Комментарии 13
Не осилил материал из-за фона корп. Блога. Господа, невозможно читать!
Отличные у вас копирайтеры.
Я так и не понял: чем data scientist отличается от прикладного математика?
НЛО прилетело и опубликовало эту надпись здесь
Пытались объяснить личностные свойства человека, работающего в данной области.
Я для себя понял так (кое-что домыслив, может быть): это человек который может освоить множество инструментов (математических, статистических, софтверных) и развить в себе навыки жонглирования этими инструментами в практических ситуациях.
В каждой новой ситуации нужно уметь жонглировать по-новому — в нужной последовательности доставать из памяти и использовать нужные инструменты. И спокойно относиться к тому что они не сработают — ни с первого раза, ни с десятого.
Я для себя понял так (кое-что домыслив, может быть): это человек который может освоить множество инструментов (математических, статистических, софтверных) и развить в себе навыки жонглирования этими инструментами в практических ситуациях.
В каждой новой ситуации нужно уметь жонглировать по-новому — в нужной последовательности доставать из памяти и использовать нужные инструменты. И спокойно относиться к тому что они не сработают — ни с первого раза, ни с десятого.
Статья годная, но не для хабра :)
Data scientist размышляет следующим образом: «Если мои инструменты анализа данных не могут ответить на поставленный вопрос, значит мне нужны более лучшие инструменты и данные».
Fixed.
«Более лучший» — сравнительная степень превосходной степени прилагательного, что?
Дико извиняюсь, но вы хотя бы список литературы привели с которой, по вашему мнению, можно начать… Иначе статья получается просто ни о чём…
(На самом деле data scientist это чувак который грепает и складывает на мапредюсном кластере)
> Работодатели, ищущие специалиста в области данных, должны в первую очередь обращать внимание на математические специальности.
Это не так. Знание математики полезно, но не достаточно, и даже не является главным фактором успеха. Большинство современных алгоритмов численные, приблизительные, с использованием случайных выборок. Математика в чистом виде в их применении мало помогает.
Если человек всё знает про поля Галуа и функциональный анализ, но не знает, зачем нужен индекс в базе данных или что такое git, то работать по этой специальности ему будет сложно.
Это не так. Знание математики полезно, но не достаточно, и даже не является главным фактором успеха. Большинство современных алгоритмов численные, приблизительные, с использованием случайных выборок. Математика в чистом виде в их применении мало помогает.
Если человек всё знает про поля Галуа и функциональный анализ, но не знает, зачем нужен индекс в базе данных или что такое git, то работать по этой специальности ему будет сложно.
Интерпретация запятых в классической русской литературе – это пример плохого анализа данных, построенного на отсутствии любознательности и понимания математической статистики.К сожалению, здесь не понял.
Зарегистрируйтесь на Хабре, чтобы оставить комментарий
Профессия Data Scientist: как не ошибиться с выбором