តើធ្វើដូចម្តេចដើម្បីស្គាល់ charlatan ពី Data Science?

អ្នកប្រហែលជាធ្លាប់បានលឺពីអ្នកវិភាគ រៀនម៉ាស៊ីន និងអ្នកឯកទេសបញ្ញាសិប្បនិមិត្ត ប៉ុន្តែតើអ្នកធ្លាប់លឺពីអ្នកដែលត្រូវបង់ប្រាក់លើសដោយអយុត្តិធម៌ទេ? ជួប ទិន្នន័យ charlatan! ការលួចចូលទាំងនេះ ទាក់ទាញដោយការងារដែលរកប្រាក់បាន ផ្តល់ឱ្យអ្នកវិទ្យាសាស្ត្រទិន្នន័យពិតនូវឈ្មោះអាក្រក់។ នៅក្នុងសម្ភារៈយើងយល់ពីរបៀបនាំមនុស្សបែបនេះទៅទឹកស្អាត។

Data charlatans មាននៅគ្រប់ទីកន្លែង

ទិន្នន័យ charlatans គឺល្អណាស់ក្នុងការលាក់ខ្លួននៅក្នុងការមើលឃើញធម្មតាដែលអ្នកអាចធ្វើបាន ក្លាយជាម្នាក់ក្នុងចំណោមពួកគេ។ដោយមិនដឹងខ្លួន។ ឱកាសគឺ ស្ថាប័នរបស់អ្នកបានរក្សាទុកបុរសដែលលួចលាក់ទាំងនេះអស់ជាច្រើនឆ្នាំ ប៉ុន្តែដំណឹងល្អគឺថាពួកគេងាយស្រួលក្នុងការកំណត់អត្តសញ្ញាណ ប្រសិនបើអ្នកដឹងពីអ្វីដែលត្រូវរកមើល។
សញ្ញា​ព្រមាន​ដំបូង​គឺ​ការ​ខ្វះ​ការ​យល់​ដឹង​នោះ។ ការវិភាគ និងស្ថិតិគឺជាវិញ្ញាសាខុសគ្នាខ្លាំង. ខ្ញុំនឹងពន្យល់រឿងនេះបន្ថែមទៀត។

វិញ្ញាសាផ្សេងៗគ្នា

ស្ថិតិត្រូវបានបណ្តុះបណ្តាលដើម្បីទាញការសន្និដ្ឋានអំពីអ្វីដែលលើសពីទិន្នន័យរបស់ពួកគេ អ្នកវិភាគត្រូវបានបណ្តុះបណ្តាលដើម្បីពិនិត្យមើលខ្លឹមសារនៃសំណុំទិន្នន័យ។ ម្យ៉ាងវិញទៀត អ្នកវិភាគទាញការសន្និដ្ឋានអំពីអ្វីដែលនៅក្នុងទិន្នន័យរបស់ពួកគេ ហើយអ្នកស្ថិតិទាញការសន្និដ្ឋានអំពីអ្វីដែលមិនមាននៅក្នុងទិន្នន័យ។ អ្នកវិភាគជួយអ្នកសួរសំណួរល្អ (បង្កើតសម្មតិកម្ម) ហើយស្ថិតិជួយអ្នកឱ្យទទួលបានចម្លើយល្អ (សាកល្បងសម្មតិកម្មរបស់អ្នក)។

ក៏មានតួនាទីកូនកាត់ចំលែកផងដែរ ដែលមនុស្សម្នាក់ព្យាយាមអង្គុយលើកៅអីពីរ... ហេតុអ្វីមិនអញ្ចឹង? គោលការណ៍ជាមូលដ្ឋាននៃវិទ្យាសាស្ត្រទិន្នន័យ៖ ប្រសិនបើអ្នកកំពុងដោះស្រាយជាមួយនឹងភាពមិនច្បាស់លាស់ អ្នកមិនអាចប្រើបានទេ។ ដូច​គ្នា ចំណុចទិន្នន័យសម្រាប់សម្មតិកម្ម និងការធ្វើតេស្ត។ នៅពេលដែលទិន្នន័យមានកម្រិត ភាពមិនច្បាស់លាស់បង្ខំឱ្យមានជម្រើសរវាងស្ថិតិ ឬការវិភាគ។ ការពន្យល់ នៅទីនេះ.

