পরিসংখ্যান + কম্পিউটার বিজ্ঞান = তথ্য বিজ্ঞান? [বন্ধ]


10

আমি একটি হতে চান ডেটা বিজ্ঞানী । আমি প্রয়োগ পরিসংখ্যান (অ্যাকিউয়ারিয়াল সায়েন্স) অধ্যয়ন করেছি , সুতরাং আমার কাছে একটি দুর্দান্ত পরিসংখ্যান পটভূমি রয়েছে (রিগ্রেশন, স্টোকাস্টিক প্রক্রিয়া, সময় ধারাবাহিক, কেবল কয়েকটি উল্লেখ করার জন্য)। তবে এখন, আমি বুদ্ধিমান সিস্টেমে কম্পিউটার সায়েন্স ফোকাসে স্নাতকোত্তর ডিগ্রি করতে যাচ্ছি ।

আমার অধ্যয়নের পরিকল্পনাটি এখানে:

  • মেশিন লার্নিং
  • উন্নত মেশিন লার্নিং
  • ডেটা মাইনিং
  • ঝাপসা যুক্তিবিজ্ঞান
  • প্রস্তাবনা সিস্টেম
  • বিতরণ ডেটা সিস্টেম
  • ক্লাউড কম্পিউটিং
  • জ্ঞান আবিষ্কার
  • ব্যবসায়িক বুদ্ধি
  • তথ্য আহরণ
  • টেক্সট খনির

শেষে, আমার সমস্ত পরিসংখ্যান এবং কম্পিউটার বিজ্ঞানের জ্ঞান দিয়ে, আমি কী নিজেকে ডেটা বিজ্ঞানী বলতে পারি? , বা আমি ভুল করছি?

উত্তরের জন্য ধন্যবাদ।



এই প্রশ্নটি অফ-বিষয় হিসাবে দেখা যাচ্ছে কারণ এটি ক্যারিয়ার পরামর্শ সম্পর্কে। ক্যারিয়ার পরামর্শ মতামত ভিত্তিক, বিস্তৃত প্রশ্ন বা কখনও কখনও অত্যন্ত সীমাবদ্ধ প্রশ্নগুলির ফলস্বরূপ প্রমাণিত হয়েছে, যার বেশিরভাগের ফলে কোনও কার্যকর বক্তৃতা নেই। আপনি যদি এই মতামতের সাথে একমত নন তবে দয়া করে ডেটা সায়েন্স মেটাতে বিষয়টি উত্থাপন করুন ।
asheeshr

সংক্ষেপে, না। ডেটা + বৈজ্ঞানিক পদ্ধতি = ডেটা সায়েন্স :-)। বাকি সমস্ত কিছুই সেখানে
পৌঁছানোর

উত্তর:


1

আমি মনে করি আপনি বিশেষজ্ঞ ডেটা বিজ্ঞানী হওয়ার পথে সঠিক পথে রয়েছেন । সম্প্রতি আমি এখানে ডেটা সায়েন্স স্ট্যাকএক্সচেঞ্জ সম্পর্কিত সম্পর্কিত প্রশ্নের উত্তর দিয়েছি: https ://datasज्ञान.stackexchange.com/a/742/2452 ( আমি যে সংজ্ঞাটির উল্লেখ করেছি সেখানে মনোযোগ দিন , কারণ এটি আপনার প্রশ্নের উত্তরটি নিজেই উত্তর দেয়, পাশাপাশি সফ্টওয়্যার ইঞ্জিনিয়ারিং অনুশীলন এবং বাস্তব বিশ্বের সমস্যা সমাধানে জ্ঞান প্রয়োগ করার দিকগুলি )। আমি আশা করি আপনি যে সমস্ত দরকারী খুঁজে পাবেন। আপনার ক্যারিয়ারে শুভকামনা!


