Здравствуйте! Кто вы и чем занимались до Coder Academy?
Всем привет! Меня зовут Рамон, и я преподаю Data Science в Coder Academy. До прихода в команду CA я занимал различные исследовательские должности в научных кругах и в частном секторе, работая в таких областях, как экономика развития, стратегическое управление и маркетинг, а также поведение потребителей. Я также работал ведущим количественным преподавателем в бизнес-школе Johns Hopkins Carey Business School в США, помогая их выпускникам бизнес-школы понимать сложные количественные курсы, включая машинное обучение.
Что привело вас к преподаванию в Coder Academy?
Восхитительная возможность помочь разработать контент для первых курсов по науке о данных Coder Academy и помочь продвигать инициативы CA по науке о данных, включая консультации с некоторыми из самых инновационных компаний Австралии и проведение увлекательных отраслевых мастер-классов.
Как бы вы описали образовательную модель CA?
Интенсивный и предпринимательский. Одним из лучших аспектов работы в Coder Academy является то, что нас поощряют быть в курсе новейших технологий, лучших практик и самых востребованных навыков, возникающих как в отрасли, так и в академических кругах.
Сейчас вся технологическая отрасль сосредоточена на науке о данных. Но что на самом деле является наукой о данных?
Для меня наука о данных — это способность использовать данные (независимо от их базовой структуры), манипулировать ими, очищать и изменять их форму, чтобы превратить их во что-то полезное, на основе чего можно принимать решения, основанные на фактических данных, и формулировать прогнозы. Короче говоря, наука о данных — это создание идей и прогнозов на основе данных.
Важна ли наука о данных?
Да, это важно! Несмотря на то, что вокруг науки о данных, безусловно, много шумихи, я думаю, что это имя отлично подходит для обобщения того, что представляют собой роли в этой области.
Размышляя о компонентах науки о данных — математике и статистике, хакерских навыках, исследованиях, экспертизе в предметной области, список можно продолжить — больше всего меня волнует то, как пересечение этой дисциплины со многими другими продолжает развиваться по мере создания большего количества данных. и разрабатываются новые технологии. По сути, одна из причин, по которой наука о данных так важна, заключается в том, что это не дисциплина, изолированная в какой-то одной отрасли или рынке (например, в медицине, финансах, маркетинге и т. д.), а существующая во многих областях. От экономики до генетики, от политики до геологии и многих других дисциплин, специалисты по данным используют общий язык: данные.
В последние несколько лет также много говорилось об автоматизации и машинном обучении. Есть ли разница между машинным обучением и наукой о данных?
Конечно, много говорят о машинном обучении (ML) и науке о данных, особенно из-за того, как быстро эти области слились со многими областями нашей жизни. Например, приложения машинного обучения стоят за системой распознавания лиц, которая рекомендует, каких друзей отмечать на фотографиях, которые мы загружаем на Facebook. Другие технологические гиганты, такие как Amazon, Netflix и YouTube, предлагают нам рекомендации о том, что купить или посмотреть, основываясь на нашей предыдущей активности, а также показывают нам, что понравилось пользователям со схожими вкусами. За всеми этими приложениями стоят специалисты по данным, создающие модели с использованием различных методов машинного обучения, чтобы помочь предприятиям в разных отраслях прогнозировать будущие тенденции, что делает их решающую роль в организациях.
В более общем плане наука о данных — это дисциплина, использующая машинное обучение в качестве инструмента для построения моделей, которые делают прогнозы и обнаруживают закономерности в данных. Машинное обучение, подобласть искусственного интеллекта, представляет собой область исследования, связанную с обучением машин тому, как учиться и совершенствовать себя с помощью данных, без явного указания делать это.
Недавние отчеты таких фирм, как McKinsey, показывают, что к 2030 году 43 % рабочих мест в Австралии будут автоматизированы. Как, по вашему мнению, автоматизация будет выглядеть в реальности для будущих и нынешних сотрудников?
Автоматизация всегда существовала в той или иной форме. Тем не менее, время от времени меняется скорость, с которой происходит автоматизация. Если к 2030 году 43% рабочих мест будут автоматизированы, это не обязательно будет плохо. Причина, по которой это неплохо, заключается в том, что, возможно, в 2030 году мы увидим на 50% больше уникальных рабочих мест, которых сегодня не существует. Например, до создания программ для работы с электронными таблицами, таких как Microsoft Excel и Google Sheets, многие профессионалы выполняли всевозможные расчеты с помощью ручки, бумаги и калькулятора. Подобная автоматизация электронных таблиц должна была сократить («автоматизировать») работу многих людей, но вместо этого она открыла множество возможностей для других видов приложений, рабочих мест и возможностей для обучения. При этом автоматизация не обязательно означает, что должно произойти что-то плохое — скорее наоборот. Я рад видеть, какие рабочие места будут доступны в будущем.
Почему люди должны заниматься машинным обучением и наукой о данных?
Это захватывающие новые области, частью которых можно стать. Я не знаю, хотят ли все или должны создавать прогностические модели для заработка, но тот факт, что мы продолжаем все больше и больше взаимодействовать с приложениями машинного обучения, возможно, подтолкнет нас к тому, чтобы узнать больше о том, что такое машинное обучение, и как наши данные используются для подпитки этих моделей.
Если бы мне пришлось угадывать, что произойдет через 10 или 20 лет, я бы сказал, что приложения машинного обучения станут более тесно интегрированы с другими областями вокруг нас, такими как государственная политика, экономическое развитие, медицина, экология и т. д. Из-за этого в наших интересах понять, как работают эти приложения (по крайней мере) на высоком уровне.
Кто мог бы стать хорошим специалистом по данным?
Некоторые из неполных качеств, которые я заметил у известных мне специалистов по данным:
Они бесстрашные экспериментаторы. Когда они хотят знать, как что-то работает, они создают это с нуля.
Они ищут отзывы о своей работе. Они создают учебные пособия и направляют людей в общедоступные репозитории своей работы, ища и запрашивая отзывы, когда это возможно.
Они быстро учатся и нонконформисты.
Какой совет вы бы дали тем, кто хочет узнать больше об аналитике данных или науке о данных?
Эксперимент! Если вы хотите знать, как работает веб-сайт или приложение, создайте его. Если вы хотите сделать обоснованное предположение о своем будущем, самостоятельно соберите данные и постройте собственную модель. Не позволяйте другим рассказывать вам, насколько это потрясающее поле, идите и испытайте его сами.
Какими последними жемчужинами мудрости вы хотели бы поделиться?
Не позволяйте другим указывать вам, что вы должны делать с вашими данными. Присоединяйтесь к беседе на равных!
Спасибо, Рамон!
Является ли 2020 год годом повышения квалификации в области науки о данных? Время уходит, чтобы обеспечить себе место в Coder Academyи Австралийском компьютерном обществе (ACS)новом Intro to Python for Data Analytics. »краткий курс, который начинается22 февраля 2020 г.
