ഒരു ഡാറ്റാ സയൻസ് ചാർലാറ്റനെ എങ്ങനെ തിരിച്ചറിയാം?

അനലിസ്റ്റുകൾ, മെഷീൻ ലേണിംഗ്, ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സ്പെഷ്യലിസ്റ്റുകൾ എന്നിവയെക്കുറിച്ച് നിങ്ങൾ കേട്ടിട്ടുണ്ടാകാം, എന്നാൽ അർഹതയില്ലാതെ അമിതമായി പ്രതിഫലം വാങ്ങുന്നവരെക്കുറിച്ച് നിങ്ങൾ കേട്ടിട്ടുണ്ടോ? കണ്ടുമുട്ടുക ഡാറ്റ charlatan! ലാഭകരമായ ജോലികളാൽ ആകർഷിക്കപ്പെടുന്ന ഈ കൗശലക്കാർ യഥാർത്ഥ ഡാറ്റ ശാസ്ത്രജ്ഞർക്ക് ചീത്തപ്പേര് നൽകുന്നു. അത്തരം ആളുകളെ ശുദ്ധജലത്തിലേക്ക് എങ്ങനെ കൊണ്ടുവരണമെന്ന് മെറ്റീരിയലിൽ ഞങ്ങൾ മനസ്സിലാക്കുന്നു.

ഡാറ്റ ചാർലാറ്റൻസ് എല്ലായിടത്തും ഉണ്ട്

ഡാറ്റ ചാർലാറ്റൻ‌മാർ‌ നിങ്ങൾക്ക് കഴിയുന്നത്ര വ്യക്തമായ കാഴ്ചയിൽ‌ മറയ്‌ക്കുന്നതിൽ‌ വളരെ മികച്ചവരാണ് അവരിൽ ഒരാളാകുകഅറിയാതെ തന്നെ. നിങ്ങളുടെ ഓർഗനൈസേഷൻ വർഷങ്ങളായി ഈ സ്‌കാമർമാർക്ക് അഭയം നൽകിയിട്ടുണ്ടാകാം, എന്നാൽ എന്താണ് തിരയേണ്ടതെന്ന് നിങ്ങൾക്കറിയാമെങ്കിൽ അവരെ തിരിച്ചറിയാൻ എളുപ്പമാണ് എന്നതാണ് നല്ല വാർത്ത.
ആദ്യത്തെ മുന്നറിയിപ്പ് അടയാളം എന്താണെന്ന് മനസ്സിലാകുന്നില്ല അനലിറ്റിക്‌സും സ്റ്റാറ്റിസ്റ്റിക്‌സും വളരെ വ്യത്യസ്തമായ വിഷയങ്ങളാണ്. ഞാൻ ഇത് കൂടുതൽ വിശദീകരിക്കും.

വിവിധ വിഷയങ്ങൾ

സ്ഥിതിവിവരക്കണക്കുകൾ അവരുടെ ഡാറ്റയ്ക്ക് പുറത്തുള്ള കാര്യങ്ങളെക്കുറിച്ച് നിഗമനങ്ങളിൽ എത്തിച്ചേരാൻ പരിശീലിപ്പിക്കപ്പെടുന്നു, ഒരു ഡാറ്റാസെറ്റിന്റെ ഉള്ളടക്കം പഠിക്കാൻ വിശകലന വിദഗ്ധർക്ക് പരിശീലനം നൽകുന്നു. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, വിശകലന വിദഗ്ധർ അവരുടെ ഡാറ്റയിൽ ഉള്ളതിനെ കുറിച്ച് നിഗമനങ്ങളിൽ എത്തിച്ചേരുന്നു, കൂടാതെ സ്ഥിതിവിവരക്കണക്കുകൾ ഡാറ്റയിൽ ഇല്ലാത്തതിനെക്കുറിച്ചുള്ള നിഗമനങ്ങളിൽ എത്തിച്ചേരുന്നു. നല്ല ചോദ്യങ്ങൾ (ഊഹങ്ങൾ) ചോദിക്കാൻ വിശകലന വിദഗ്ധർ നിങ്ങളെ സഹായിക്കുന്നു, കൂടാതെ നല്ല ഉത്തരങ്ങൾ ലഭിക്കാൻ സ്ഥിതിവിവരക്കണക്കുകൾ നിങ്ങളെ സഹായിക്കുന്നു (ടെസ്റ്റ് അനുമാനങ്ങൾ).

