Innehåll
- Datavetenskap och maskininlärning: bred och smal terminologi
- Datavetenskap och maskininlärningsfärdigheter
- Inga buggar, ingen stress - din steg-för-steg-guide för att skapa livsförändrad programvara utan att förstöra ditt liv
- Hur man hittar maskininlärning
- Två skärande discipliner
Källa: Elnur / Dreamstime.com
Hämtmat:
Datavetenskap och maskininlärning är olika på viktiga sätt. På vissa sätt kan man se en delmängd av den andra. Båda är viktiga i dagens IT-framsteg.
I den här nya världen av konstgjord intelligens och datahantering är det lätt att bli förvirrad av några av de termer som oftast används i IT-världen.
Till exempel har datavetenskap och maskininlärning mycket att göra med varandra. Det är inte förvånande att många människor med bara en god kunskap om dessa discipliner skulle ha problem att ta reda på hur de skiljer sig från varandra.
Här är det bästa sättet att skilja datavetenskap från maskininlärning, som en princip och som en teknisk strategi.
Datavetenskap och maskininlärning: bred och smal terminologi
Först och främst är datavetenskap verkligen en bred, övergripande kategori av teknik som omfattar många olika typer av projekt och skapelser. (För mer information om vad som är involverat i ett datavetenskapligt jobb, se Jobbroll: Data Scientist.)
Datavetenskap är i huvudsak praxis att arbeta med big data. Det visade sig att Moores lag och spridningen av effektivare lagringsenheter ledde till att enorma mängder data samlades in av företag och andra parter. Sedan började big data-plattformar och verktyg som Hadoop omdefiniera datoranvändning genom att ändra hur datahantering fungerar. Nu, med moln och containerisering samt helt nya modeller, har big data blivit en viktig drivkraft för hur vi arbetar och lever.
I sin enklaste form är datavetenskap hur vi hanterar dessa data, från att rengöra dem och förfina dem till att använda dem i form av insikter.
Definitionen av maskininlärning är mycket smalare. I maskininlärning tar teknologier in data och lägger dem genom algoritmer för att simulera mänskliga kognitiva processer som beskrivs som "lärande." Med andra ord, efter att ha tagit in data och tränat på dem, kan datorn ge sina egna resultat , där tekniken verkar ha lärt sig från de processer som programmerare genomförde.
Datavetenskap och maskininlärningsfärdigheter
Ett annat sätt att kontrastera datavetenskap och maskininlärning är att titta på de olika färdigheter som är mest värdefulla för yrkesverksamma inom något av dessa områden.
Inga buggar, ingen stress - din steg-för-steg-guide för att skapa livsförändrad programvara utan att förstöra ditt liv
Du kan inte förbättra dina programmeringsfärdigheter när ingen bryr sig om mjukvarukvalitet.
Det finns en allmän enighet om att datavetare drar nytta av djupa analytiska och matematiska färdigheter, praktisk erfarenhet av databasteknik och kunskap om programmeringsspråk som Python eller andra paket som används för att analysera big data.
"Den som är intresserad av att bygga en stark karriär inom (datavetenskap) bör få nyckelkompetens inom tre avdelningar: analys, programmering och domänkunskap", skriver Srihari Sasikumar på Simplilearn. "Om du går en nivå djupare kommer följande färdigheter att hjälpa dig att ta fram en nisch som datavetare: Stark kunskap om Python, SAS, R (och) Scala, praktisk erfarenhet av SQL-databaskodning, förmåga att arbeta med ostrukturerad data från olika källor som video och sociala medier, förstår flera analytiska funktioner (och) kunskap om maskininlärning. ”
På maskininlärningssidan citerar experter ofta datamodelleringsfärdigheter, kunskap om sannolikhet och statistik och bredare programmeringsfärdigheter som användbara verktyg i maskininläringsingenjörens verktygssats.
Hur man hittar maskininlärning
Nyckeln här är att alla typer av saker innefattar datavetenskapligt arbete, men det är inte maskininlärning om du inte har en mycket strikt regim som är inrättad för att hjälpa datorn att lära av sina insatser.
När det är på plats gör det för vissa överraskande kapabla system som kan ha omfattande effekter på våra liv.
"Mycket av vad vi gör med maskininlärning händer under ytan," har Amazon-grundaren Jeff Bezos sagt att han påpekat några av applikationerna för dessa typer av system. ”Maskininlärning driver våra algoritmer för efterfrågan av prognoser, rangering av produktsökning, rekommendationer om produkter och erbjudanden, placering av varor, bedrägeri, översättningar och mycket mer. Även om mindre synlig kommer mycket av inverkan av maskininlärning att vara av denna typ - tyst men meningsfullt förbättra kärnverksamheten. ”
Ett av de mest användbara exemplen här är framväxten av det neurala nätverket - det är en vanlig och populär metod för att ställa in maskininlärningsprocesser.
I sin mest grundläggande form består nervnätverket av lager av konstgjorda neuroner. Varje enskild konstgjord neuron har funktionalitet som motsvarar en biologisk neuron - men istället för synapser och dendriter har den ingångar, en aktiveringsfunktion och eventuella utgångar.
Neuralnätverket är utformat för att fungera som en mänsklig hjärna, och tekniker för maskininlärning använder ofta denna modell för att skapa maskininlärningsresultat.
Men det är inte det enda sättet att göra maskininlärning. Några fler rudimentära maskininlärningsprojekt inkluderar helt enkelt att visa en dator ett brett utbud av fotografier (eller förse den med annan rådata), mata in idéer genom att använda övervakad maskininlärning och etikettdata, och att datorn så småningom kan skilja mellan olika former eller objekt i ett visuellt fält. (För grunderna i maskininlärning, kolla in Machine Learning 101.)
Två skärande discipliner
Sammanfattningsvis är maskininlärning en värdefull del av datavetenskapen. Men datavetenskap representerar den snabbare gränsen och den nackdel där maskininlärning sker.
På ett sätt kan du säga att maskininlärning aldrig skulle hända utan big data. Big data i sig skapade dock inte maskininlärning - istället, efter att vi kollektivt hade samlat så mycket data att vi nästan inte visste vad vi skulle göra med det, kom de bästa med dessa biosimuleringsprocesser som ett superladdat sätt att ge insikter.
En annan bra sak att tänka på här är att datavetenskap kan tillämpas på två huvudsakliga sätt - vi kan omfatta maskininlärning och artificiell intelligens, låta datorer tänka för oss, eller vi kan föra tillbaka datavetenskap till en mer mänsklig centrerad strategi där datorn presenterar helt enkelt resultat och vi som människor fattar besluten.
Det leder till att vissa experter, inklusive några av dagens bästa innovatörer, kräver en mer livlig redovisning av de sätt vi använder dessa tekniker på.
"(AI) kan mycket mer än nästan någon vet och förbättringsgraden är exponentiell," har Elon Musk citerats på att säga, medan han varnar för att maskininlärning och AI-program kräver övervakning.
I alla fall är både datavetenskap och maskininlärning kärndelar i de framsteg som vi som samhällen gör inom tekniken idag.