ວິທີການຮັບຮູ້ charlatan ຈາກວິທະຍາສາດຂໍ້ມູນ?

ທ່ານອາດຈະໄດ້ຍິນກ່ຽວກັບນັກວິເຄາະ, ການຮຽນຮູ້ເຄື່ອງຈັກແລະຜູ້ຊ່ຽວຊານດ້ານປັນຍາປະດິດ, ແຕ່ທ່ານໄດ້ຍິນກ່ຽວກັບຜູ້ທີ່ໄດ້ຮັບຄ່າຈ້າງເກີນບໍ່ຍຸຕິທໍາບໍ? ພົບກັນ ຂໍ້ມູນ Charlatan! ແຮກເຫຼົ່ານີ້, ຊັກຈູງໂດຍວຽກທີ່ມີລາຍໄດ້, ເຮັດໃຫ້ນັກວິທະຍາສາດຂໍ້ມູນທີ່ແທ້ຈິງມີຊື່ທີ່ບໍ່ດີ. ໃນເອກະສານທີ່ພວກເຮົາເຂົ້າໃຈວິທີການນໍາຄົນດັ່ງກ່າວໄປສູ່ນ້ໍາສະອາດ.

ຂໍ້ມູນ charlatans ມີຢູ່ທົ່ວທຸກແຫ່ງ

ຂໍ້ມູນ charlatans ແມ່ນດີຫຼາຍທີ່ຈະເຊື່ອງຢູ່ໃນສາຍຕາທໍາມະດາທີ່ທ່ານສາມາດເຮັດໄດ້ ເປັນຫນຶ່ງໃນພວກເຂົາໂດຍບໍ່ຮູ້ຕົວ. ໂອກາດແມ່ນ, ອົງການຈັດຕັ້ງຂອງທ່ານໄດ້ harboring guys sneaky ເຫຼົ່ານີ້ສໍາລັບປີ, ແຕ່ຂ່າວດີແມ່ນວ່າພວກເຂົາເຈົ້າກໍາລັງງ່າຍທີ່ຈະກໍານົດຖ້າຫາກວ່າທ່ານຮູ້ຈັກສິ່ງທີ່ຈະຊອກຫາ.
ສັນຍານເຕືອນໄພທໍາອິດແມ່ນການຂາດຄວາມເຂົ້າໃຈ ການວິເຄາະແລະສະຖິຕິແມ່ນວິຊາທີ່ແຕກຕ່າງກັນຫຼາຍ. ຂ້ອຍຈະອະທິບາຍເລື່ອງນີ້ຕື່ມອີກ.

ວິ​ໄນ​ທີ່​ແຕກ​ຕ່າງ​ກັນ​

ນັກສະຖິຕິໄດ້ຮັບການຝຶກອົບຮົມເພື່ອສະຫຼຸບກ່ຽວກັບສິ່ງທີ່ເກີນກວ່າຂໍ້ມູນຂອງພວກເຂົາ, ນັກວິເຄາະໄດ້ຮັບການຝຶກອົບຮົມເພື່ອກວດກາເບິ່ງເນື້ອໃນຂອງຊຸດຂໍ້ມູນ. ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ນັກວິເຄາະສະຫຼຸບກ່ຽວກັບສິ່ງທີ່ຢູ່ໃນຂໍ້ມູນຂອງພວກເຂົາ, ແລະນັກສະຖິຕິໄດ້ສະຫຼຸບກ່ຽວກັບສິ່ງທີ່ບໍ່ມີຢູ່ໃນຂໍ້ມູນ. ນັກວິເຄາະຊ່ວຍໃຫ້ທ່ານຖາມຄໍາຖາມທີ່ດີ (ເຮັດສົມມຸດຕິຖານ), ແລະນັກສະຖິຕິຊ່ວຍໃຫ້ທ່ານໄດ້ຮັບຄໍາຕອບທີ່ດີ (ທົດສອບສົມມຸດຕິຖານຂອງເຈົ້າ).

