{"id":97051,"date":"2020-10-15T14:43:34","date_gmt":"2020-10-15T12:43:34","guid":{"rendered":"https:\/\/prohoster.info\/blog\/administrirovanie\/kak-raspoznat-sharlatana-ot-data-science"},"modified":"2020-10-15T14:43:34","modified_gmt":"2020-10-15T12:43:34","slug":"kak-raspoznat-sharlatana-ot-data-science","status":"publish","type":"post","link":"https:\/\/prohoster.info\/de\/blog\/administrirovanie\/kak-raspoznat-sharlatana-ot-data-science","title":{"rendered":"Wie erkennt man einen Scharlatan in der Data Science?","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Wie<\/a><\/noindex>
\nVielleicht haben Sie von Analysten, Fachleuten f\u00fcr maschinelles Lernen und k\u00fcnstliche Intelligenz geh\u00f6rt, aber haben Sie auch von denen geh\u00f6rt, die zu Unrecht \u00fcberbezahlt werden? Lernen Sie kennen, den Daten-Scharlatan<\/strong>! Diese Cleverlinge, die von lukrativen Jobs angezogen werden, sch\u00e4digen den Ruf echter Datenverarbeitungs-Experten. In diesem Artikel erfahren Sie, wie man solche Personen entlarvt.
\n<\/a><\/noindex><\/p>\n

Daten-Scharlatane sind \u00fcberall<\/h2>\n

\nDaten-Scharlatane k\u00f6nnen sich so gut tarnen, dass Sie einer von ihnen sein k\u00f6nnten<\/i>, ohne es zu merken. Wahrscheinlich hat Ihre Organisation diese Scharlatane \u00fcber Jahre hinweg gesch\u00fctzt, aber die gute Nachricht ist: Sie sind leicht zu identifizieren, wenn Sie wissen, wonach Sie suchen m\u00fcssen.
\nDas erste Warnzeichen ist das Missverst\u00e4ndnis, dass Analytik und Statistik zwei sehr unterschiedliche Disziplinen sind<\/strong>. Ich werde dies weiter erl\u00e4utern.<\/p>\n

Unterschiedliche Disziplinen<\/h2>\n

\nStatistiker ziehen Schlussfolgerungen aus Daten, w\u00e4hrend Analysten den Inhalt eines Datensatzes untersuchen. Anders ausgedr\u00fcckt, Analysten schlie\u00dfen aus, was in ihren Daten enthalten ist, w\u00e4hrend Statistiker herausfinden, was nicht vorhanden ist. Analysten helfen, gute Fragen zu stellen (Hypothesen zu formulieren), w\u00e4hrend Statistiker helfen, gute Antworten zu bekommen (Hypothesen zu pr\u00fcfen).<\/p>\n

Es gibt auch interessante Mischrollen, in denen jemand versucht, auf zwei St\u00fchlen zu sitzen\u2026 Warum nicht? Das Hauptprinzip der Datenwissenschaft: Wenn man mit Unsicherheit konfrontiert ist, sollte man nicht dieselbe<\/i> Datenpunkt f\u00fcr Hypothesen und deren Pr\u00fcfung verwenden. Wenn die Daten begrenzt sind, zwingt die Unsicherheit dazu, zwischen Statistik und Analyse zu w\u00e4hlen. Erkl\u00e4rung<\/i> hier<\/i><\/a><\/noindex>.<\/p>\n

Ohne Statistik bleiben Sie stecken und k\u00f6nnen nicht beurteilen, ob eine gerade formulierte Aussage der Kritik standh\u00e4lt. Ohne Analyse bewegen Sie sich im Dunkeln und haben wenig Chancen, das Unbekannte zu z\u00e4hmen. Es ist eine schwierige Entscheidung.<\/p>\n

Der Ausweg aus diesem Schlamassel f\u00fcr Quacksalber besteht darin, ihn zu ignorieren und dann \u00fcberrascht zu tun, wenn etwas Unerwartetes entdeckt wird. Die Logik der \u00dcberpr\u00fcfung statistischer Hypothesen stellt die Frage: Sind die Daten \u00fcberraschend genug, um unsere Meinung zu \u00e4ndern? Wie k\u00f6nnen wir von Daten \u00fcberrascht sein, wenn wir sie schon gesehen haben?<\/p>\n