បើគ្មានស្ថិតិទេ អ្នកនឹងជាប់គាំង និងមិនអាចយល់បានថា តើការវិនិច្ឆ័យដែលអ្នកទើបតែបង្កើតឡើង ឬអត់ ហើយបើគ្មានការវិភាគទេ អ្នកកំពុងធ្វើចលនាដោយងងឹតងងុល ដោយមានឱកាសតិចតួចក្នុងការទប់ទល់នឹងអ្នកដែលមិនស្គាល់។ នេះគឺជាជម្រើសដ៏លំបាកមួយ។

ផ្លូវរបស់ charlatan ចេញពីភាពរញ៉េរញ៉ៃនេះគឺដើម្បីមិនអើពើវាហើយបន្ទាប់មកធ្វើពុតជាភ្ញាក់ផ្អើលជាមួយនឹងអ្វីដែលស្រាប់តែកើតឡើង។ តក្កវិជ្ជានៅពីក្រោយការសាកល្បងសម្មតិកម្មស្ថិតិកើតឡើងចំពោះសំណួរថាតើទិន្នន័យធ្វើឱ្យយើងភ្ញាក់ផ្អើលគ្រប់គ្រាន់ដើម្បីផ្លាស់ប្តូរគំនិតរបស់យើង។ តើយើងអាចភ្ញាក់ផ្អើលដោយទិន្នន័យដោយរបៀបណាប្រសិនបើយើងបានឃើញវារួចហើយ?

រាល់ពេលដែលអ្នកកំប្លែងរកឃើញគំរូ ពួកគេទទួលបានការបំផុសគំនិត បន្ទាប់មកពិនិត្យមើល ទិន្នន័យដូចគ្នា។ សម្រាប់ លំនាំដូចគ្នា។ដើម្បីបោះពុម្ពលទ្ធផលជាមួយនឹងតម្លៃ p-value ស្របច្បាប់ ឬពីរ នៅជាប់នឹងទ្រឹស្តីរបស់ពួកគេ។ ដូច្នេះពួកគេកំពុងកុហកអ្នក (ហើយប្រហែលជាចំពោះខ្លួនឯងផងដែរ) ។ តម្លៃ p នេះមិនមានបញ្ហាទេ ប្រសិនបើអ្នកមិនប្រកាន់ខ្ជាប់នូវសម្មតិកម្មរបស់អ្នក។ រហូតដល់ទៅ របៀបដែលអ្នកមើលទិន្នន័យរបស់អ្នក។ Charlatans ធ្វើត្រាប់តាមសកម្មភាពរបស់អ្នកវិភាគ និងអ្នកស្ថិតិដោយមិនយល់ពីមូលហេតុ។ ជាលទ្ធផល វិស័យវិទ្យាសាស្ត្រទិន្នន័យទាំងមូលទទួលបានកេរ្តិ៍ឈ្មោះមិនល្អ។

អ្នកស្ថិតិពិតតែងតែទាញការសន្និដ្ឋានដោយខ្លួនឯង។

សូមអរគុណចំពោះកេរ្តិ៍ឈ្មោះដ៏អាថ៌កំបាំងស្ទើរតែទាំងអស់របស់អ្នកស្ថិតិសម្រាប់ហេតុផលដ៏ម៉ត់ចត់របស់ពួកគេ ចំនួននៃព័ត៌មានក្លែងក្លាយនៅក្នុង Data Science គឺមានកម្រិតខ្ពស់គ្រប់ពេលវេលា។ វាងាយស្រួលក្នុងការបោកបញ្ឆោត និងមិនចាប់បាន ជាពិសេសប្រសិនបើជនរងគ្រោះដែលមិនមានការសង្ស័យគិតថាវាជាសមីការ និងទិន្នន័យទាំងអស់។ សំណុំទិន្នន័យគឺជាសំណុំទិន្នន័យមែនទេ? ទេ វាសំខាន់ពីរបៀបដែលអ្នកប្រើវា។

សំណាងហើយ អ្នកគ្រាន់តែត្រូវការតម្រុយមួយប៉ុណ្ណោះ ដើម្បីចាប់អ្នកបោកប្រាស់៖ ពួកគេកំពុង "រកឃើញអាមេរិកឡើងវិញ"។ ដោយការរកឃើញឡើងវិញនូវបាតុភូតដែលពួកគេដឹងរួចហើយថាមានវត្តមាននៅក្នុងទិន្នន័យ។