ນອກນັ້ນຍັງມີບົດບາດປະສົມທີ່ແປກປະຫຼາດທີ່ຄົນເຮົາພະຍາຍາມນັ່ງຢູ່ເທິງຕັ່ງສອງ... ເປັນຫຍັງບໍ່? ຫຼັກການພື້ນຖານຂອງວິທະຍາສາດຂໍ້ມູນ: ຖ້າທ່ານກໍາລັງຈັດການກັບຄວາມບໍ່ແນ່ນອນ, ທ່ານບໍ່ສາມາດໃຊ້ໄດ້ ຄື​ກັນ ຈຸດຂໍ້ມູນສໍາລັບການສົມມຸດຕິຖານແລະການທົດສອບ. ເມື່ອຂໍ້ມູນຖືກຈໍາກັດ, ຄວາມບໍ່ແນ່ນອນບັງຄັບໃຫ້ມີທາງເລືອກລະຫວ່າງສະຖິຕິຫຼືການວິເຄາະ. ຄໍາອະທິບາຍ ທີ່ນີ້.

ຖ້າບໍ່ມີສະຖິຕິ, ເຈົ້າຈະຕິດຢູ່ແລະບໍ່ເຂົ້າໃຈວ່າການຕັດສິນທີ່ເຈົ້າຫາກໍ່ສ້າງຂື້ນຂື້ນ, ແລະໂດຍບໍ່ມີການວິເຄາະ, ເຈົ້າ ກຳ ລັງເຄື່ອນຍ້າຍໃນຕາບອດ, ມີໂອກາດ ໜ້ອຍ ທີ່ຈະຄວບຄຸມຄົນທີ່ບໍ່ຮູ້. ນີ້ແມ່ນທາງເລືອກທີ່ຍາກ.

ວິທີການຂອງ charlatan ອອກຈາກຄວາມວຸ່ນວາຍນີ້ແມ່ນບໍ່ສົນໃຈມັນແລະຫຼັງຈາກນັ້ນທໍາທ່າປະຫລາດໃຈກັບສິ່ງທີ່ເກີດຂຶ້ນຢ່າງກະທັນຫັນ. ເຫດຜົນທາງຫລັງຂອງການທົດສອບສົມມຸດຕິຖານທາງສະຖິຕິແມ່ນມາຈາກຄໍາຖາມທີ່ວ່າຂໍ້ມູນເຮັດໃຫ້ພວກເຮົາປະຫລາດໃຈພຽງພໍທີ່ຈະປ່ຽນໃຈຂອງພວກເຮົາ. ພວກເຮົາສາມາດປະຫລາດໃຈກັບຂໍ້ມູນໄດ້ແນວໃດຖ້າພວກເຮົາເຫັນມັນແລ້ວ?

ເມື່ອໃດທີ່ຄົນສະຫຼາດຊອກຫາຮູບແບບ, ເຂົາເຈົ້າໄດ້ຮັບການດົນໃຈ, ຈາກນັ້ນກວດເບິ່ງ ຂໍ້ມູນດຽວກັນ ການ ຮູບແບບດຽວກັນ, ເພື່ອເຜີຍແຜ່ຜົນໄດ້ຮັບດ້ວຍ p-value ທີ່ຖືກຕ້ອງຕາມກົດຫມາຍຫຼືສອງ, ຕໍ່ໄປກັບທິດສະດີຂອງພວກເຂົາ. ດັ່ງນັ້ນ, ພວກເຂົາເຈົ້າກໍາລັງຕົວະເຈົ້າ (ແລະ, ບາງທີອາດ, ກັບຕົນເອງຄືກັນ). p-value ນີ້ບໍ່ສໍາຄັນຖ້າທ່ານບໍ່ຍຶດຫມັ້ນກັບສົມມຸດຕິຖານຂອງທ່ານ ການ ເຈົ້າເບິ່ງຂໍ້ມູນຂອງທ່ານແນວໃດ. Charlatans ຮຽນແບບການກະ ທຳ ຂອງນັກວິເຄາະແລະນັກສະຖິຕິໂດຍບໍ່ໄດ້ເຂົ້າໃຈເຫດຜົນ. ດັ່ງນັ້ນ, ພາກສະຫນາມທັງຫມົດຂອງວິທະຍາສາດຂໍ້ມູນໄດ້ຮັບຊື່ສຽງທີ່ບໍ່ດີ.