Jedes Mal, wenn Quacksalber ein Muster finden, lassen sie sich inspirieren und \u00fcberpr\u00fcfen dann die gleichen Daten<\/i> f\u00fcr dasselbe Muster<\/i>, um Ergebnisse mit einem legitimen p-Wert oder zwei zu ver\u00f6ffentlichen, die neben ihrer Theorie stehen. Damit l\u00fcgen sie Sie an (und vielleicht auch sich selbst). Ein solches p-Wert ist bedeutungslos, wenn Sie nicht an Ihrer Hypothese festhalten. bis zu<\/b> wie Sie Ihre Daten betrachtet haben. Quacksalber ahmen das Verhalten von Analysten und Statistiken nach, ohne die Gr\u00fcnde zu verstehen. Infolgedessen hat das gesamte Feld der Datenwissenschaft einen schlechten Ruf.<\/p>\n

Echte Statistiker ziehen immer ihre Schl\u00fcsse<\/h2>\n

\nDank der fast mystischen Reputation von Statistikexperten, die sich mit strengen \u00dcberlegungen befassen, ist die Verbreitung von Fehlinformationen in der Data Science auf einem Rekordhoch. Es ist einfach, zu t\u00e4uschen und nicht erwischt zu werden, insbesondere wenn das ahnungslose Opfer denkt, dass alles nur auf Gleichungen und Daten beruht. Ein Datensatz ist ein Datensatz, oder? Nein. Es kommt darauf an, wie Sie ihn verwenden.<\/p>\n

Gl\u00fccklicherweise ben\u00f6tigen Sie nur einen Hinweis, um Scharlatane zu entlarven: Sie \"entdecken Amerika im Nachhinein\". Sie stellen Ph\u00e4nomene wieder her, von denen sie bereits wissen, dass sie in den Daten vorhanden sind. <\/p>\n

Im Gegensatz zu Scharlatanen haben gute Analysten keine Vorurteile und verstehen, dass inspirierende Ideen viele verschiedene Erkl\u00e4rungen haben k\u00f6nnen. Gleichzeitig formulieren gute Statistiker ihre Schlussfolgerungen sorgf\u00e4ltig, bevor sie diese aussprechen.<\/p>\n

Analysten sind von ihrer Verantwortung entbunden\u2026 solange sie im Rahmen ihrer Daten bleiben. Wenn sie den Drang versp\u00fcren, \u00fcber das hinauszugehen, was sie nicht gesehen haben, wird das zu einer ganz anderen Aufgabe. Sie sollten die \"Schuhe\" eines Analysten absetzen und sich in die \"Schuhe\" eines Statistikers begeben. Schlie\u00dflich gibt es, egal wie der offizielle Titel auch lautet, keine Regel, die besagt, dass Sie die beiden Berufe nicht studieren k\u00f6nnen, wenn Sie m\u00f6chten. Verpassen Sie nur nicht, sie zu verwechseln.<\/p>\n

Wenn Sie sich gut mit Statistik auskennen, bedeutet das nicht automatisch, dass Sie auch gut im Bereich Analyse sind, und umgekehrt. Wenn jemand versucht, Ihnen das Gegenteil zu erkl\u00e4ren, sollten Sie vorsichtig sein. Wenn diese Person Ihnen mitteilt, dass es erlaubt ist, statistische Schlussfolgerungen aus Daten zu ziehen, die Sie bereits untersucht haben, ist das ein doppelter Grund zur Vorsicht.<\/p>\n

Fantasievolle Erkl\u00e4rungen<\/h2>\n

\nWenn Sie die Datenbetr\u00fcger in freier Wildbahn beobachten, werden Sie feststellen, dass sie es lieben, fantastische Geschichten zu erfinden, um die beobachteten Daten zu \"erkl\u00e4ren\". Je akademischer, desto besser. Es spielt keine Rolle, dass diese Geschichten im Nachhinein konstruiert werden.<\/p>\n

Wenn Scharlatane so handeln \u2013 erlauben Sie mir, mich nicht zur\u00fcckzuhalten \u2013 l\u00fcgen sie. Kein noch so gro\u00dfes Gleichgewicht oder sch\u00f6ne Konzepte k\u00f6nnen das kompensieren, was sie als null Beweis ihrer Aussagen angeboten haben. Seien Sie nicht \u00fcberrascht von der Ungew\u00f6hnlichkeit ihrer Erkl\u00e4rungen.<\/p>\n