មិនដូចអ្នកប្រាជ្ញទេ អ្នកវិភាគល្អបើកចិត្តទូលាយ ហើយយល់ថាគំនិតបំផុសគំនិតអាចមានការពន្យល់ផ្សេងៗគ្នាជាច្រើន។ ក្នុងពេលជាមួយគ្នានេះ អ្នកស្ថិតិល្អកំណត់ការសន្និដ្ឋានរបស់ពួកគេដោយប្រុងប្រយ័ត្នមុនពេលពួកគេបង្កើតវា។

អ្នកវិភាគត្រូវបានលើកលែងពីការទទួលខុសត្រូវ... ដរាបណាពួកគេស្ថិតនៅក្នុងវិសាលភាពនៃទិន្នន័យរបស់ពួកគេ។ ប្រសិនបើពួកគេត្រូវបានល្បួងឱ្យទាមទារអ្វីមួយដែលពួកគេមិនបានឃើញ នោះគឺជាការងារផ្សេងទៀតទាំងមូល។ ពួកគេគួរតែដោះស្បែកជើងរបស់អ្នកវិភាគ ហើយពាក់ស្បែកជើងរបស់អ្នកវិភាគ។ យ៉ាងណាមិញ មិនថាចំណងជើងការងារផ្លូវការជាអ្វីនោះទេ គ្មានច្បាប់ណាដែលនិយាយថាអ្នកមិនអាចសិក្សាវិជ្ជាជីវៈទាំងពីរបានទេប្រសិនបើអ្នកចង់បាន។ គ្រាន់តែកុំច្រឡំពួកគេ។

ដោយសារតែអ្នកពូកែខាងស្ថិតិ មិនមែនមានន័យថាអ្នកពូកែផ្នែកវិភាគទេ ហើយផ្ទុយទៅវិញ ប្រសិនបើនរណាម្នាក់ព្យាយាមប្រាប់អ្នកផ្សេង អ្នកគួរតែប្រយ័ត្ន។ ប្រសិនបើបុគ្គលនេះប្រាប់អ្នកថា វាត្រូវបានអនុញ្ញាតឱ្យទាញសេចក្តីសន្និដ្ឋានស្ថិតិពីទិន្នន័យដែលអ្នកបានសិក្សារួចហើយ នេះជាហេតុផលដែលត្រូវប្រុងប្រយ័ត្នទ្វេដង។

ការពន្យល់ដ៏ចម្លែក

នៅពេលសង្កេតមើលទិន្នន័យ charlatans នៅក្នុងព្រៃ អ្នកនឹងសម្គាល់ឃើញថាពួកគេចូលចិត្តបង្កើតរឿងដ៏អស្ចារ្យដើម្បី "ពន្យល់" ទិន្នន័យដែលពួកគេសង្កេត។ ការសិក្សាកាន់តែច្រើន កាន់តែប្រសើរ។ វាមិនសំខាន់ទេដែលរឿងទាំងនេះត្រូវបានកែសម្រួលក្នុងទិដ្ឋភាពខាងក្រោយ។

ពេល​អ្នក​ចេះ​និយាយ​ធ្វើ​បែប​នេះ - ឱ្យ​ខ្ញុំ​ច្បាស់​លាស់ - ពួក​គេ​កំពុង​កុហក។ គ្មានសមីការ ឬគំនិតប្រឌិតអាចបង្កើតបានសម្រាប់ការពិតដែលថាពួកគេបានផ្តល់នូវភស្តុតាងសូន្យនៃទ្រឹស្តីរបស់ពួកគេ។ កុំភ្ញាក់ផ្អើលនឹងការពន្យល់របស់ពួកគេមិនធម្មតា។

នេះគឺដូចគ្នានឹងការបង្ហាញសមត្ថភាព "ផ្លូវចិត្ត" របស់អ្នកដោយមើលសន្លឹកបៀក្នុងដៃរបស់អ្នកជាមុនសិន ហើយបន្ទាប់មកទាយអ្វីដែលអ្នកកំពុងកាន់...អ្វីដែលអ្នកកំពុងកាន់។ នេះ​ជា​ការ​លំអៀង​ក្នុង​ការ​មើល​រំលង ហើយ​វិជ្ជាជីវៈ​វិទ្យាសាស្ត្រ​ទិន្នន័យ​ត្រូវ​បាន​បំពេញ​យ៉ាង​ពេញ​ទំហឹង។