ນັກສະຖິຕິທີ່ແທ້ຈິງສະເຫມີແຕ້ມບົດສະຫຼຸບຂອງຕົນເອງ

ຂໍຂອບໃຈກັບຊື່ສຽງເກືອບ mystical ຂອງນັກສະຖິຕິສໍາລັບການສົມເຫດສົມຜົນຢ່າງເຂັ້ມງວດ, ຈໍານວນຂໍ້ມູນປອມແປງໃນ Data Science ແມ່ນສູງຕະຫຼອດເວລາ. ມັນງ່າຍທີ່ຈະຫລອກລວງແລະບໍ່ຖືກຈັບ, ໂດຍສະເພາະຖ້າຜູ້ຖືກເຄາະຮ້າຍທີ່ບໍ່ສົງໃສຄິດວ່າມັນທັງຫມົດກ່ຽວກັບສົມຜົນແລະຂໍ້ມູນ. ຊຸດຂໍ້ມູນແມ່ນຊຸດຂໍ້ມູນ, ແມ່ນບໍ? ບໍ່. ມັນສຳຄັນກັບວິທີທີ່ເຈົ້າໃຊ້ມັນ.

ໂຊກດີ, ທ່ານພຽງແຕ່ຕ້ອງການຂໍ້ຄຶດອັນດຽວເພື່ອຈັບຄົນຂີ້ຕົວະ: ພວກເຂົາກໍາລັງ "ຄົ້ນພົບອາເມລິກາຄືນໃຫມ່." ໂດຍການຄົ້ນພົບປະກົດການຄືນໃໝ່ທີ່ເຂົາເຈົ້າຮູ້ແລ້ວວ່າມີຢູ່ໃນຂໍ້ມູນ.

ບໍ່ເຫມືອນກັບຄົນຂີ້ຕົວະ, ນັກວິເຄາະທີ່ດີແມ່ນເປີດໃຈແລະເຂົ້າໃຈວ່າຄວາມຄິດທີ່ດົນໃຈສາມາດມີຄໍາອະທິບາຍທີ່ແຕກຕ່າງກັນຫຼາຍ. ໃນເວລາດຽວກັນ, ນັກສະຖິຕິທີ່ດີກໍານົດບົດສະຫຼຸບຂອງພວກເຂົາຢ່າງລະມັດລະວັງກ່ອນທີ່ພວກເຂົາຈະເຮັດ.

ນັກວິເຄາະໄດ້ຮັບການຍົກເວັ້ນຈາກຄວາມຮັບຜິດຊອບ ... ຕາບໃດທີ່ພວກເຂົາຢູ່ໃນຂອບເຂດຂອງຂໍ້ມູນຂອງພວກເຂົາ. ຖ້າພວກເຂົາຖືກລໍ້ລວງໃຫ້ອ້າງສິ່ງທີ່ພວກເຂົາບໍ່ເຫັນ, ນັ້ນແມ່ນວຽກອື່ນທັງຫມົດ. ພວກເຂົາຄວນຖອດເກີບນັກວິເຄາະອອກແລະໃສ່ເກີບຂອງນັກສະຖິຕິ. ຫຼັງຈາກທີ່ທັງຫມົດ, ບໍ່ວ່າຕໍາແຫນ່ງວຽກທີ່ເປັນທາງການແມ່ນຫຍັງ, ບໍ່ມີກົດລະບຽບທີ່ບອກວ່າທ່ານບໍ່ສາມາດສຶກສາທັງສອງອາຊີບຖ້າທ່ານຕ້ອງການ. ພຽງແຕ່ບໍ່ສັບສົນໃຫ້ເຂົາເຈົ້າ.

ພຽງແຕ່ຍ້ອນວ່າເຈົ້າເກັ່ງສະຖິຕິບໍ່ໄດ້ຫມາຍຄວາມວ່າເຈົ້າເກັ່ງໃນການວິເຄາະ, ແລະໃນທາງກັບກັນ. ຖ້າຜູ້ໃດຜູ້ນຶ່ງພະຍາຍາມບອກເຈົ້າເປັນຢ່າງອື່ນ ເຈົ້າຄວນລະວັງ. ຖ້າບຸກຄົນນີ້ບອກທ່ານວ່າມັນອະນຸຍາດໃຫ້ສະຫຼຸບສະຖິຕິຈາກຂໍ້ມູນທີ່ທ່ານໄດ້ສຶກສາແລ້ວ, ນີ້ແມ່ນເຫດຜົນທີ່ຈະລະມັດລະວັງສອງເທົ່າ.