9

ভাল এটি নির্ভর করে যে আপনি কোন ধরণের "ডেটা সায়েন্স" এ প্রবেশ করতে চান। প্রাথমিক বিশ্লেষণ এবং রিপোর্টিংয়ের পরিসংখ্যানগুলির জন্য অবশ্যই সহায়তা করবে তবে মেশিন লার্নিং এবং কৃত্রিম বুদ্ধিমত্তার জন্য আপনি আরও কয়েকটি দক্ষতা চাইবেন

  • সম্ভাব্যতা তত্ত্ব - আপনার অবশ্যই বিশুদ্ধ সম্ভাবনার একটি দৃ background় পটভূমি থাকতে হবে যাতে আপনি যে কোনও সমস্যা, আগে দেখা বা না দেখে, সম্ভাব্য নীতিগুলিতে পচন করতে পারেন। পরিসংখ্যানগুলি ইতিমধ্যে সমস্যার সমাধানে অনেক সহায়তা করে, তবে নতুন এবং অমীমাংসিত সমস্যার সম্ভাবনার গভীর বোঝার প্রয়োজন হয় যাতে আপনি উপযুক্ত কৌশলগুলি ডিজাইন করতে পারেন।

  • ইনফরমেশন থিওরি - এটি (পরিসংখ্যানের তুলনায়) বেশ নতুন ক্ষেত্র (যদিও এখনও দশক পুরাতন), সবচেয়ে গুরুত্বপূর্ণ কাজটি ছিল শ্যাননের, তবে আরও গুরুত্বপূর্ণ এবং প্রায়শই অবহেলিত নোট হাবসনের কাজ যা প্রমাণ করেছে যে কুলব্যাক-লেবলার ডাইভারজেন একমাত্র গাণিতিক সংজ্ঞা যা "তথ্য পরিমাপের" ধারণাটি সত্যই ধারণ করে । এখন কৃত্রিম বুদ্ধি থেকে মৌলিক তথ্য পরিমাপ করতে সক্ষম হয়। "স্ট্যাটিস্টিকাল মেকানিক্সে ধারণাগুলি" পড়ার পরামর্শ দিন - আর্থার হবসন (অত্যন্ত ব্যয়বহুল বই, কেবলমাত্র একাডেমিক লাইব্রেরিতে উপলব্ধ)।

  • জটিলতা তত্ত্ব- অনেক ডেটা বিজ্ঞানী যে সমস্যার জটিল তত্ত্বের পটভূমি নেই তাদের একটি বড় সমস্যা হ'ল তাদের অ্যালগোরিদমগুলি স্কেল করে না, বা বড় ডেটাতে চালিত হতে খুব দীর্ঘ সময় নেয়। উদাহরণস্বরূপ, পিসিএ নিন, "আমাদের ডেটাসেটের বৈশিষ্ট্যগুলির সংখ্যা আপনি কীভাবে হ্রাস করবেন" এর জন্য অনেক লোকের প্রিয় উত্তর, তবে আপনি যদি প্রার্থীকে "ডেটা সেটটি সত্যই সত্যই বড়" বলে থাকেন তবে তারা বিভিন্ন রূপের প্রস্তাব দেয় পিসিএ যা ও (এন ^ 3)। আপনি যদি বাইরে দাঁড়াতে চান তবে আপনি প্রতিটি সমস্যা নিজে থেকেই সমাধান করতে সক্ষম হতে চান, বিগ ডেটা এমন হিপ জিনিস হওয়ার আগে অনেক সময় আগে ডিজাইন করা কিছু পাঠ্য বইয়ের সমাধান ফেলে দেওয়া উচিত নয়। তার জন্য আপনাকে বুঝতে হবে যে জিনিসগুলি চলতে কতটা সময় নেয়, কেবল তাত্ত্বিকভাবেই নয়, ব্যবহারিকভাবেও - সুতরাং কীভাবে একটি অ্যালগরিদম বিতরণ করার জন্য কম্পিউটারগুলির একটি ক্লাস্টার ব্যবহার করবেন,