អ្នកវិភាគនិយាយថា "អ្នកទើបតែទៅជាមួយមហាក្សត្រីពេជ្រ" ។ អ្នកស្ថិតិនិយាយថា “ខ្ញុំបានសរសេរសម្មតិកម្មរបស់ខ្ញុំនៅលើក្រដាសនេះ មុនពេលយើងចាប់ផ្តើម។ ចូរ​លេង​ជុំវិញ ហើយ​មើល​ទិន្នន័យ​មួយ​ចំនួន ហើយ​មើល​ថា​ខ្ញុំ​និយាយ​ត្រូវ​ឬ​អត់»។ Charlatans និយាយថា "ខ្ញុំដឹងថាអ្នកនឹងក្លាយជាម្ចាស់ក្សត្រីនៃពេជ្រដោយសារតែ ... "

ការចែករំលែកទិន្នន័យគឺជាការជួសជុលរហ័សដែលមនុស្សគ្រប់គ្នាត្រូវការ។

នៅពេលដែលមិនមានទិន្នន័យច្រើន អ្នកត្រូវជ្រើសរើសរវាងស្ថិតិ និងការវិភាគ ប៉ុន្តែនៅពេលដែលមានទិន្នន័យច្រើនជាងគ្រប់គ្រាន់ នោះមានឱកាសដ៏ល្អក្នុងការប្រើប្រាស់ការវិភាគដោយគ្មានការបោកប្រាស់។ и ស្ថិតិ។ អ្នកមានការការពារដ៏ល្អឥតខ្ចោះប្រឆាំងនឹង charlatans - ការបំបែកទិន្នន័យ ហើយតាមគំនិតរបស់ខ្ញុំ នេះគឺជាគំនិតដ៏មានឥទ្ធិពលបំផុតនៅក្នុង Data Science ។

ដើម្បីការពារខ្លួនអ្នកពីភាពល្ងង់ខ្លៅ អ្វីដែលអ្នកត្រូវធ្វើគឺត្រូវប្រាកដថាអ្នករក្សាទិន្នន័យតេស្តមួយចំនួនឱ្យផុតពីភ្នែកដែលមើលងាយរបស់ពួកគេ ហើយបន្ទាប់មកចាត់ទុកអ្វីដែលនៅសល់ជាការវិភាគ។ នៅពេលអ្នកឆ្លងកាត់ទ្រឹស្ដីដែលអ្នកមានហានិភ័យក្នុងការទទួលយក សូមប្រើវាដើម្បីវាយតម្លៃស្ថានភាព ហើយបន្ទាប់មកបង្ហាញទិន្នន័យសាកល្បងសម្ងាត់របស់អ្នក ដើម្បីពិនិត្យមើលថាទ្រឹស្ដីនេះមិនសមហេតុសមផលទេ។ វាសាមញ្ញណាស់!

ត្រូវប្រាកដថាគ្មាននរណាម្នាក់ត្រូវបានអនុញ្ញាតឱ្យមើលទិន្នន័យសាកល្បងក្នុងដំណាក់កាលរុករកនោះទេ។ ដើម្បី​ធ្វើ​ដូច្នេះ សូម​រក្សា​ទិន្នន័យ​ស្រាវជ្រាវ។ ទិន្នន័យតេស្តមិនគួរប្រើសម្រាប់ការវិភាគទេ។

នេះគឺជាជំហានធំមួយឡើងពីអ្វីដែលមនុស្សធ្លាប់ប្រើក្នុងសម័យ "ទិន្នន័យតូច" ដែលអ្នកត្រូវពន្យល់ពីរបៀបដែលអ្នកដឹងពីអ្វីដែលអ្នកដឹង ដើម្បីចុងក្រោយអាចបញ្ចុះបញ្ចូលមនុស្សថាអ្នកពិតជាដឹងអ្វីមួយ។