ຄໍາອະທິບາຍທີ່ແປກປະຫຼາດ

ໃນເວລາທີ່ສັງເກດເຫັນຂໍ້ມູນ charlatans ໃນທໍາມະຊາດ, ທ່ານຈະສັງເກດເຫັນວ່າພວກເຂົາມັກສ້າງເລື່ອງທີ່ຫນ້າອັດສະຈັນເພື່ອ "ອະທິບາຍ" ຂໍ້ມູນທີ່ພວກເຂົາສັງເກດເຫັນ. ການສຶກສາຫຼາຍ, ດີກວ່າ. ມັນບໍ່ສໍາຄັນວ່າບົດເລື່ອງເຫຼົ່ານີ້ຈະຖືກດັດແປງໃນດ້ານຫລັງ.

ໃນເວລາທີ່ charlatans ເຮັດແນວນີ້ - ໃຫ້ຂ້າພະເຈົ້າຈະແຈ້ງ - ພວກເຂົາເຈົ້າກໍາລັງຕົວະ. ບໍ່​ມີ​ສະ​ມະ​ການ​ຫຼື​ແນວ​ຄວາມ​ຄິດ fancy ທີ່​ສາ​ມາດ​ເຮັດ​ໃຫ້​ເຖິງ​ຄວາມ​ຈິງ​ທີ່​ວ່າ​ພວກ​ເຂົາ​ເຈົ້າ​ສະ​ຫນອງ​ໃຫ້​ສູນ​ຫຼັກ​ຖານ​ຂອງ​ທິດ​ສະ​ດີ​ຂອງ​ເຂົາ​ເຈົ້າ​. ຢ່າຕົກຕະລຶງກັບຄໍາອະທິບາຍຂອງເຂົາເຈົ້າຜິດປົກກະຕິ.

ນີ້ແມ່ນຄືກັນກັບການສະແດງຄວາມສາມາດ "ທາງຈິດ" ຂອງທ່ານໂດຍການເບິ່ງບັດໃນມືຂອງທ່ານຄັ້ງທໍາອິດແລະຫຼັງຈາກນັ້ນຄາດຄະເນສິ່ງທີ່ທ່ານຖື ... ສິ່ງທີ່ທ່ານຖື. ນີ້ແມ່ນຄວາມລໍາອຽງທາງຫລັງ, ແລະອາຊີບວິທະຍາສາດຂໍ້ມູນແມ່ນເຕັມໄປດ້ວຍມັນ.

ນັກວິເຄາະກ່າວວ່າ: "ເຈົ້າພຽງແຕ່ໄປກັບ Queen of Diamonds." ນັກສະຖິຕິກ່າວວ່າ, "ຂ້ອຍຂຽນສົມມຸດຕິຖານຂອງຂ້ອຍລົງໃນເອກະສານນີ້ກ່ອນທີ່ພວກເຮົາຈະເລີ່ມຕົ້ນ. ລອງຫຼິ້ນເບິ່ງເບິ່ງຂໍ້ມູນບາງຢ່າງ ແລະເບິ່ງວ່າຂ້ອຍຖືກຕ້ອງຫຼືບໍ່." Charlatans ເວົ້າວ່າ: "ຂ້ອຍຮູ້ວ່າເຈົ້າຈະກາຍເປັນ Queen of Diamonds ເພາະວ່າ ... "

ການແບ່ງປັນຂໍ້ມູນແມ່ນການແກ້ໄຂດ່ວນທີ່ທຸກຄົນຕ້ອງການ.

ໃນເວລາທີ່ບໍ່ມີຂໍ້ມູນຫຼາຍ, ທ່ານຕ້ອງເລືອກລະຫວ່າງສະຖິຕິແລະການວິເຄາະ, ແຕ່ເມື່ອມີຂໍ້ມູນຫຼາຍກວ່າພຽງພໍ, ມີໂອກາດທີ່ດີທີ່ຈະໃຊ້ການວິເຄາະໂດຍບໍ່ມີການຫຼອກລວງ. и ສະຖິຕິ. ທ່ານມີການປ້ອງກັນທີ່ດີເລີດຕໍ່ກັບ charlatans - ການແຍກຂໍ້ມູນແລະ, ໃນຄວາມຄິດເຫັນຂອງຂ້ອຍ, ນີ້ແມ່ນຄວາມຄິດທີ່ມີປະສິດທິພາບທີ່ສຸດໃນ Data Science.

