నిర్మించటానికి ఆసక్తి ఉన్న ఎవరైనా మూడు విభాగాలలో కీలక నైపుణ్యాలను పొందాలి: అనలిటిక్స్, ప్రోగ్రామింగ్ మరియు డొమైన్ పరిజ్ఞానం" అని సింప్లిలీర్న్ వద్ద శ్రీహరి శశికుమార్ రాశారు. “ఒక స్థాయికి లోతుగా వెళితే, కింది నైపుణ్యాలు డేటా సైంటిస్ట్‌గా ఒక సముచిత స్థానాన్ని ఏర్పరచడంలో మీకు సహాయపడతాయి: పైథాన్, SAS, R (మరియు) స్కేలాపై బలమైన జ్ఞానం, SQL డేటాబేస్ కోడింగ్‌లో అనుభవం, అనుభవం లేని నిర్మాణ డేటాతో పని చేసే సామర్థ్యం వీడియో మరియు సోషల్ మీడియా వంటి వివిధ వనరులు, బహుళ విశ్లేషణాత్మక విధులను అర్థం చేసుకోండి (మరియు) యంత్ర అభ్యాస పరిజ్ఞానం. ”
మెషీన్ లెర్నింగ్ వైపు, నిపుణులు తరచుగా డేటా మోడలింగ్ నైపుణ్యాలు, సంభావ్యత మరియు గణాంకాల జ్ఞానం మరియు విస్తృత ప్రోగ్రామింగ్ నైపుణ్యాలను యంత్ర అభ్యాస ఇంజనీర్ యొక్క టూల్‌కిట్‌లో సహాయక సాధనంగా పేర్కొంటారు.
యంత్ర అభ్యాసాన్ని గుర్తించడం ఎలా
ఇక్కడ ముఖ్యమైన విషయం ఏమిటంటే, అన్ని రకాల విషయాలు డేటా సైన్స్ పనిని కలిగి ఉంటాయి, కాని కంప్యూటర్ దాని ఇన్‌పుట్‌ల నుండి నేర్చుకోవడంలో మీకు సహాయపడటానికి చాలా కఠినమైన నియమావళిని కలిగి ఉంటే తప్ప అది యంత్ర అభ్యాసం కాదు.
అది అమల్లో ఉన్నప్పుడు, ఇది మన జీవితాలపై విస్తృత ప్రభావాలను కలిగించే కొన్ని ఆశ్చర్యకరమైన సామర్థ్యం గల వ్యవస్థలను చేస్తుంది.
"యంత్ర అభ్యాసంతో మనం చేసేది చాలావరకు ఉపరితలం క్రింద జరుగుతుంది" అని అమెజాన్ వ్యవస్థాపకుడు జెఫ్ బెజోస్ ఈ రకమైన వ్యవస్థల యొక్క కొన్ని అనువర్తనాలను ఎత్తిచూపారు. “మెషిన్ లెర్నింగ్ డిమాండ్ ఫోర్కాస్టింగ్, ప్రొడక్ట్ సెర్చ్ ర్యాంకింగ్, ప్రొడక్ట్ అండ్ డీల్స్ సిఫారసులు, మర్చండైజింగ్ ప్లేస్‌మెంట్స్, మోసం గుర్తింపు, అనువాదాలు మరియు మరెన్నో కోసం మా అల్గారిథమ్‌లను నడుపుతుంది. తక్కువ కనిపించినప్పటికీ, యంత్ర అభ్యాసం యొక్క ప్రభావం ఈ రకమైనది - నిశ్శబ్దంగా కానీ అర్ధవంతంగా కోర్ ఆపరేషన్లను మెరుగుపరుస్తుంది. ”
ఇక్కడ అత్యంత సహాయక ఉదాహరణలలో ఒకటి న్యూరల్ నెట్వర్క్ యొక్క ఆవిర్భావం - ఇది యంత్ర అభ్యాస ప్రక్రియలను ఏర్పాటు చేసే సాధారణ మరియు ప్రసిద్ధ పద్ధతి.
దాని ప్రాథమిక రూపంలో, నాడీ నెట్వర్క్ కృత్రిమ న్యూరాన్ల పొరలతో కూడి ఉంటుంది. ప్రతి వ్యక్తి కృత్రిమ న్యూరాన్ జీవసంబంధమైన న్యూరాన్‌కు సమానమైన కార్యాచరణను కలిగి ఉంటుంది - కాని సినాప్సెస్ మరియు డెండ్రైట్‌లకు బదులుగా, దీనికి ఇన్‌పుట్‌లు, యాక్టివేషన్ ఫంక్షన్ మరియు చివరికి అవుట్‌పుట్‌లు ఉన్నాయి.