អនុវត្តច្បាប់ដូចគ្នាចំពោះ ML/AI

អ្នកប្រាជ្ញមួយចំនួនដែលដាក់ខ្លួនជាអ្នកជំនាញ ML/AI ក៏ងាយស្រួលក្នុងការកត់សម្គាល់ផងដែរ។ អ្នកនឹងចាប់ពួកគេតាមរបៀបដូចគ្នាដែលអ្នកនឹងចាប់វិស្វករអាក្រក់ផ្សេងទៀត៖ "ដំណោះស្រាយ" ដែលពួកគេព្យាយាមបង្កើតជាបន្តបន្ទាប់បរាជ័យ សញ្ញា​ព្រមាន​ដំបូង​គឺ​ការ​ខ្វះ​បទ​ពិសោធ​ជាមួយ​នឹង​ភាសា​កម្មវិធី​ស្តង់ដារ​ឧស្សាហកម្ម និង​បណ្ណាល័យ។

ប៉ុន្តែចុះយ៉ាងណាចំពោះមនុស្សដែលបង្កើតប្រព័ន្ធដែលហាក់ដូចជាដំណើរការ? តើ​ធ្វើ​ដូចម្តេច​ទើប​ដឹង​ថា​មាន​អ្វី​គួរ​ឱ្យ​សង្ស័យ? ច្បាប់​អនុវត្ត​ដូចគ្នា! Charlatan គឺជាតួអង្គដ៏អាក្រក់ដែលបង្ហាញអ្នកពីរបៀបដែលគំរូដំណើរការបានល្អ... លើទិន្នន័យដូចគ្នាដែលពួកគេធ្លាប់បង្កើតគំរូ។

ប្រសិនបើអ្នកបានបង្កើតប្រព័ន្ធរៀនម៉ាស៊ីនដ៏ស្មុគស្មាញមួយ តើអ្នកដឹងដោយរបៀបណា? អ្នក​នឹង​មិន​ដឹង​ទាល់​តែ​អ្នក​បង្ហាញ​ថា​នាង​ធ្វើ​ការ​ជាមួយ​ទិន្នន័យ​ថ្មី​ដែល​នាង​មិន​បាន​ឃើញ​ពី​មុន​មក។

នៅពេលអ្នកបានឃើញទិន្នន័យមុនពេលព្យាករណ៍ - វាមិនទំនងទេ។ មុនប្រាប់

នៅពេលដែលអ្នកមានទិន្នន័យគ្រប់គ្រាន់ដើម្បីបំបែកចេញ អ្នកមិនចាំបាច់ដកស្រង់ភាពស្រស់ស្អាតនៃរូបមន្តរបស់អ្នកដើម្បីបង្ហាញអំពីភាពត្រឹមត្រូវនៃគម្រោងនោះទេ (ទម្លាប់ចាស់ដែលខ្ញុំឃើញនៅគ្រប់ទីកន្លែង មិនត្រឹមតែនៅក្នុងវិទ្យាសាស្ត្រប៉ុណ្ណោះទេ)។ អ្នក​អាច​និយាយ​ថា: “ខ្ញុំដឹងថាវាដំណើរការព្រោះខ្ញុំអាចយកសំណុំទិន្នន័យដែលខ្ញុំមិនបានឃើញពីមុនមក ហើយទាយថានឹងមានអ្វីកើតឡើងនៅទីនោះ… ហើយខ្ញុំនឹងនិយាយត្រូវ។ ម្តង​ហើយ​ម្តង​ទៀត"។

ការធ្វើតេស្តគំរូ/ទ្រឹស្តីរបស់អ្នកប្រឆាំងនឹងទិន្នន័យថ្មីគឺជាមូលដ្ឋានដ៏ល្អបំផុតសម្រាប់ទំនុកចិត្ត។

ខ្ញុំ​មិន​អត់​ឱន​ចំពោះ​ទិន្នន័យ​ដែល​និយាយ​កុហក។ ខ្ញុំ​មិន​ខ្វល់​ទេ​ថា​តើ​មតិ​របស់​អ្នក​ផ្អែក​លើ​ល្បិច​ផ្សេង​ៗ​នោះ​ទេ។ ខ្ញុំមិនចាប់អារម្មណ៍នឹងភាពស្រស់ស្អាតនៃការពន្យល់នោះទេ។ បង្ហាញខ្ញុំថាទ្រឹស្ដី/គំរូរបស់អ្នកដំណើរការ (ហើយបន្តដំណើរការ) លើទិន្នន័យថ្មីទាំងមូលដែលអ្នកមិនធ្លាប់ឃើញពីមុនមក។ នេះ​ជា​ការ​សាកល្បង​ពិត​នៃ​កម្លាំង​នៃ​គំនិត​របស់​អ្នក។