ເພື່ອປົກປ້ອງຕົວເອງຈາກຄົນຂີ້ຕົວະ, ສິ່ງທີ່ທ່ານຕ້ອງເຮັດແມ່ນໃຫ້ແນ່ໃຈວ່າທ່ານເກັບຂໍ້ມູນການທົດສອບບາງຢ່າງໄວ້ໄກຈາກສາຍຕາທີ່ແປກປະຫຼາດ, ແລະຫຼັງຈາກນັ້ນປະຕິບັດສ່ວນທີ່ເຫຼືອເປັນການວິເຄາະ. ເມື່ອທ່ານພົບທິດສະດີທີ່ທ່ານມີຄວາມສ່ຽງຕໍ່ການຍອມຮັບ, ໃຊ້ມັນເພື່ອປະເມີນສະຖານະການ, ແລະຫຼັງຈາກນັ້ນເປີດເຜີຍຂໍ້ມູນການທົດສອບລັບຂອງທ່ານເພື່ອກວດເບິ່ງວ່າທິດສະດີບໍ່ແມ່ນເລື່ອງໄຮ້ສາລະ. ມັນງ່າຍດາຍຫຼາຍ!

ໃຫ້ແນ່ໃຈວ່າບໍ່ມີໃຜໄດ້ຮັບອະນຸຍາດໃຫ້ເບິ່ງຂໍ້ມູນການທົດສອບໃນໄລຍະການຂຸດຄົ້ນ. ເພື່ອເຮັດສິ່ງນີ້, ຕິດກັບຂໍ້ມູນການຄົ້ນຄວ້າ. ຂໍ້ມູນການທົດສອບບໍ່ຄວນຖືກນໍາໃຊ້ສໍາລັບການວິເຄາະ.

ນີ້ແມ່ນບາດກ້າວອັນໃຫຍ່ຫຼວງຈາກສິ່ງທີ່ຄົນໃຊ້ໃນຍຸກ "ຂໍ້ມູນຂະຫນາດນ້ອຍ", ບ່ອນທີ່ທ່ານຕ້ອງອະທິບາຍວິທີທີ່ເຈົ້າຮູ້ສິ່ງທີ່ເຈົ້າຮູ້ເພື່ອສຸດທ້າຍເຮັດໃຫ້ຄົນຮູ້ວ່າເຈົ້າຮູ້ບາງສິ່ງບາງຢ່າງ.

ນຳໃຊ້ກົດລະບຽບດຽວກັນກັບ ML/AI

ບາງຄົນສະຫຼາດທີ່ຕັ້ງເປັນຜູ້ຊ່ຽວຊານ ML/AI ແມ່ນຍັງງ່າຍທີ່ຈະສັງເກດເຫັນ. ທ່ານຈະຈັບພວກເຂົາດ້ວຍວິທີດຽວກັນທີ່ທ່ານຈະຈັບວິສະວະກອນທີ່ບໍ່ດີອື່ນໆ: "ການແກ້ໄຂ" ທີ່ພວກເຂົາພະຍາຍາມສ້າງຢ່າງຕໍ່ເນື່ອງລົ້ມເຫລວ. ສັນຍານເຕືອນໄພເບື້ອງຕົ້ນແມ່ນການຂາດປະສົບການກັບພາສາການຂຽນໂປລແກລມມາດຕະຖານອຸດສາຫະກໍາແລະຫ້ອງສະຫມຸດ.

ແຕ່ສິ່ງທີ່ກ່ຽວກັບຜູ້ທີ່ສ້າງລະບົບທີ່ເບິ່ງຄືວ່າຈະເຮັດວຽກ? ເຈົ້າຮູ້ໄດ້ແນວໃດວ່າມີບາງສິ່ງບາງຢ່າງທີ່ສົງໃສເກີດຂຶ້ນ? ກະຕິກາຄືກັນ! Charlatan ເປັນຕົວລະຄອນທີ່ຂີ້ຮ້າຍທີ່ສະແດງໃຫ້ທ່ານຮູ້ວ່າຕົວແບບເຮັດວຽກໄດ້ດີປານໃດ ... ໃນຂໍ້ມູນດຽວກັນທີ່ພວກເຂົາໃຊ້ເພື່ອສ້າງຕົວແບບ.

