Комментарии 7
Всегда было интересно почему принято считать что ML это как бы подкатегория DS. Обычно казалось что проблемы решаются путём как раз таки конвергенции ML & DS.
То есть как-то странно относить тех же ML Engineer и ML Researcher к «Дата сайнтистам», когда они по сути с работают только с готовыми данными в формате обработанных датасетов и ничего кроме нормализации с Данными оыбчно не делают.
Возможно проблема в том что обычно в проф. кругах термин Data используют в качестве «данные=прямая работа с данными», в то время как для общей публики термин преподносят как в качестве вообще любых данных (что не совсем верно и автоматически относит к DS даже тот же CS).
Что думаете по этому поводу, коллеги?
То есть как-то странно относить тех же ML Engineer и ML Researcher к «Дата сайнтистам», когда они по сути с работают только с готовыми данными в формате обработанных датасетов и ничего кроме нормализации с Данными оыбчно не делают.
Возможно проблема в том что обычно в проф. кругах термин Data используют в качестве «данные=прямая работа с данными», в то время как для общей публики термин преподносят как в качестве вообще любых данных (что не совсем верно и автоматически относит к DS даже тот же CS).
Что думаете по этому поводу, коллеги?
Надо с помощью data-science построить модель того, что такое data-science ))
Всегда было интересно почему принято считать что ML это как бы подкатегория DS.
Думаю, что так исторически сложилось, что Data Science само собой подразумевает использование алгоритмов и методов машинного обучения.
Обычно казалось что проблемы решаются путём как раз таки конвергенции ML & DS.Смотря что вы называете DS
как-то странно относить тех же ML Engineer и ML Researcher к «Дата сайнтистам», когда они по сути с работают только с готовыми данными в формате обработанных датасетов и ничего кроме нормализации с Данными оыбчно не делают.
ML Engineer — думаю соглашусь с вами, однако, этому человеку безусловно на каком-то уровне необходимо понимать что происходит в моделях под капотом, а также развитие некоторых DS компетенций может стать потенциальной точкой роста и развития
ML Researcher — всегда думал, что эти ребята не только читают статьи, но и воспроизводят их результаты на реальных данных компании
Очень понравилось вот это:
Если у middle ребят возникают проблемы с ростом и развитием, то зачастую это связано с
… готовностью брать ответственность и инициативу на себя и доводить дело до конца
Подозреваю, что там опечатка и имелось в виду отсутствие такой готовности, по аналогии с «отсутствие проактивности» выше. Но получилась «оговорка по фрейду».
Если у middle ребят возникают проблемы с ростом и развитием, то зачастую это связано с
… готовностью брать ответственность и инициативу на себя и доводить дело до конца
Подозреваю, что там опечатка и имелось в виду отсутствие такой готовности, по аналогии с «отсутствие проактивности» выше. Но получилась «оговорка по фрейду».
Зарегистрируйтесь на Хабре, чтобы оставить комментарий
Все что вы (не) хотели знать о Data Science