ఉద్యోగ పాత్ర: డేటా సైంటిస్ట్

విషయము

• వైవిధ్యమైన నిర్వచనాలు, వైవిధ్యమైన విధులు
• బగ్స్ లేవు, ఒత్తిడి లేదు - మీ జీవితాన్ని నాశనం చేయకుండా జీవితాన్ని మార్చే సాఫ్ట్‌వేర్‌ను రూపొందించడానికి స్టెప్ గైడ్ ద్వారా మీ దశ
• డేటా సైంటిస్ట్ యొక్క నైపుణ్యాలు

మూలం: సెర్గీ ఖాకిముల్లిన్ / ఐస్టాక్‌ఫోటో

Takeaway:

డేటా సైంటిస్టులకు విస్తృత శ్రేణి ఉద్యోగాలు ఉన్నాయి, అవి అప్లికేషన్ ద్వారా గణనీయంగా మారుతాయి. కానీ వారందరికీ ఉమ్మడిగా ఉన్న ఒక విషయం డేటాను బాగా ఉపయోగించుకునే డ్రైవ్.

ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ మరియు మెషిన్ లెర్నింగ్ పనిలో డేటా సైంటిస్ట్ ఏమి చేస్తారు? ప్రతిరోజూ ఈ రకమైన ప్రాజెక్టులతో వ్యవహరించే బోలెడంత మంది ప్రోస్ ప్రశ్నకు సమాధానం చెప్పడం చాలా కష్టం అని చెబుతారు. మంచి ప్రశ్న: డేటా శాస్త్రవేత్తలు ఏమి చేయరు?

డేటా సైంటిస్ట్ AI లేదా ML ప్రక్రియకు సమగ్రంగా ఉంటాడు, ఈ ప్రాజెక్టులన్నీ పెద్ద డేటా లేదా సంక్లిష్ట ఇన్‌పుట్‌లపై ఆధారపడి ఉంటాయి. ఫలితాలను రూపొందించడానికి డేటాతో ఎలా పని చేయాలో తెలిసిన అవసరమైన వృత్తి నిపుణుడు డేటా సైంటిస్ట్.

ఏదేమైనా, డేటా సైంటిస్ట్ ఏమి చేస్తాడు, అతనికి లేదా ఆమెకు ఏ అర్హతలు అవసరం మరియు ఈ ప్రక్రియలో అతని లేదా ఆమె పాత్ర ఏమిటనే దాని గురించి మాట్లాడటానికి కొన్ని మార్గాలు ఉన్నాయి.

చదవండి: ఆన్‌లైన్ లెర్నింగ్ ద్వారా మీరు నేర్చుకోగల 6 కీ డేటా సైన్స్ కాన్సెప్ట్స్

వైవిధ్యమైన నిర్వచనాలు, వైవిధ్యమైన విధులు

డేటా సైంటిస్ట్ యొక్క పనిని వివరించే చాలా మంది నిపుణులు దాని గురించి విస్తృతంగా మాట్లాడుతారు.

"చిన్న కంపెనీలలో లేదా క్రొత్త మార్కెట్లో పనిచేసేటప్పుడు, డేటా సైంటిస్ట్ యొక్క పాత్ర సాపేక్షంగా నవల (కానీ స్పష్టమైన) డేటా వనరులను అంతిమ వినియోగదారుకు సమస్యను పరిష్కరించే అంశంగా మార్చడం, ఇది గతంలో సాధ్యం కాదు. మెర్క్యురీ గ్లోబల్ పార్ట్‌నర్స్ వద్ద అకౌంట్ మేనేజర్ అంటోనియో హిక్స్ చెప్పారు. "ఆదర్శ అభ్యర్థి పార్ట్ మ్యాథమెటిషియన్, పార్ట్ సాఫ్ట్‌వేర్ ఇంజనీర్ మరియు పార్ట్ ఎంటర్‌ప్రెన్యూర్."