ຖ້າທ່ານໄດ້ສ້າງລະບົບການຮຽນຮູ້ເຄື່ອງຈັກທີ່ສັບສົນຢ່າງບ້າໆ, ເຈົ້າຮູ້ໄດ້ແນວໃດວ່າມັນດີແນວໃດ? ເຈົ້າຈະບໍ່ຮູ້ຈົນກວ່າເຈົ້າຈະສະແດງໃຫ້ລາວເຮັດວຽກກັບຂໍ້ມູນໃໝ່ທີ່ລາວບໍ່ເຄີຍເຫັນມາກ່ອນ.

ເມື່ອທ່ານເຫັນຂໍ້ມູນກ່ອນການພະຍາກອນ - ມັນຄົງຈະບໍ່ເປັນ ກ່ອນບອກ

ເມື່ອທ່ານມີຂໍ້ມູນພຽງພໍເພື່ອແຍກ, ທ່ານບໍ່ຈໍາເປັນຕ້ອງອ້າງເຖິງຄວາມງາມຂອງສູດຂອງທ່ານເພື່ອໃຫ້ພຽງແຕ່ໂຄງການ (ນິໄສແບບເກົ່າທີ່ຂ້ອຍເຫັນຢູ່ທົ່ວທຸກແຫ່ງ, ບໍ່ພຽງແຕ່ໃນວິທະຍາສາດ). ເຈົ້າ​ເວົ້າ​ໄດ້: "ຂ້ອຍຮູ້ວ່າມັນເຮັດວຽກເພາະວ່າຂ້ອຍສາມາດເອົາຊຸດຂໍ້ມູນທີ່ຂ້ອຍບໍ່ເຄີຍເຫັນມາກ່ອນແລະຄາດຄະເນສິ່ງທີ່ຈະເກີດຂື້ນຢູ່ທີ່ນັ້ນ ... ແລະຂ້ອຍຈະເວົ້າຖືກ. ອີກເທື່ອ ໜຶ່ງ.”

ການທົດສອບຕົວແບບ / ທິດສະດີຂອງທ່ານຕໍ່ກັບຂໍ້ມູນໃຫມ່ແມ່ນພື້ນຖານທີ່ດີທີ່ສຸດສໍາລັບຄວາມຫມັ້ນໃຈ.

ຂ້າ​ພະ​ເຈົ້າ​ບໍ່​ທົນ​ທານ​ຕໍ່​ຂໍ້​ມູນ charlatans​. ຂ້ອຍບໍ່ສົນໃຈວ່າຄວາມຄິດເຫັນຂອງເຈົ້າແມ່ນອີງໃສ່ tricks ທີ່ແຕກຕ່າງກັນ. ຂ້ອຍບໍ່ປະທັບໃຈກັບຄວາມງາມຂອງຄໍາອະທິບາຍ. ສະແດງໃຫ້ຂ້ອຍຮູ້ວ່າທິດສະດີ/ແບບຈໍາລອງຂອງເຈົ້າເຮັດວຽກ (ແລະສືບຕໍ່ເຮັດວຽກ) ໃນກຸ່ມຂໍ້ມູນໃໝ່ທັງໝົດທີ່ເຈົ້າບໍ່ເຄີຍເຫັນມາກ່ອນ. ນີ້ແມ່ນການທົດສອບທີ່ແທ້ຈິງຂອງຄວາມເຂັ້ມແຂງຂອງຄວາມຄິດເຫັນຂອງທ່ານ.

ຕິດຕໍ່ຜູ້ຊ່ຽວຊານດ້ານວິທະຍາສາດຂໍ້ມູນ

ຖ້າຫາກວ່າທ່ານຕ້ອງການທີ່ຈະໄດ້ຮັບການປະຕິບັດຢ່າງຈິງຈັງໂດຍທຸກຄົນທີ່ເຂົ້າໃຈ humor ນີ້, ຢຸດເຊົາການເຊື່ອງຢູ່ເບື້ອງຫຼັງສົມຜົນ fancy ເພື່ອສະຫນັບສະຫນູນອະຄະຕິສ່ວນບຸກຄົນ. ສະແດງໃຫ້ຂ້ອຍເຫັນສິ່ງທີ່ເຈົ້າໄດ້ຮັບ. ຖ້າທ່ານຕ້ອງການໃຫ້ຜູ້ທີ່ "ໄດ້ຮັບມັນ" ເພື່ອເບິ່ງທິດສະດີ / ຮູບແບບຂອງເຈົ້າເປັນຫຼາຍກ່ວາພຽງແຕ່ບົດກະວີທີ່ສ້າງແຮງບັນດານໃຈ, ມີຄວາມກ້າຫານທີ່ຈະສະແດງການສະແດງທີ່ຍິ່ງໃຫຍ່ວ່າມັນເຮັດວຽກໄດ້ດີໃນຊຸດຂໍ້ມູນໃຫມ່ທັງຫມົດ ... ຕໍ່ຫນ້າພະຍານ. !