న్యూరల్ నెట్వర్క్ మానవ మెదడు వలె పనిచేసేలా తయారు చేయబడింది మరియు యంత్ర అభ్యాస నిపుణులు యంత్ర అభ్యాస ఫలితాలను సృష్టించడానికి ఈ నమూనాను తరచుగా ఉపయోగిస్తారు.
అయితే, యంత్ర అభ్యాసం చేయడానికి ఇది ఏకైక మార్గం కాదు. మరికొన్ని మూలాధార యంత్ర అభ్యాస ప్రాజెక్టులలో కంప్యూటర్‌ను విస్తృత శ్రేణి ఛాయాచిత్రాలను చూపించడం (లేదా ఇతర ముడి డేటాతో సరఫరా చేయడం), పర్యవేక్షించబడే యంత్ర అభ్యాసం మరియు లేబుల్ డేటాను ఉపయోగించే ప్రక్రియ ద్వారా ఆలోచనలను ఇన్పుట్ చేయడం మరియు చివరికి కంప్యూటర్ మధ్య వివక్ష చూపడం వంటివి ఉంటాయి. దృశ్య క్షేత్రంలో వివిధ ఆకారాలు లేదా అంశాలు. (యంత్ర అభ్యాసంపై ప్రాథమిక విషయాల కోసం, యంత్ర అభ్యాసం 101 ను చూడండి.)
రెండు కట్టింగ్-ఎడ్జ్ క్రమశిక్షణలు
ముగింపులో, యంత్ర అభ్యాసం డేటా సైన్స్లో ఒక విలువైన భాగం. కానీ డేటా సైన్స్ విస్తృతమైన సరిహద్దు మరియు యంత్ర అభ్యాసం జరిగే కాన్ ను సూచిస్తుంది.
ఒక విధంగా, పెద్ద డేటా లేకుండా యంత్ర అభ్యాసం ఎప్పటికీ జరగదని మీరు చెప్పవచ్చు. పెద్ద డేటా యంత్ర అభ్యాసాన్ని సృష్టించలేదు, అయినప్పటికీ - బదులుగా, మనం ఏమి చేయాలో దాదాపుగా తెలియని సమిష్టిగా సమిష్టిగా సేకరించిన తరువాత, అగ్ర మనసులు ఈ బయో-అనుకరణ ప్రక్రియలను సూపర్ఛార్జ్డ్ మార్గంగా ముందుకు తెచ్చాయి అంతర్దృష్టులను అందించడం.
ఇక్కడ గుర్తుంచుకోవలసిన మరో మంచి విషయం ఏమిటంటే, డేటా సైన్స్ ను రెండు ప్రధాన మార్గాల్లో అన్వయించవచ్చు - మనం యంత్ర అభ్యాసం మరియు కృత్రిమ మేధస్సును స్వీకరించవచ్చు, కంప్యూటర్లు మన గురించి ఆలోచించనివ్వండి లేదా డేటా సైన్స్ ను మరింత మానవ-కేంద్రీకృత విధానానికి తీసుకురావచ్చు. కంప్యూటర్ ఫలితాలను అందిస్తుంది మరియు మనుషులుగా మనం నిర్ణయాలు తీసుకుంటాము.
ఈ సాంకేతిక పరిజ్ఞానాన్ని మేము ఉపయోగించే మార్గాల గురించి మరింత శక్తివంతమైన అకౌంటింగ్ కోసం పిలుపునిచ్చే నేటి అగ్రశ్రేణి ఆవిష్కర్తలతో సహా కొంతమంది నిపుణులను ఇది నడిపిస్తుంది.
"(AI) దాదాపు ఎవరికైనా తెలిసిన దానికంటే చాలా ఎక్కువ సామర్థ్యం కలిగి ఉంది మరియు మెరుగుదల రేటు ఘాటుగా ఉంటుంది" అని ఎలోన్ మస్క్ పేర్కొన్నారు, యంత్ర అభ్యాసం మరియు AI కార్యక్రమాలకు పర్యవేక్షణ అవసరమని హెచ్చరించారు.
ఏదేమైనా, డేటా సైన్స్ మరియు మెషీన్ లెర్నింగ్ రెండూ ఈ రోజు సాంకేతిక పరిజ్ఞానంలో సమాజాలు చేస్తున్న పురోగతి యొక్క ప్రధాన భాగాలు.