Das ist dasselbe, als w\u00fcrde man seine \u201ehellseherischen\u201c F\u00e4higkeiten demonstrieren, indem man zun\u00e4chst auf die Karten in den H\u00e4nden schaut und dann vorhersagt, was Sie halten\u2026 das, was Sie halten. Das ist eine R\u00fcckschau-Bias, und der Beruf des Datenwissenschaftlers ist bis zum Rand damit gef\u00fcllt.<\/p>\n

\"Wie<\/p>\n

Analytiker sagen: \u201eGerade haben Sie die Kreuz-Dame gezogen\u201c. Statistiker sagen: \u201eIch habe meine Hypothesen auf diesem St\u00fcck Papier notiert, bevor wir begonnen haben. Lass uns spielen, einige Daten anschauen und \u00fcberpr\u00fcfen, ob ich recht habe\u201c. Scharlatane sagen: \u201eIch wusste, dass Sie diese Kreuz-Dame ziehen w\u00fcrden, weil\u2026\u201c <\/p>\n

Die Aufteilung von Daten ist eine schnelle L\u00f6sung, die jeder ben\u00f6tigt.<\/p><\/blockquote>\n

\nWenn die Datenmenge begrenzt ist, muss man zwischen Statistik und Analyse w\u00e4hlen. Aber wenn die Daten reichlich vorhanden sind, hat man die gro\u00dfartige M\u00f6glichkeit, die Analyse uneingeschr\u00e4nkt zu nutzen. und<\/i> Statistik. Sie haben den perfekten Schutz vor Scharlatanen \u2013 die Trennung von Daten. Meiner Meinung nach ist das die st\u00e4rkste Idee im Bereich Data Science. <\/p>\n

Um sich vor Scharlatanen zu sch\u00fctzen, m\u00fcssen Sie sicherstellen, dass Sie einige Testdaten au\u00dferhalb ihrer neugierigen Augen aufbewahren. Behandeln Sie alles andere als Analyse. Wenn Sie mit einer Theorie konfrontiert werden, die Sie m\u00f6glicherweise annehmen, verwenden Sie diese, um die Situation zu beurteilen, und \u00f6ffnen Sie dann Ihre geheimen Testdaten, um zu \u00fcberpr\u00fcfen, ob die Theorie nicht absurd ist. Es ist ganz einfach!<\/p>\n

\"Wie
\nStellen Sie sicher, dass niemand w\u00e4hrend der Forschung Zugriff auf die Testdaten erh\u00e4lt. Halten Sie sich an die Forschungsdaten. Testdaten sollten nicht f\u00fcr die Analyse verwendet werden.<\/p>\n

Dies ist ein gro\u00dfer Schritt nach vorn im Vergleich zu dem, was Menschen aus der \u00c4ra der \"Small Data\" gewohnt sind, als man erkl\u00e4ren musste, woher man das Wissen hat, um die Leute schlie\u00dflich zu \u00fcberzeugen, dass man tats\u00e4chlich etwas wei\u00df.<\/p>\n

Wir wenden die gleichen Regeln auf ML\/AI an.<\/h2>\n

\nAuch einige Scharlatane, die sich als Experten f\u00fcr ML\/AI ausgeben, sind leicht zu erkennen. Man kann sie genauso entlarven wie jeden anderen schlechten Ingenieur: Die \"L\u00f6sungen\", die sie zu entwickeln versuchen, scheitern st\u00e4ndig. Ein fr\u00fches Warnsignal ist das Fehlen von Erfahrung mit den g\u00e4ngigen branchenspezifischen Sprachen und Programmierbibliotheken.<\/p>\n

Aber was ist mit den Personen, die Systeme erstellen, die funktional erscheinen? Wie erkennt man, dass etwas Verd\u00e4chtiges vor sich geht? Das gleiche Prinzip gilt! Ein Scharlatan ist eine zwielichtige Figur, die Ihnen zeigt, wie gut das Modell funktioniert hat... mit denselben Daten, die sie zur Erstellung des Modells verwendet haben.<\/p>\n

Wenn Sie ein wahnsinnig komplexes maschinelles Lernsystem erstellt haben, wie erkennen Sie, wie gut es ist? Sie werden es nicht wissen, bis Sie zeigen, dass es mit neuen Daten funktioniert, die es vorher nicht gesehen hat.<\/p>\n

Wenn Sie die Daten vor der Vorhersage gesehen haben \u2013 ist das wenig wahrscheinlich. vor<\/i>Aussage.<\/p><\/blockquote>\n