ອຸທອນຕໍ່ຜູ້ນໍາ

ປະຕິເສດທີ່ຈະເອົາ "ຄວາມຄິດ" ຢ່າງຈິງຈັງກ່ຽວກັບຂໍ້ມູນຈົນກ່ວາພວກເຂົາໄດ້ຮັບການທົດສອບ ໃຫມ່ ຂໍ້ມູນ. ບໍ່ຮູ້ສຶກຢາກໃສ່ໃນຄວາມພະຍາຍາມບໍ? ຍຶດຕິດກັບການວິເຄາະ, ແຕ່ຢ່າອີງໃສ່ແນວຄວາມຄິດເຫຼົ່ານີ້ - ພວກມັນບໍ່ຫນ້າເຊື່ອຖືແລະບໍ່ໄດ້ຮັບການທົດສອບຄວາມຫນ້າເຊື່ອຖື. ຍິ່ງໄປກວ່ານັ້ນ, ໃນເວລາທີ່ອົງການຈັດຕັ້ງມີຂໍ້ມູນອຸດົມສົມບູນ, ບໍ່ມີຂໍ້ບົກຜ່ອງທີ່ຈະເຮັດໃຫ້ການແຍກຕ່າງຫາກພື້ນຖານວິທະຍາສາດແລະຮັກສາມັນຢູ່ໃນລະດັບພື້ນຖານໂຄງລ່າງໂດຍການຄວບຄຸມການເຂົ້າເຖິງຂໍ້ມູນການທົດສອບສໍາລັບສະຖິຕິ. ອັນນີ້ຄືການຢຸດຄົນທີ່ພະຍາຍາມຫຼອກລວງເຈົ້າ!

ຖ້າທ່ານຕ້ອງການເບິ່ງຕົວຢ່າງເພີ່ມເຕີມຂອງ charlatans ເຖິງບໍ່ດີ - ນີ້ແມ່ນຫົວຂໍ້ທີ່ປະເສີດໃນ Twitter.

ຜົນໄດ້ຮັບ

ໃນເວລາທີ່ມີຂໍ້ມູນຫນ້ອຍເກີນໄປທີ່ຈະແຍກ, ມີພຽງແຕ່ charlatan ພະຍາຍາມປະຕິບັດຕາມການດົນໃຈຢ່າງເຂັ້ມງວດໂດຍການຄົ້ນພົບອາເມລິກາຄືນຫລັງ, ຄົ້ນພົບປະກົດການທາງຄະນິດສາດທີ່ຮູ້ແລ້ວວ່າມີຢູ່ໃນຂໍ້ມູນ, ແລະເອີ້ນຄວາມແປກໃຈທີ່ມີຄວາມສໍາຄັນທາງສະຖິຕິ. ນີ້ແຍກແຍະພວກເຂົາຈາກນັກວິເຄາະທີ່ເປີດໃຈ, ຜູ້ທີ່ຈັດການກັບການດົນໃຈ, ແລະນັກສະຖິຕິທີ່ມີຄວາມລະມັດລະວັງ, ຜູ້ທີ່ສະເຫນີຫຼັກຖານໃນເວລາເຮັດການຄາດເດົາ.

ເມື່ອມີຂໍ້ມູນຫຼາຍ, ເຂົ້າໄປໃນນິໄສຂອງການແຍກຂໍ້ມູນເພື່ອໃຫ້ທ່ານສາມາດມີທີ່ດີທີ່ສຸດຂອງໂລກທັງສອງ! ໃຫ້ແນ່ໃຈວ່າເຮັດການວິເຄາະແລະສະຖິຕິແຍກຕ່າງຫາກສໍາລັບແຕ່ລະຊຸດຍ່ອຍຂອງຂໍ້ມູນຕົ້ນສະບັບ.

