[和风]前言[和风]
数据迷信(Data Science)和人工智能(Artificial Intelligence)的概念常常被人互换着运用。
而每个人对它们的定义都不一样。
为了处理日益激烈的争论,这里不再比较它们的定义;
而是去比较他们理想中的岗位-----数据迷信家和人工智能工程师的工作描画。
经过理想案例的对比,进一步了解两者在专业范畴中的差异。
这些差异能够不是最终的结果,也不能代表一切的数据迷信(Data Science)或一切的人工智能(Artificial Intelligence)。
但重要的是,经过这些工作描画,我们可以概括招聘经理对这两种岗位之间差异的看法。
下面,我将从岗位描画、以及我个人央求这两个职位的阅历中,总结出每个角色的目的和技能。
[和风]数据迷信[和风]
一名数据迷信家的岗位描画包含了各种必备技能和工具。
下面是我汇总的一些次要技能、工具、以及数据迷信的全体目的。
这些描画都是公司比较关注的重点,所以需求我们留心这两个职能间的交叉,以及相似的工具。
[浮云]目的[浮云]
建立一个成绩陈述,了解业务需求,并应用数据分析与机器学习算法来处理成绩。
然后,可以可视化你建立的模型,提供发现或见解。
比如,你能够会以数据迷信家的身份执行以下操作:
你发现,人工对产品图像停止分类存在一定的成绩。
你需求创建一个完善的成绩陈述或假设,为本人、也为产品经理、业务分析师和其他利益相关者:
“由于人工分类耗时太长,我们决议采用机器学习算法来执行此操作,这样,会节省大量工夫和金钱等资源。”
之后,你要和数据工程师等人员合作,获取必要数据、在工具中导入数据框架、运用探求性数据分析(exploratory data analysis)、特征工程(feature engineering)和模型比较(model comparison)。
项目结束时,你要创建一个图表来展现你模型的结果,图表能够还会用到特定的分组和过滤。
最后,你需求向利益相关者和经理展现成果、并接收他们的反馈,继续停止另一个项目、或改进当前的项目。
[浮云]所需技能[浮云]
Python或RJupyter NotebookTensorFlow统计
- NLP (自然言语处理)SQLTableau或其他可视化工具有决计在管理者面前演讲你的发现
- 和非分析/非技术专家沟通高级分析的才能(advanced analytic)
以上这些只是作为数据迷信家的一些必备技能。
你能够曾经留意到了处理复杂成绩的重点,就是要向公司高管或利益相关者展现你的模型和发现。
而这一过程中,沟通很关键,这个技能能够不会在你研讨生时期或在线训练中教授,所以要加强练习。
[和风]人工智能[和风]
图源:Kaleidico
人工智能能够是一个比数据迷信更抢手的话题,可以用于各行各业。
我们也看到了,人工智能和数据迷信、机器学习之间的很多交叉。
虽然他们之间有很多共同的目的与技能,但是接上去,我想重点强调这两个岗位之间的差异。
[浮云]目的[浮云]
重点研讨新的算法,应用现有神经网络,在大型数据集上,部署并自动化整个流程和人工智能处理方案。
跟数据迷信家一样,人工智能工程师也要去研讨一个成绩,获取数据,然后找到算法的处理方案。
但是,人工智能工程师还有一些额外的工作,比如提出新算法、执行建模等等。
他们工作的重点,是在运用程序中部署这些模型,比如神经网络和深度学习实际等。
这些差异也意味着这两个职位会用到不同的libraries。
比如,数据迷信家能够倾向于运用sklearn,而人工智能工程师能够更多地运用TensorFlow和PyTorch。
[浮云]所需技能[浮云]
Java, Python, 或 C++AI 系统运用TensorFlow,PyTorch停止深度学习与研讨团队和工程团队合作认知硬件要求部署消费模型
- 计算机迷信(Computer Science)架构或交付云处理方案SparkScala
与数据迷信不同,这些技能更侧重于软件工程,以研讨与部署为中心。
比如,人工智能工程师可以频繁地研讨深度学习和神经网络算法,而不是不用回归分析和决策树。
与数据迷信的另一个区别是,人工智能工程师往往要求博士学位,而数据迷信家通常需求硕士学位。
图源:Possessed Photography
你可以看到,这两种职位之间有很大的差别。
但是要记住,就像它们的职位描画有堆叠一样,这两个职位本身也是如此。
比如,你能够会看到“数据迷信,人工智能工程师”或“机器学习/人工智能工程师”之类的职位。
[和风]总结[和风]
总的来说,从研讨这些职位描画和我本人央求这类职位的阅历来看,人工智能看起来比数据迷信更复杂。
从岗位描画中可以看到,这两个职位之间是有很多相似之处的,但实践上,这些都是由公司决议的。
上文中,我们讨论了一些次要差异,也找到了数据迷信与人工智能之间的一些相似之处。
下面,我再次总结一下这两个职位间的次要区别,详细如下:
数据迷信家:Python,R,统计知识,可视化工具,合适节拍更快,更简单的案例人工智能:软件工程,深度学习,自动化,倾向研讨,合适节拍较慢,更复杂的运用案例
我的总结就到这里了,希望我的文章为你带来适用、风趣的见解。
也可以在下方回复出你心中关于这两个职位的相似或不同之处。
等待你的精彩回复,感激你的阅读! |