ទាក់ទងអ្នកជំនាញវិទ្យាសាស្ត្រទិន្នន័យ

ប្រសិនបើ​អ្នក​ចង់​ត្រូវ​បាន​គេ​យក​ចិត្ត​ទុក​ដាក់​ដោយ​អ្នក​រាល់​គ្នា​ដែល​យល់​ពី​រឿង​កំប្លែង​នេះ សូម​ឈប់​លាក់​ខ្លួន​នៅ​ពី​ក្រោយ​សមីការ​ប្រឌិត ដើម្បី​គាំទ្រ​ការ​លំអៀង​ផ្ទាល់ខ្លួន។ បង្ហាញខ្ញុំពីអ្វីដែលអ្នកមាន។ ប្រសិនបើអ្នកចង់ឱ្យអ្នកដែល "ទទួលវា" មើលទ្រឹស្ដី/គំរូរបស់អ្នកថាជាជាងការបំផុសគំនិតកំណាព្យ សូមមានភាពក្លាហានក្នុងការបង្ហាញនូវអ្វីដែលវាដំណើរការបានល្អនៅលើសំណុំទិន្នន័យថ្មីទាំងស្រុង... នៅចំពោះមុខសាក្សី។ !

អំពាវនាវដល់អ្នកដឹកនាំ

បដិសេធមិនយកចិត្តទុកដាក់លើ "គំនិត" ណាមួយអំពីទិន្នន័យរហូតដល់ពួកគេត្រូវបានសាកល្បង ថ្មី ទិន្នន័យ។ មិនមានអារម្មណ៍ចង់ប្រឹងប្រែងមែនទេ? ប្រកាន់ខ្ជាប់នូវការវិភាគ ប៉ុន្តែកុំពឹងផ្អែកលើគំនិតទាំងនេះ - ពួកគេមិនអាចទុកចិត្តបាន និងមិនត្រូវបានសាកល្បងសម្រាប់ភាពអាចជឿជាក់បាន។ ជាងនេះទៅទៀត នៅពេលដែលអង្គការមួយមានទិន្នន័យច្រើន វាមិនមានគុណវិបត្តិក្នុងការធ្វើឱ្យការបែងចែកជាមូលដ្ឋានក្នុងវិទ្យាសាស្ត្រ និងរក្សាវានៅកម្រិតហេដ្ឋារចនាសម្ព័ន្ធដោយគ្រប់គ្រងការចូលប្រើទិន្នន័យសាកល្បងសម្រាប់ស្ថិតិ។ នេះ​ជា​វិធី​ដ៏​ល្អ​ដើម្បី​បញ្ឈប់​មនុស្ស​ដែល​ព្យាយាម​បោកប្រាស់​អ្នក!

ចង់​ឃើញ​ឧទាហរណ៍​បន្ថែម​ទៀត​នៃ​ការ​និយាយ​លេង​សើច​រហូត​ដល់​មិន​ល្អ - នេះជាអត្ថបទដ៏អស្ចារ្យនៅលើ Twitter.

លទ្ធផល

នៅពេលដែលមានទិន្នន័យតិចតួចពេកមិនអាចបំបែកបាន មានតែអ្នកប្រាជ្ញម្នាក់ប៉ុណ្ណោះដែលព្យាយាមធ្វើតាមការបំផុសគំនិតយ៉ាងតឹងរ៉ឹងដោយការរកឃើញអាមេរិចត្រលប់ក្រោយ រកឃើញឡើងវិញនូវបាតុភូតដែលគេស្គាល់រួចហើយថាមាននៅក្នុងទិន្នន័យ ហើយហៅការភ្ញាក់ផ្អើលជាស្ថិតិ។ នេះសម្គាល់ពួកគេពីអ្នកវិភាគដែលមានគំនិតបើកចំហ ដែលដោះស្រាយជាមួយនឹងការបំផុសគំនិត និងជាអ្នកស្ថិតិល្អិតល្អន់ ដែលផ្តល់ភស្តុតាងនៅពេលធ្វើការទស្សន៍ទាយ។