• ນັກວິເຄາະ ສະ​ເຫນີ​ໃຫ້​ທ່ານ​ດົນ​ໃຈ​ແລະ​ເປີດ​ໃຈ​.
• ສະຖິຕິ ສະເຫນີໃຫ້ທ່ານທົດສອບຢ່າງເຂັ້ມງວດ.
• Charlatans ສະເຫນີໃຫ້ທ່ານມີຄວາມເຂົ້າໃຈທາງຫລັງບິດທີ່ທໍາທ່າວ່າເປັນການວິເຄາະບວກກັບສະຖິຕິ.

ບາງທີ, ຫຼັງຈາກອ່ານບົດຄວາມ, ເຈົ້າຈະຄິດວ່າ "ຂ້ອຍເປັນຄົນຂີ້ຕົວະ" ບໍ? ນີ້ແມ່ນດີ. ມີສອງວິທີທີ່ຈະກໍາຈັດຄວາມຄິດນີ້: ທໍາອິດ, ເບິ່ງຄືນ, ເບິ່ງສິ່ງທີ່ທ່ານໄດ້ເຮັດ, ບໍ່ວ່າຈະເປັນວຽກງານຂອງທ່ານກັບຂໍ້ມູນໄດ້ນໍາເອົາຜົນປະໂຫຍດທາງປະຕິບັດ. ແລະອັນທີສອງ, ທ່ານຍັງສາມາດເຮັດວຽກກ່ຽວກັບຄຸນວຸດທິຂອງທ່ານ (ເຊິ່ງແນ່ນອນວ່າຈະບໍ່ເປັນສິ່ງເສດເຫຼືອ), ໂດຍສະເພາະຍ້ອນວ່າພວກເຮົາໃຫ້ນັກຮຽນຂອງພວກເຮົາທັກສະການປະຕິບັດແລະຄວາມຮູ້ທີ່ອະນຸຍາດໃຫ້ພວກເຂົາກາຍເປັນນັກວິທະຍາສາດຂໍ້ມູນທີ່ແທ້ຈິງ.

• ການສອນວິຊາຊີບຂອງ Data Science ຕັ້ງແຕ່ເລີ່ມຕົ້ນ
• ວິທະຍາສາດຂໍ້ມູນອອນໄລນ໌ Bootcamp
• ການຝຶກອົບຮົມວິຊາຊີບຂອງ Data Analyst ຈາກ scratch
• Data Analytics Online Bootcamp

ຫຼັກສູດເພີ່ມເຕີມ

• ຫຼັກສູດການຮຽນຮູ້ເຄື່ອງຈັກ
• ຫຼັກສູດ "ຄະນິດສາດແລະການຮຽນຮູ້ເຄື່ອງຈັກສໍາລັບວິທະຍາສາດຂໍ້ມູນ"
• ຫຼັກສູດຂັ້ນສູງ "ການຮຽນຮູ້ເຄື່ອງຈັກ + ການຮຽນຮູ້ເລິກເຊິ່ງ"
• ຫຼັກສູດການວິເຄາະຂໍ້ມູນ
• ຫຼັກສູດ DevOps
• Python ສໍາລັບຫຼັກສູດການພັດທະນາເວັບ
• ນັກພັດທະນາເວັບ
• ອາຊີບຜູ້ພັດທະນາ iOS ຕັ້ງແຕ່ເລີ່ມຕົ້ນ
• ນັກພັດທະນາ Android ມືອາຊີບຕັ້ງແຕ່ເລີ່ມຕົ້ນ
• ນັກພັດທະນາ Java ມືອາຊີບຕັ້ງແຕ່ເລີ່ມຕົ້ນ
• ຫຼັກສູດ JavaScript
• ຜູ້ອອກແບບ UX ມືອາຊີບຕັ້ງແຕ່ເລີ່ມຕົ້ນ
• ອາຊີບນັກອອກແບບເວັບ

ອ່ານ​ຕື່ມ

• ຂໍ້ມູນພາຍໃນພວກເຮົາ: bioinformaticians ເຮັດຫຍັງແດ່?
• ການຮຽນຮູ້ເຄື່ອງຈັກ ແລະວິໄສທັດຄອມພິວເຕີໃນອຸດສາຫະກໍາບໍ່ແຮ່

ແຫຼ່ງຂໍ້ມູນ: www.habr.com