\nWenn Sie gen\u00fcgend Daten haben, um zu teilen, m\u00fcssen Sie die Eleganz Ihrer Formeln nicht besch\u00f6nigen, um das Projekt zu rechtfertigen (eine altmodische Gewohnheit, die ich \u00fcberall sehe, nicht nur in der Wissenschaft). Sie k\u00f6nnen sagen: \u201eIch wei\u00df, dass es funktioniert, weil ich einen Datensatz nehmen kann, den ich noch nie zuvor gesehen habe, und genau vorhersagen kann, was dort passieren wird\u2026 und ich werde recht haben. Immer wieder.\u201c<\/i><\/p>\n

Die \u00dcberpr\u00fcfung Ihres Modells\/Theorie mit neuen Daten ist die beste Grundlage f\u00fcr Vertrauen.<\/p><\/blockquote>\n

\nIch habe kein Erbarmen mit Datenbetr\u00fcgern. Es ist mir egal, ob Ihre Meinung auf verschiedenen Tricks basiert. Mich beeindruckt die Sch\u00f6nheit der Erkl\u00e4rungen nicht. Zeigen Sie mir, dass Ihre Theorie\/Modell funktioniert (und weiterhin funktioniert) mit einer Vielzahl neuer Daten, die Sie noch nie zuvor gesehen haben. Das ist der wahre Test der Belastbarkeit Ihrer Meinung.<\/p>\n

Einschaltung von Data-Science-Experten<\/h2>\n

\nWenn Sie m\u00f6chten, dass Sie von allen, die diesen Humor verstehen, ernst genommen werden, h\u00f6ren Sie auf, sich hinter skurrilen Gleichungen zu verstecken, um pers\u00f6nliche Vorurteile zu st\u00fctzen. Zeigen Sie, was Sie haben. Wenn Sie m\u00f6chten, dass die, die es \"verstanden\" haben, Ihre Theorie\/Modell als mehr als nur inspirierende Poesie betrachten, haben Sie den Mut, eine gro\u00dfangelegte Demonstration davon zu veranstalten, wie gut es mit einem v\u00f6llig neuen Datensatz funktioniert\u2026 vor Zeugen!<\/p>\n

An die F\u00fchrungskr\u00e4fte<\/h2>\n

\nWeigern Sie sich, irgendwelche \"Ideen\" \u00fcber Daten ernst zu nehmen, solange sie nicht getestet wurden auf neuen<\/i> Daten. M\u00f6chten Sie sich nicht anstrengen? Halten Sie sich an die Analytik, aber verlassen Sie sich nicht auf diese Ideen \u2013 sie sind unzuverl\u00e4ssig und wurden nicht auf Zuverl\u00e4ssigkeit gepr\u00fcft. Dar\u00fcber hinaus, wenn eine Organisation Daten im \u00dcberfluss hat, gibt es keinen Nachteil, die Trennung zur Grundlage der Wissenschaft zu machen und sie auf Infrastrukturebene zu unterst\u00fctzen, indem der Zugang zu Testdaten f\u00fcr Statistiken kontrolliert wird. Das ist ein gro\u00dfartiger Weg, um zu verhindern, dass man hereingelegt wird!<\/p>\n

Wenn Sie mehr Beispiele von Scharlatanen sehen m\u00f6chten, die etwas Unrechtes planen \u2013 hier ist ein wunderbarer Thread auf Twitter<\/a><\/noindex>.<\/p>\n

Ergebnisse<\/h2>\n

\nWenn die Daten zu sp\u00e4rlich sind, versucht nur ein Scharlatan, strikt dem Inspirierten zu folgen, indem er Amerika retrospektiv entdeckt, Ph\u00e4nomene mathematisch neu entdeckt, von denen bereits bekannt ist, dass sie in den Daten existieren, und bezeichnet \u00dcberraschungen als statistisch signifikant. Das unterscheidet sie von einem unvoreingenommenen Analysten, der mit Inspiration umgeht, und einem gewissenhaften Statistiker, der Beweise beim Prognostizieren anbietet.<\/p>\n

Wenn die Daten reichen, gew\u00f6hnen Sie sich daran, die Informationen zu trennen, so haben Sie das Beste aus beiden Welten! Stellen Sie sicher, dass Sie Analysen und Statistiken getrennt f\u00fcr verschiedene Teilmengen des urspr\u00fcnglichen Datenhaufens durchf\u00fchren.<\/p>\n