మోడలింగ్ ప్రాజెక్టులను పరిష్కరించడానికి డేటా శాస్త్రవేత్తలు ఏమి అవసరమో పేర్కొంటూ ఇతరులు ఈ ప్రాథమిక ఆలోచనను ప్రతిధ్వనిస్తారు.

"డేటా సైంటిస్ట్‌కు అవసరమైన అతి ముఖ్యమైన లక్షణం వారి చుట్టూ ఉన్న ప్రపంచం గురించి లోతైన ఉత్సుకత - వారు ప్రశ్నలకు సమాధానం ఇస్తున్నా లేదా మోడళ్లను నిర్మించినా, వారి ముందు ఉన్న సమస్యను అర్థం చేసుకోవాలనే కోరిక కీలకం" అని డేటా సైంటిస్ట్ మేనేజర్ ఎరిన్ అకిన్సీ చెప్పారు ఆసనా వద్ద. "అక్కడ నుండి, చాలా మందికి పరిష్కారాలను కనుగొనడానికి గణిత మరియు ప్రోగ్రామింగ్‌లో నైపుణ్యాలు అవసరమవుతాయి, కాని డేటా సైన్స్‌లోని నైపుణ్యం ఉన్న ప్రాంతాన్ని బట్టి నిర్దిష్ట రకాల గణిత మరియు ప్రోగ్రామింగ్ విస్తృతంగా మారుతూ ఉంటాయి."

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.

"ఒక శాస్త్రవేత్త సమస్య గురించి ఆలోచించే విధానంతో, దాన్ని పరిష్కరించడానికి వారు ఉపయోగించే సాధనాల కంటే అద్భుతమైన శాస్త్రీయ పనికి ఎక్కువ సంబంధం ఉంది" అని వాల్కైరీ ఇంటెలిజెన్స్ వ్యవస్థాపకుడు మరియు CEO చార్లీ బుర్గోయ్న్ జతచేస్తారు. వాల్కీరీ అనేది అనువర్తిత సైన్స్ కన్సల్టింగ్ సంస్థ, మార్క్ I వంటి అద్భుతమైన ప్రాజెక్టులతో, ఇది ఒక ప్రత్యేకమైన నెట్‌వర్క్ ఉపకరణం, ఇది న్యూరల్ నెట్‌వర్క్ శిక్షణ మరియు పరీక్షలను పెంచుతుంది, క్లౌడ్-ఆధారిత యంత్ర అభ్యాస ప్లాట్‌ఫామ్‌లతో మునుపటి వాటిని మెరుగుపరుస్తుంది.

"పైథాన్ అభివృద్ధి, న్యూరల్ నెట్‌వర్క్ డిజైన్ మరియు డేటా రిపోజిటరీని సరికొత్త డేటాబేస్ ఆర్కిటెక్చర్‌లోకి మార్చగల సామర్థ్యాన్ని కలిగి ఉన్న శాస్త్రవేత్తలను మార్కెట్ కోరుతుంది" అని బుర్గోయ్న్ చెప్పారు. “అయితే, ఆ సామర్థ్యాలు ప్రతిభావంతులైన శాస్త్రవేత్తకు పట్టిక. తక్కువ స్పష్టమైన విషయం ఏమిటంటే, శాస్త్రవేత్త యొక్క భయంలేని ఉత్సుకత, దూకుడు చాతుర్యం మరియు శాస్త్రీయ పద్ధతికి కట్టుబడి ఉండటం. ”

డేటా సైంటిస్ట్ యొక్క నైపుణ్యాలు

ప్రాక్టికల్ స్కిల్ సెట్ల వరకు, డేటా సైంటిస్టులకు మోడలింగ్ వెళ్లేంతవరకు కొంత సృజనాత్మకత మరియు అవగాహన అవసరం. పైథాన్, సి ++ లేదా ఎంఎల్ ప్రాజెక్టులకు వర్తించే ఇతర సాధారణ భాషలలో అనుభవం కోడింగ్ వంటి “కఠినమైన నైపుణ్యాలు” కలిగి ఉండటం వల్ల కూడా వారు చాలా ప్రయోజనం పొందవచ్చు.

