{"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 man einen Scharlatan im Bereich Data Science erkennt?","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Wie<\/a><\/noindex>
\nVielleicht haben Sie von Analysten, Machine Learning-Spezialisten und k\u00fcnstlicher Intelligenz geh\u00f6rt, aber haben Sie schon von denen geh\u00f6rt, die zu Unrecht \u00fcberbezahlt werden? Lernen Sie kennen Daten-Scharlatane<\/strong>! Diese Schwindler, angezogen von lukrativen Arbeitspl\u00e4tzen, schaffen einen schlechten Ruf f\u00fcr echte Datenverarbeitungsspezialisten. In diesem Artikel kl\u00e4ren wir, wie man solche Personen entlarvt.
\n<\/a><\/noindex><\/p>\n

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

\nDaten-Scharlatane k\u00f6nnen sich so gut verstecken, dass Sie einer von ihnen sein k\u00f6nnten<\/i>, ohne es zu merken. Ihre Organisation hat diese Schwindler wahrscheinlich seit Jahren verborgen, aber die gute Nachricht ist: Sie sind leicht zu identifizieren, wenn Sie wissen, wonach Sie suchen sollen.
\nDas erste Warnsignal ist das Missverst\u00e4ndnis, dass Analyse und Statistik sehr verschiedene Disziplinen sind<\/strong>. Ich werde das n\u00e4her erl\u00e4utern.<\/p>\n

Verschiedene Disziplinen<\/h2>\n

\nStatistiker sind darauf trainiert, Schlussfolgerungen \u00fcber das zu ziehen, was \u00fcber ihre Daten hinausgeht, w\u00e4hrend Analysten darin geschult sind, den Inhalt eines Datensatzes zu untersuchen. Anders ausgedr\u00fcckt, Analysten ziehen Schlussfolgerungen \u00fcber das, was in ihren Daten enthalten ist, w\u00e4hrend Statistiker Schlussfolgerungen \u00fcber das ziehen, was in den Daten nicht vorhanden ist. Analysten helfen dabei, gute Fragen zu stellen (Hypothesen zu entwickeln), w\u00e4hrend Statistiker helfen, gute Antworten zu erhalten (Hypothesen zu testen).<\/p>\n

Es gibt auch bizarre hybride Rollen, in denen jemand versucht, auf zwei St\u00fchlen zu sitzen \u2026 Warum nicht? Grundsatz der Datenwissenschaft: Wenn Sie es mit Unsicherheit zu tun haben, sollten Sie nicht dieselbe<\/i> Datenpunkt f\u00fcr Hypothesen und Pr\u00fcfungen verwenden. Wenn die Daten begrenzt sind, zwingt die Unsicherheit dazu, zwischen Statistik oder Analyse zu w\u00e4hlen. , warum ndots=5 in Kubernetes;<\/i> hier<\/i><\/a><\/noindex>.<\/p>\n

Ohne Statistik stecken Sie fest und k\u00f6nnen nicht verstehen, ob die gerade gef\u00e4llte Aussage einer \u00dcberpr\u00fcfung standh\u00e4lt, und ohne Analyse gehen Sie blind voran, mit wenigen Chancen, das Unbekannte zu z\u00e4hmen. Es ist eine schwierige Wahl.<\/p>\n

Der Ausweg f\u00fcr den Scharlatan aus dieser misslichen Lage besteht darin, sie zu ignorieren und dann vorzut\u00e4uschen, \u00fcberrascht zu sein \u00fcber das, was pl\u00f6tzlich entdeckt wird. Die Logik der statistischen Hypothesenpr\u00fcfung reduziert sich auf die Frage: \u00dcberraschen uns die Daten genug, um unsere Meinung zu \u00e4ndern? Wie k\u00f6nnen wir von Daten \u00fcberrascht werden, wenn wir sie bereits gesehen haben?<\/p>\n