  • যোগাযোগের দক্ষতা - ডেটা সায়েন্সের একটি বিশাল অংশ হ'ল ব্যবসা বোঝা। এটি ডেটা সায়েন্স দ্বারা চালিত কোনও পণ্য আবিষ্কার করা, বা ডেটা সায়েন্স দ্বারা চালিত ব্যবসায়কে অন্তর্দৃষ্টি দেওয়া, প্রকল্প এবং পণ্য পরিচালক, প্রযুক্তি দল এবং আপনার সহকর্মী ডেটা বিজ্ঞানীদের উভয়ের সাথেই ভাল যোগাযোগ করতে সক্ষম হওয়া খুব গুরুত্বপূর্ণ is আপনার কাছে একটি আশ্চর্যজনক ধারণা থাকতে পারে, অসাধারণ এআই সমাধানটি বলতে পারেন, তবে আপনি যদি কার্যকরভাবে (ক) ব্যবসায়ের অর্থোপার্জন করে কেন যোগাযোগ করতে পারেন না, (খ) আপনার কলেজগুলিকে বোঝাবেন যে এটি কাজ করবে এবং (গ) আপনার কীভাবে প্রয়োজন প্রযুক্তিবিদদের ব্যাখ্যা করুন এটি তৈরিতে তাদের সহায়তা, তবে এটি সম্পন্ন হবে না।


6

ডেটা বিজ্ঞানী (আমার কাছে) একটি বড় ছাতা শব্দ mb আমি এমন একজন ডেটা বিজ্ঞানীকে দেখতে পাব যিনি ডেটা মাইনিং, মেশিন লার্নিং, প্যাটার্ন শ্রেণিবিন্যাস এবং পরিসংখ্যানের ক্ষেত্রগুলি থেকে দক্ষতার সাথে কৌশলগুলি ব্যবহার করতে পারেন।

যাইহোক, এই পদগুলি একে অপরের সাথে জড়িত: মেশিন লার্নিংটি প্যাটার্ন শ্রেণিবিন্যাসের সাথে একত্রে আবদ্ধ হয় এবং যখন ডেটাতে নিদর্শনগুলি সন্ধান করা হয় তখন ডেটা মাইনিং ওভারল্যাপ হয়। এবং সমস্ত কৌশলগুলির তাদের অন্তর্নিহিত পরিসংখ্যানগত নীতি রয়েছে। আমি এটিকে সবসময় একটি বিশাল ছেদযুক্ত ভেন চিত্র হিসাবে দেখি।

কম্পিউটার বিজ্ঞানগুলি all সমস্ত ক্ষেত্রেও সম্পর্কিত। আমি বলব কম্পিউটার-বৈজ্ঞানিক গবেষণা করার জন্য আপনার "ডেটা সায়েন্স" কৌশল প্রয়োজন, তবে কম্পিউটার বিজ্ঞানের জ্ঞান "ডেটা সায়েন্স" তে আবশ্যক নয়। যাইহোক, প্রোগ্রামিং দক্ষতা - আমি প্রোগ্রামিং এবং কম্পিউটার বিজ্ঞানকে বিভিন্ন পেশা হিসাবে দেখি, যেখানে প্রোগ্রামিং সমস্যা সমাধানের ক্ষেত্রে আরও বেশি সরঞ্জাম - ডেটা নিয়ে কাজ করা এবং ডেটা বিশ্লেষণ পরিচালনা করাও গুরুত্বপূর্ণ।

আপনার একটি সত্যিই দুর্দান্ত অধ্যয়নের পরিকল্পনা রয়েছে এবং এটি সমস্ত তাৎপর্যপূর্ণ করে তোলে। তবে আমি নিশ্চিত নই যে আপনি নিজেকে "ডেটা সায়েন্টিস্ট" বলতে চান কিনা, আমার ধারণা আছে যে "ডেটা সায়েন্টিস্ট" এমন একটি দ্ব্যর্থক শব্দ, যা সবকিছু বা কিছুই বোঝাতে পারে না। আমি যেটি জানাতে চাই তা হ'ল আপনি কেবলমাত্র "বৈজ্ঞানিক" - একটি ডেটা বিজ্ঞানী হিসাবে আরও কিছু - আরও "বিশেষায়িত" হয়ে উঠবেন।

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.