នៅពេលមានទិន្នន័យច្រើន ចូរចាប់ផ្តើមទម្លាប់បំបែកទិន្នន័យ ដូច្នេះអ្នកអាចទទួលបានល្អបំផុតនៃពិភពលោកទាំងពីរ! ត្រូវប្រាកដថាធ្វើការវិភាគ និងស្ថិតិដោយឡែកពីគ្នាសម្រាប់សំណុំរងនីមួយៗនៃគំនរទិន្នន័យដើម។

• ក្រុមអ្នកវិភាគ ផ្តល់ឱ្យអ្នកនូវការបំផុសគំនិត និងការបើកចំហចិត្ត។
• ស្ថិតិ ផ្តល់ជូនអ្នកនូវការធ្វើតេស្តយ៉ាងម៉ត់ចត់។
• ឆាឡាតាន់ ផ្តល់ឱ្យអ្នកនូវការយល់ឃើញខុសដែលធ្វើពុតជាការវិភាគបូកនឹងស្ថិតិ។

ប្រហែលជាបន្ទាប់ពីអានអត្ថបទអ្នកនឹងមានគំនិតថា "ខ្ញុំជាអ្នកលេងសៀក"? នេះល្អណាស់។ មានវិធីពីរយ៉ាងដើម្បីកម្ចាត់គំនិតនេះ៖ ជាដំបូង ក្រឡេកមើលទៅក្រោយ មើលអ្វីដែលអ្នកបានធ្វើ ថាតើការងាររបស់អ្នកជាមួយទិន្នន័យបាននាំមកនូវអត្ថប្រយោជន៍ជាក់ស្តែងដែរឬទេ។ ហើយទីពីរ អ្នកនៅតែអាចធ្វើការលើគុណវុឌ្ឍិរបស់អ្នក (ដែលប្រាកដជានឹងមិននាំអោយ) ជាពិសេសចាប់តាំងពីយើងផ្តល់ឱ្យសិស្សនូវជំនាញ និងចំណេះដឹងជាក់ស្តែងដែលអនុញ្ញាតឱ្យពួកគេក្លាយជាអ្នកវិទ្យាសាស្ត្រទិន្នន័យពិតប្រាកដ។

• បង្រៀនជំនាញ Data Science ពីដំបូង
• វិទ្យាសាស្រ្តទិន្នន័យ កម្មវិធី Bootcamp អនឡាញ
• បណ្តុះបណ្តាលវិជ្ជាជីវៈអ្នកវិភាគទិន្នន័យពីដំបូង
• ការវិភាគទិន្នន័យលើបណ្តាញ Bootcamp

វគ្គសិក្សាច្រើនទៀត

• វគ្គសិក្សាម៉ាស៊ីន
• វគ្គសិក្សា "គណិតវិទ្យា និងម៉ាស៊ីនរៀនសម្រាប់វិទ្យាសាស្ត្រទិន្នន័យ"
• វគ្គសិក្សាកម្រិតខ្ពស់ "Machine Learning Pro + Deep Learning"
• វគ្គសិក្សាវិភាគទិន្នន័យ
• វគ្គសិក្សា DevOps
• Python សម្រាប់វគ្គសិក្សាអភិវឌ្ឍន៍គេហទំព័រ
• អ្នកបង្កើតគេហទំព័រអាជីព
• មុខរបរអ្នកអភិវឌ្ឍន៍ iOS ពីដំបូង
• វិជ្ជាជីវៈអ្នកអភិវឌ្ឍន៍ Android ពីដំបូង
• វិជ្ជាជីវៈអ្នកអភិវឌ្ឍន៍ Java ពីដំបូង
• វគ្គសិក្សា JavaScript
• អ្នករចនា UX វិជ្ជាជីវៈពីដំបូង
• វិជ្ជាជីវៈអ្នករចនាគេហទំព័រ

អាន​បន្ថែម

• ទិន្នន័យនៅក្នុងខ្លួនយើង៖ តើ bioinformaticians ធ្វើអ្វី?
• ការរៀនម៉ាស៊ីន និងចក្ខុវិស័យកុំព្យូទ័រក្នុងឧស្សាហកម្មរ៉ែ

ប្រភព: www.habr.com