Jedes Mal, wenn Scharlatane ein Muster finden, werden sie inspiriert und pr\u00fcfen dann die gleichen Daten<\/i> f\u00fcr des gleichen Musters<\/i>, um das Ergebnis mit einem legitimen p-Wert oder zwei in der N\u00e4he ihrer Theorie zu ver\u00f6ffentlichen. Damit l\u00fcgen sie Sie an (und vielleicht auch sich selbst). Ein solcher p-Wert spielt keine Rolle, wenn Sie nicht an Ihrer Hypothese festhalten. bis<\/b> Wie sie ihre Daten betrachtet haben. Scharlatane imitieren die Handlungen von Analysten und Statistikern, ohne die Hintergr\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 des fast mystischen Rufes von Statistikern, die sich mit strengen \u00dcberlegungen besch\u00e4ftigen, ist die Menge an Falschinformationen in der Datenwissenschaft rekordhoch. Es ist einfach, hereinzufallen und nicht erwischt zu werden, insbesondere wenn das ahnungslose Opfer denkt, dass alles nur in Gleichungen und Daten besteht. Ein Datensatz ist ein Datensatz, oder? Nein. Es kommt darauf an, wie Sie ihn verwenden.<\/p>\n

Gl\u00fccklicherweise brauchen Sie nur einen Hinweis, um Scharlatane zu entlarven: Sie 'entdecken Amerika im Nachhinein'. Sie entdecken Ph\u00e4nomene neu, von denen ihnen bereits bekannt ist, dass sie in den Daten vorhanden sind. <\/p>\n

Im Gegensatz zu Scharlatanen sind gute Analysten unvoreingenommen und verstehen, dass inspirierende Ideen viele verschiedene Erkl\u00e4rungen haben k\u00f6nnen. Gleichzeitig definieren gute Statistiker ihre Schl\u00fcsse sorgf\u00e4ltig, bevor sie diese ziehen.<\/p>\n

Analysten sind von der Verantwortung befreit\u2026 solange sie nicht \u00fcber ihre Daten hinausgehen. Wenn sie in Versuchung geraten, etwas zu behaupten, was sie nicht gesehen haben, ist das eine ganz andere Arbeit. Sie sollten 'die Schuhe des Analysten ausziehen' und 'in die Schuhe des Statistikers schl\u00fcpfen'. Schlie\u00dflich, egal wie der offizielle Jobtitel lautet, gibt es keine Regel, die besagt, dass man nicht beide Berufe studieren kann, wenn man m\u00f6chte. Verwechseln Sie sie nur nicht.<\/p>\n

Wenn Sie in der Statistik gut sind, bedeutet das nicht, dass Sie auch in der Analyse gut sind, und umgekehrt. Wenn Ihnen jemand das Gegenteil erz\u00e4hlen m\u00f6chte, ist Vorsicht geboten. Wenn diese Person Ihnen mitteilt, dass es erlaubt ist, statistische Schlussfolgerungen aus Daten zu ziehen, die Sie bereits untersucht haben, sollten Sie gleich doppelt vorsichtig sein.<\/p>\n

Exotische Erkl\u00e4rungen<\/h2>\n

\nWenn Sie die Daten-Scharlatane 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 r\u00fcckblickend an die Daten angepasst werden.<\/p>\n

Wenn Scharlatane so handeln \u2013 lassen Sie mich nicht am Wort sparen \u2013 l\u00fcgen sie. Keine Menge an Gleichungen oder sch\u00f6nen Konzepten kann kompensieren, dass sie einen null Beweis ihrer Thesen angeboten haben. Seien Sie nicht \u00fcberrascht, wie ungew\u00f6hnlich ihre Erkl\u00e4rungen sind.<\/p>\n