ഒരാൾ രണ്ട് കസേരകളിൽ ഇരിക്കാൻ ശ്രമിക്കുന്ന വിചിത്രമായ ഹൈബ്രിഡ് വേഷങ്ങളും ഉണ്ട് ... എന്തുകൊണ്ട്? ഡാറ്റാ സയൻസിന്റെ അടിസ്ഥാന തത്വം: നിങ്ങൾ അനിശ്ചിതത്വത്തിലാണ് ഇടപെടുന്നതെങ്കിൽ, ഉപയോഗിക്കരുത് അതുതന്നെ അനുമാനങ്ങൾക്കും പരിശോധനകൾക്കുമുള്ള ഡാറ്റ പോയിന്റ്. ഡാറ്റ പരിമിതമായിരിക്കുമ്പോൾ, അനിശ്ചിതത്വം സ്ഥിതിവിവരക്കണക്കുകൾ അല്ലെങ്കിൽ അനലിറ്റിക്സ് തിരഞ്ഞെടുക്കാൻ ഒരാളെ പ്രേരിപ്പിക്കുന്നു. വിശദീകരണം ഇവിടെ.

സ്ഥിതിവിവരക്കണക്കുകളില്ലാതെ, നിങ്ങൾ ഇപ്പോൾ രൂപപ്പെടുത്തിയ വിധി വിമർശനത്തിന് വിധേയമാണോ എന്ന് മനസിലാക്കാൻ കഴിയാതെ കുടുങ്ങിപ്പോകും, ​​വിശകലനം കൂടാതെ, അജ്ഞാതനെ മെരുക്കാനുള്ള സാധ്യത കുറവായതിനാൽ നിങ്ങൾ അന്ധമായി നീങ്ങുന്നു. ഇതൊരു ബുദ്ധിമുട്ടുള്ള തിരഞ്ഞെടുപ്പാണ്.

ഈ കുഴപ്പത്തിൽ നിന്ന് കരകയറാനുള്ള ചാൾട്ടന്റെ വഴി അത് അവഗണിക്കുകയും പെട്ടെന്ന് അത് വെളിപ്പെടുത്തുന്നതിൽ ആശ്ചര്യം നടിക്കുകയും ചെയ്യുക എന്നതാണ്. സ്ഥിതിവിവരക്കണക്കുകൾ പരിശോധിക്കുന്നതിന് പിന്നിലെ യുക്തി, നമ്മുടെ മനസ്സ് മാറ്റാൻ ആവശ്യമായ ഡാറ്റ നമ്മെ ആശ്ചര്യപ്പെടുത്തുന്നുണ്ടോ എന്ന് ചോദിക്കുന്നതിലേക്ക് ചുരുങ്ങുന്നു. ഞങ്ങൾ ഇതിനകം തന്നെ ഡാറ്റ കണ്ടിട്ടുണ്ടെങ്കിൽ അത് എങ്ങനെ അത്ഭുതപ്പെടുത്തും?

ചാൾട്ടൻമാർ ഒരു പാറ്റേൺ കണ്ടെത്തുമ്പോഴെല്ലാം, അവർ പ്രചോദനം ഉൾക്കൊണ്ട്, തുടർന്ന് പരിശോധിക്കുക അതേ ഡാറ്റ വേണ്ടി ഒരേ പാറ്റേൺഫലം പോസ്റ്റുചെയ്യുന്നതിന്, അവരുടെ സിദ്ധാന്തത്തോടൊപ്പം നിയമാനുസൃതമായ പി-മൂല്യമോ രണ്ടോ കൂടെ. അങ്ങനെ ചെയ്യുന്നതിലൂടെ, അവർ നിങ്ങളോട് കള്ളം പറയുകയാണ് (ഒരുപക്ഷേ അവരോടും). നിങ്ങളുടെ അനുമാനത്തിൽ ഉറച്ചുനിൽക്കുന്നില്ലെങ്കിൽ ഈ p-മൂല്യം പ്രശ്നമല്ല. ഇതിനായി നിങ്ങളുടെ ഡാറ്റ നിങ്ങൾ എങ്ങനെ കാണുന്നു. കാരണങ്ങൾ മനസ്സിലാക്കാതെ വിശകലന വിദഗ്ധരുടെയും സ്ഥിതിവിവരക്കണക്കുകളുടെയും പ്രവർത്തനങ്ങൾ ചാർലാറ്റൻ അനുകരിക്കുന്നു. തൽഫലമായി, ഡാറ്റാ സയൻസിന്റെ മുഴുവൻ മേഖലയും മോശം റാപ്പ് നേടുന്നു.