"పైథాన్ మరియు సి ++ చాలా అవసరం మరియు డేటా విశ్లేషణ మరియు ప్రాసెసింగ్ మరియు గణాంకాలతో కోడింగ్ నైపుణ్యాలను మిళితం చేయగలగడం డేటా శాస్త్రవేత్త బలమైన అభ్యర్థిగా లేదా ఉద్యోగిగా నిలబడేలా చేసే ప్రధాన నైపుణ్యాలు" అని ఆన్‌లైన్ మాక్ ఇంటర్వ్యూ ప్లాట్‌ఫామ్‌లోని ప్రాంప్ వద్ద వాల్ స్ట్రీఫ్ చెప్పారు. సాఫ్ట్‌వేర్ ఇంజనీర్లు, డెవలపర్లు మరియు డేటా శాస్త్రవేత్తల కోసం. "డేటా సైంటిస్ట్‌ను డెవలపర్‌తో జతచేయడం ద్వారా కొన్ని ప్రోగ్రామింగ్ నైపుణ్యాలను జాగ్రత్తగా చూసుకోగలిగినప్పటికీ, మీరు సంస్థ యొక్క కోణం నుండి రెండు నైపుణ్యాలను ఒకదానితో కలిపి ఉంటే చాలా సులభం."

ఇతర నిపుణులు R, హడూప్, స్పార్క్, సాస్ మరియు జావాతో పాటు టేబులో, హైవ్ మరియు మాట్లాబ్ వంటి సాంకేతికతలను జాబితాలో చేర్చారు.

ఇవన్నీ ఆకట్టుకునే పున ume ప్రారంభం కోసం తయారుచేస్తాయి, కాని డేటా శాస్త్రవేత్తలను నియమించడంలో అనుభవం ఉన్న వారిలో కొందరు ఇతర “మానవ” వైపు విషయాలను కూడా చెప్పారు. (ఒక రకమైన డేటా సైంటిస్ట్ సిటిజన్ డేటా సైంటిస్ట్. బిగ్ డేటా వరల్డ్ లో సిటిజన్ డేటా సైంటిస్టుల పాత్ర గురించి మరింత తెలుసుకోండి.)

"సాంప్రదాయకంగా, విభిన్న ఉదార ​​కళల విద్య ఉన్న వ్యక్తులు అద్భుతమైన డేటా శాస్త్రవేత్తలను తయారు చేస్తారు" అని బుర్గోయ్న్ చెప్పారు, ఇంజనీర్లు, భవనం వైపు ఉన్నవారు మరియు డేటా సైంటిస్ట్‌ల మధ్య వ్యత్యాసం ఉంది, దీని పని మరింత సంభావితంగా ఉంటుంది. అతను కొనసాగుతున్నాడు:

హ్యుమానిటీస్, ఆర్ట్స్ లేదా బిజినెస్ డొమైన్లలో పరిపూరకరమైన దృష్టితో సాంప్రదాయ STEM ఫీల్డ్‌లో నైపుణ్యం ఒక అద్భుతమైన పరిశ్రమ-ఆధారిత శాస్త్రవేత్తగా చేసే లక్షణాలను ఇస్తుంది. ఆ లక్షణాలను సద్వినియోగం చేసుకోవటానికి మరియు వారి ఉత్సాహాన్ని మరియు పద్ధతులను ఉత్పాదక పద్ధతిలో రూపొందించడానికి సంస్థ యొక్క సామర్థ్యానికి ఇది చాలా ముఖ్యమైనది అని చెప్పాలి. డేటా సైన్స్ చొరవ విజయవంతం కానప్పుడు, సంస్థ శాస్త్రవేత్తల వలె అపరాధభావంతో కూడుకున్నదని నేను గమనించాను. శాస్త్రవేత్తలు ఇంజనీర్లు కాదు. వారు అమలు చేయడానికి మరియు నిర్మించడానికి నడపబడరు. వారు కనుగొనటానికి మరియు అర్థం చేసుకోవడానికి నడపబడతారు. ఈ వ్యత్యాసాన్ని గ్రహించే సంస్థలు రెండు రంగాల సాగుకు మంచి బహుమతులు ఇస్తాయి.