Es ist dasselbe, wie seine \"extrasensorischen\" F\u00e4higkeiten zu demonstrieren, indem man zuerst auf die Karten in den H\u00e4nden schaut und dann vorhersagt, was man h\u00e4lt\u2026 das, was man h\u00e4lt. Dies ist eine Verzerrung des retrospektiven Blicks, und der Beruf des Data Scientists ist bis zum Anschlag damit gef\u00fcllt.<\/p>\n

\"Wie<\/p>\n

Analysten sagen: \u201eSie haben gerade die Kreuzdame gezogen\u201c. Statistiker sagen: \u201eIch habe meine Hypothesen auf diesem St\u00fcck Papier notiert, bevor wir angefangen haben. Lass uns spielen, einige Daten ansehen und sehen, ob ich recht habe.\u201c Scharlatane sagen: \u201eIch wusste, dass Sie diese Kreuzdame ziehen w\u00fcrden, weil\u2026\u201c <\/p>\n

Die Unterteilung von Daten ist eine schnelle L\u00f6sung f\u00fcr ein Problem, das jeder ben\u00f6tigt.<\/p><\/blockquote>\n

\nWenn nicht viele Daten vorhanden sind, muss man zwischen Statistik und Analyse w\u00e4hlen, aber wenn es reichlich Daten gibt, gibt es eine hervorragende M\u00f6glichkeit, ohne Betrug von der Analyse zu profitieren. und<\/i> Statistik. Sie haben den perfekten Schutz gegen Scharlatane \u2013 das ist die Unterteilung von Daten und meiner Meinung nach die m\u00e4chtigste Idee in der Data Science. <\/p>\n

Um sich vor Scharlatanen zu sch\u00fctzen, m\u00fcssen Sie nur sicherstellen, dass Sie einige Testdaten au\u00dferhalb ihrer neugierigen Augen aufbewahren und dann alles andere als Analyse betrachten. Wenn Sie auf eine Theorie sto\u00dfen, die Sie in Betracht ziehen, verwenden Sie sie, um die Situation zu bewerten, und \u00f6ffnen Sie dann Ihre geheimen Testdaten, um zu \u00fcberpr\u00fcfen, ob die Theorie Unsinn ist. So einfach ist das!<\/p>\n

\"Wie
\nStellen Sie sicher, dass niemand Zugriff auf die Testdaten in der Forschungsphase hat. Halten Sie sich daf\u00fcr 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 die Menschen aus der \u00c4ra der \"kleinen Daten\" gewohnt sind, als man erkl\u00e4ren musste, woher man das Wissen hat, um die Menschen schlie\u00dflich zu \u00fcberzeugen, dass man tats\u00e4chlich etwas wei\u00df.<\/p>\n

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

\nEinige Scharlatane, die sich als Experten im Bereich ML\/AI ausgeben, sind ebenfalls leicht zu erkennen. Man erwischt sie genauso, wie man jeden anderen schlechten Ingenieur erwischen w\u00fcrde: Die \"L\u00f6sungen\", die sie zu entwickeln versuchen, scheitern st\u00e4ndig. Ein fr\u00fches Warnsignal ist das Fehlen von Erfahrung mit den g\u00e4ngigen Branchenprogrammiersprachen und Bibliotheken.<\/p>\n

Aber was ist mit den Menschen, die Systeme erstellen, die funktionsf\u00e4hig erscheinen? Wie erkennt man, dass etwas Verd\u00e4chtiges vor sich geht? Dasselbe Regel gilt! Ein Scharlatan ist eine unheilvolle Figur, die dir zeigt, wie gut das Modell funktioniert hat\u2026 mit denselben Daten, die sie zur Erstellung des Modells verwendet haben.<\/p>\n

Wenn du ein wahnsinnig komplexes maschinelles Lernsystem erstellt hast, wie erkennst du, wie gut es ist? Du wirst es nicht wissen, bis du zeigst, dass es mit neuen Daten funktioniert, die es vorher nicht gesehen hat.<\/p>\n