യഥാർത്ഥ സ്ഥിതിവിവരക്കണക്കുകൾ എല്ലായ്പ്പോഴും അവരുടെ സ്വന്തം നിഗമനങ്ങളിൽ എത്തിച്ചേരുന്നു

കർക്കശമായ ന്യായവാദങ്ങൾക്കായി സ്ഥിതിവിവരക്കണക്ക് വിദഗ്ധരുടെ ഏതാണ്ട് നിഗൂഢമായ പ്രശസ്തിക്ക് നന്ദി, ഡാറ്റാ സയൻസിലെ വ്യാജ വിവരങ്ങളുടെ അളവ് എക്കാലത്തെയും ഉയർന്ന നിലയിലാണ്. വഞ്ചിക്കാനും പിടിക്കപ്പെടാതിരിക്കാനും എളുപ്പമാണ്, പ്രത്യേകിച്ച് സംശയാസ്പദമായ ഇരകൾ എല്ലാം സമവാക്യങ്ങളും ഡാറ്റയും ആണെന്ന് കരുതുന്നുവെങ്കിൽ. ഒരു ഡാറ്റാഗണം ഒരു ഡാറ്റാഗണമാണ്, അല്ലേ? ഇല്ല. നിങ്ങൾ അത് എങ്ങനെ ഉപയോഗിക്കുന്നു എന്നത് പ്രധാനമാണ്.

ഭാഗ്യവശാൽ, ചാൾട്ടൻമാരെ പിടിക്കാൻ നിങ്ങൾക്ക് ഒരു സൂചന മാത്രമേ ആവശ്യമുള്ളൂ: അവർ "വസ്തുതയ്ക്ക് ശേഷം അമേരിക്കയെ വീണ്ടും കണ്ടെത്തുന്നു." ഡാറ്റയിൽ ഉണ്ടെന്ന് അവർക്ക് ഇതിനകം അറിയാവുന്ന പ്രതിഭാസങ്ങൾ വീണ്ടും കണ്ടെത്തുന്നു.

ചാർലാറ്റൻമാരിൽ നിന്ന് വ്യത്യസ്തമായി, നല്ല വിശകലന വിദഗ്ധർ തുറന്ന മനസ്സുള്ളവരും പ്രചോദനാത്മകമായ ആശയങ്ങൾക്ക് വ്യത്യസ്തമായ വിശദീകരണങ്ങളുണ്ടാകുമെന്ന് മനസ്സിലാക്കുന്നവരുമാണ്. അതേ സമയം, നല്ല സ്ഥിതിവിവരക്കണക്കുകൾ അവരുടെ നിഗമനങ്ങൾ നിർമ്മിക്കുന്നതിന് മുമ്പ് ശ്രദ്ധാപൂർവ്വം നിർവചിക്കുന്നു.

വിശകലന വിദഗ്ധരെ ബാധ്യതയിൽ നിന്ന് ഒഴിവാക്കിയിരിക്കുന്നു... അവർ അവരുടെ ഡാറ്റയ്ക്ക് അപ്പുറത്തേക്ക് പോകാത്തിടത്തോളം. കാണാത്ത എന്തെങ്കിലും അവകാശപ്പെടാൻ അവർ പ്രലോഭിപ്പിച്ചാൽ, അത് മറ്റൊരു ജോലിയാണ്. അവർ ഒരു അനലിസ്റ്റ് എന്ന നിലയിൽ "അവരുടെ ഷൂസ് അഴിച്ചുമാറ്റുകയും" ഒരു സ്റ്റാറ്റിസ്റ്റിഷ്യന്റെ ഷൂകളിലേക്ക് "മാറ്റുകയും" ചെയ്യണം. എല്ലാത്തിനുമുപരി, ഔദ്യോഗിക ജോലിയുടെ പേര് എന്തായാലും, നിങ്ങൾക്ക് വേണമെങ്കിൽ രണ്ട് ട്രേഡുകളും പഠിക്കാൻ കഴിയില്ലെന്ന് ഒരു നിയമവുമില്ല. വെറുതെ അവരെ ആശയക്കുഴപ്പത്തിലാക്കരുത്.

