Нещодавно ми провели веб-семінар, на якому обговорили поточну площину індустрії обробки даних і де тенденції показують, що вона приземлиться, бо як вчені з питань даних ми не можемо не перевірити тренди! 🙂 Ми розглядали галузь з двох точок зору, з точки зору талановитості: фахівці в галузі обробки даних, які прагнуть до проектів, що їх стимулюватимуть, а також перспективи керівника / менеджера / компанії, які мають широкі ідеї, які потребують бути вдумливим. Наша загальна тема полягала в наданні вартості через такі бар’єри, як географія, неструктурованість спілкування та загальна неможливість спільної роботи в тандемі. Ми також говорили про економіку концертів у науці даних на відміну від штатних ролей та того, що може запропонувати кожен.
Деякі питання, які ми обговорили, стосувались «застосування глибокого навчання при попередній обробці даних», яке задав Рейнольд Дасс (https://www.linkedin.com/in/reynolddoss/), Аджай (https://www.linkedin.com/in/ajayohri /) відповів на це своїм багаторічним практичним досвідом, фактично зазначивши, що лише конкретні проблеми – це проблеми, щодо яких можна використовувати будь-які нервові мережі, і про те, скільки даних потрібно, якщо хтось хоче використовувати глибоку нейронну мережу. питання, які ми чули про кар’єру (більше схожу на океан) науки про дані.
Одне з таких запитань було у досвідченого фахівця-спеціаліста з питань даних Нішанта Гаутама (https://www.linkedin.com/in/nishant-gautam-70382281/), який, пропрацювавши деякий час у галузі, помітив – «Щотижня ми рухаємось вперед сьогодні, я бачу багато нових методів, прийомів та архітектур у просторі машинного навчання. Вони здебільшого походять з академічного світу.
Однак проблеми, які я вирішував за останні 2-3 роки. Приблизно 70-80% з них вирішуються за допомогою досить простих методів, таких як SVM, мультиноміальний наїв Баєс, логістична регресія тощо (враховуючи те, що ми добре розуміємо дані та проблему) ».
Однак, здавалося б, інше питання навколо “концерту чи стабільної роботи” було надзвичайно пов’язане з цим. Відповіді, скоєні Аджаєм та Байроном (https://www.linkedin.com/in/byronfuller/), були дуже схожими. Як виявляється, найпоширеніші проблеми мають спрощене існуюче рішення, і інженери повинні побудувати систему, яку можна легко використовувати та трохи відрегулювати під конкретний випадок. Це те, чого ви можете очікувати в економіці концертів. У нього є свої переваги, звичайно, зміна людей, самостійний робочий час тощо. Але щоб застосовувати науку даних новими способами, як правило, ви працюєте як штатний працівник – потрібно розуміти проблеми, які не є Легко визначити, це, як правило, займає місяці в будь-якому місці і часто є більш приємним, ніж маніпулювання даними, яке можна побачити на менших концертах. З колишнього питання піднялася цікава думка, що якщо більша частина роботи буде повторюваною, незабаром цей біт буде автоматизований, і людям доведеться вирішувати різні проблеми або набагато більш дрібні проблеми, пов’язані з нинішніми.
Ми також розповіли про те, як отримати доступ до значущих віддалених завдань на повний робочий день, які вирішують нові проблеми в галузі Data Science. Які ваші погляди на це? Поділіться з нами та стежте за наступним вебінаром.
Спочатку ця публікація була опублікована за адресою https://www.linkedin.com/pulse/webinar-data-science-jobs-across-geographies-text-synopsis-mishra/.
Abhay Mishra люб’язно дозволив нам перекласти і опублікувати цю статтю.
Temy.co - Software Development Partner 