Wenn du die Daten vor der Vorhersage gesehen hast, ist das kaum noch relevant f\u00fcr<\/i>Vorhersagen.<\/p><\/blockquote>\n

\nWenn du genug Daten zum Aufteilen hast, brauchst du dich nicht auf die Sch\u00f6nheit deiner Formeln zu berufen, um das Projekt zu rechtfertigen (eine alte Gewohnheit, die ich \u00fcberall sehe, nicht nur in der Wissenschaft). Du kannst sagen: \u201eIch wei\u00df, dass es funktioniert, weil ich einen Datensatz nehmen kann, den ich noch nie gesehen habe, und genau vorhersagen kann, was dort passieren wird\u2026 und werde Recht haben. Immer wieder.\u201c<\/i><\/p>\n

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

\nIch dulde keine Datenschwindler. Es ist mir egal, ob deine Meinung auf verschiedenen Fakten basiert. Mich beeindruckt nicht die Sch\u00f6nheit der Erkl\u00e4rungen. Zeige mir, dass deine Theorie\/Modell (und weiterhin) mit einer ganzen Reihe neuer Daten funktioniert, die du noch nie zuvor gesehen hast. Das ist der wahre Test der Robustheit deiner Meinung.<\/p>\n

Wende dich an Spezialisten im Bereich Data Science<\/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 diejenigen, die \u201everstanden\u201c haben, Ihre Theorie\/Modell als mehr als nur inspirierende Poesie betrachten, haben Sie den Mut, eine grandiose Vorstellung davon zu geben, wie gut es mit einem v\u00f6llig neuen Datensatz funktioniert ... vor Zeugen!<\/p>\n

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

\nWeigern Sie sich, irgendwelche \u201eIdeen\u201c \u00fcber Daten ernst zu nehmen, bis sie gepr\u00fcft wurden an neuen<\/i> Daten. Keine Lust, Aufwand zu betreiben? Halten Sie sich an Analytik, aber verlassen Sie sich nicht auf diese Ideen \u2014 sie sind unzuverl\u00e4ssig und wurden auf ihre Zuverl\u00e4ssigkeit nicht getestet. Dar\u00fcber hinaus, wenn eine Organisation reichlich Daten hat, gibt es keinen Nachteil darin, das Trennen zur Grundlage der Wissenschaft zu machen und es auf der Infrastruktur-Ebene aufrechtzuerhalten, indem der Zugang zu Testdaten f\u00fcr die Statistik kontrolliert wird. Das ist eine gro\u00dfartige M\u00f6glichkeit, um zu verhindern, dass man get\u00e4uscht wird!<\/p>\n

Wenn Sie mehr Beispiele f\u00fcr Scharlatane sehen m\u00f6chten, die etwas Unrechtes im Schilde f\u00fchren \u2014 hier ist ein wunderbarer Thread auf Twitter<\/a><\/noindex>.<\/p>\n

Ergebnisse<\/h2>\n

\nWenn es zu wenig Daten f\u00fcr die Trennung gibt, versucht nur ein Scharlatan, strikt dem Inspiration zu folgen, indem er Amerika retrospektiv entdeckt, Ph\u00e4nomene mathematisch wiederentdeckt, von denen bereits bekannt ist, dass sie in den Daten vorhanden sind, und \u00dcberraschungen statistisch signifikant nennt. Dies unterscheidet sie von einem unvoreingenommenen Analytiker, der mit Inspiration zu tun hat, und einem gewissenhaften Statistiker, der Beweise beim Prognostizieren anbietet.<\/p>\n

Wenn es viele Daten gibt, gew\u00f6hnen Sie sich daran, Daten zu trennen, so k\u00f6nnen Sie das Beste aus beiden Welten haben! Stellen Sie sicher, dass Sie Analytik und Statistik separat nach verschiedenen Teilmengen des urspr\u00fcnglichen Datenhaufens durchf\u00fchren.<\/p>\n