డేటా శాస్త్రవేత్తలు సాధారణంగా తమను తాము వర్తింపజేయడానికి, ఇది సంస్థ యొక్క ప్రధాన లక్ష్యాలతో సంబంధం కలిగి ఉంటుంది. కొన్ని సంస్థలు వికేంద్రీకృత ఇంటర్నెట్‌ను వెంటాడుతున్నాయి - కొన్ని IoT లేదా SaaS తో ఆడుతున్నాయి. మరికొందరు “యూజర్ ఫ్రెండ్లీ” లేదా “నైతిక” లేదా “పారదర్శక” AI కి మార్గదర్శకత్వం వహించడానికి ప్రయత్నిస్తున్నారు.

ఏదేమైనా, డేటా శాస్త్రవేత్తలు వారు ఉపయోగించే డేటాపై కఠినమైన కొలమానాల మధ్య విభజనను తగ్గించే అవకాశం ఉంది, ఇది ఏ టెక్నాలజీ స్టాక్‌లోనైనా, మరియు AI / ML కార్యాచరణను సంభావితం చేసే ఫ్రీవీలింగ్ పని.

"డేటా సేకరణ మరియు శుభ్రపరచడం నిర్వహించడానికి మేము డేటా శాస్త్రవేత్తలను నియమించుకుంటాము, అలాగే ఆ డేటాను అర్ధవంతమైన సమాచారంలోకి అనువదిస్తాము" అని జి 2 క్రౌడ్ వద్ద డేటా సైన్స్ అండ్ ఎనలిటిక్స్ మేనేజర్ మైఖేల్ హప్ చెప్పారు. అతను వివరించాడు:

సాధారణంగా దీని అర్థం కంపెనీ డేటా ఇంజిన్‌ను నడిపించే ఏదైనా ముఖ్యమైన అల్గారిథమ్‌లను నిర్వహించడం మరియు కీ అనలిటిక్స్ సాధనాలు మరియు భాషలలో నిష్ణాతులుగా ఉండటం, కానీ ఇటీవలి సంవత్సరాలలో సహజ భాషా ప్రాసెసింగ్, మెషీన్ లెర్నింగ్, AI- ప్రారంభించబడిన విశ్లేషణ యొక్క ఇతర రూపాలు వంటి అభివృద్ధి చెందుతున్న రంగాలను కూడా కలిగి ఉంది. అత్యంత విజయవంతమైన డేటా శాస్త్రవేత్తలు వారి హార్డ్ నైపుణ్యాలను త్వరగా నేర్చుకునే సామర్ధ్యంతో మిళితం చేసేవారు మరియు వారు వెలికితీసిన అంతర్దృష్టులను సమర్థవంతంగా కమ్యూనికేట్ చేసే సామర్థ్యం వారి వ్యాపారానికి అర్థవంతంగా ఉంటుంది.

ఈ రకమైన అంతర్దృష్టులతో, యువ నిపుణులు లేదా విద్యార్థులు డేటా సైంటిస్ట్ వారికి మంచి పాత్ర పోషిస్తారా లేదా నైపుణ్యాలను ఎలా పొందాలో గుర్తించడం సులభం. దేశవ్యాప్తంగా ఉన్న పాఠశాలల్లో STEM అభ్యాసం మరింత ప్రాప్యత అవుతోంది, అయితే కోడింగ్ మరియు సాంకేతిక పరిజ్ఞానం పట్ల అభిరుచికి ప్రత్యామ్నాయం లేదు మరియు ఎగిరి నేర్చుకునే సామర్థ్యం ఉంది.