സ്ഥിതിവിവരക്കണക്കുകളിൽ നിങ്ങൾ മിടുക്കനാണ് എന്നതുകൊണ്ട് നിങ്ങൾ അനലിറ്റിക്‌സിൽ നല്ലവനാണെന്ന് അർത്ഥമാക്കുന്നില്ല, തിരിച്ചും. ആരെങ്കിലും നിങ്ങളോട് മറിച്ചാണ് പറയാൻ ശ്രമിക്കുന്നതെങ്കിൽ, നിങ്ങൾ ജാഗ്രത പാലിക്കണം. നിങ്ങൾ ഇതിനകം പഠിച്ച ഡാറ്റയിൽ ഒരു സ്റ്റാറ്റിസ്റ്റിക്കൽ അനുമാനം വരയ്ക്കാൻ നിങ്ങളെ അനുവദിച്ചിട്ടുണ്ടെന്ന് ഈ വ്യക്തി നിങ്ങളോട് പറയുകയാണെങ്കിൽ, ഇത് ഇരട്ടി ജാഗ്രത പുലർത്താനുള്ള ഒരു കാരണമാണ്.

വിചിത്രമായ വിശദീകരണങ്ങൾ

കാട്ടിലെ ഡാറ്റാ ചാർലാറ്റൻസിനെ നിങ്ങൾ നിരീക്ഷിക്കുമ്പോൾ, നിരീക്ഷിച്ച ഡാറ്റയെ "വിശദീകരിക്കാൻ" ഫാന്റസി കഥകൾ നിർമ്മിക്കാൻ അവർ ഇഷ്ടപ്പെടുന്നതായി നിങ്ങൾ ശ്രദ്ധിക്കും. കൂടുതൽ അക്കാദമിക് നല്ലത്. ഈ കഥകൾ മുൻഗാമികളാണെന്നത് പ്രശ്നമല്ല.

ചാൾട്ടൻമാർ ഇത് ചെയ്യുമ്പോൾ - ഞാൻ വാക്കുകളിൽ ഉദാരമായി പെരുമാറട്ടെ - അവർ കള്ളം പറയുകയാണ്. എത്ര സമവാക്യങ്ങളോ മനോഹരമായ ആശയങ്ങളോ അവർ തങ്ങളുടെ പതിപ്പുകൾക്ക് പൂജ്യം തെളിവ് വാഗ്ദാനം ചെയ്തിട്ടില്ല. അവരുടെ വിശദീകരണങ്ങൾ എത്ര അസാധാരണമാണെന്ന് ആശ്ചര്യപ്പെടേണ്ടതില്ല.

ഇത് ആദ്യം നിങ്ങളുടെ കൈകളിലെ കാർഡുകൾ നോക്കി നിങ്ങളുടെ "മാനസിക" കഴിവുകൾ പ്രകടിപ്പിക്കുന്നതിന് തുല്യമാണ്, തുടർന്ന് നിങ്ങൾ എന്താണ് കൈവശം വച്ചിരിക്കുന്നതെന്ന് പ്രവചിക്കുക. ഇത് മുൻകരുതൽ പക്ഷപാതമാണ്, കൂടാതെ ഡാറ്റാ സയൻസ് പ്രൊഫഷൻ അതിൽ നിറഞ്ഞിരിക്കുന്നു.

വിശകലന വിദഗ്ധർ പറയുന്നു: "നിങ്ങൾ വജ്ര രാജ്ഞിയുമായി പോയി." സ്ഥിതിവിവരക്കണക്കുകൾ പറയുന്നു, “ഞങ്ങൾ ആരംഭിക്കുന്നതിന് മുമ്പ് ഞാൻ എന്റെ അനുമാനങ്ങൾ ഈ കടലാസിൽ എഴുതി. നമുക്ക് ചുറ്റും കളിച്ച് കുറച്ച് ഡാറ്റ നോക്കാം, ഞാൻ ശരിയാണോ എന്ന് നോക്കാം." ചാർലാറ്റൻസ് പറയുന്നു: "നിങ്ങൾ ഈ വജ്ര രാജ്ഞിയാകുമെന്ന് എനിക്കറിയാമായിരുന്നു, കാരണം..."

എല്ലാവർക്കും ആവശ്യമുള്ള പെട്ടെന്നുള്ള പരിഹാരമാണ് ഡാറ്റ പാർട്ടീഷനിംഗ്.

കൂടുതൽ ഡാറ്റ ഇല്ലെങ്കിൽ, നിങ്ങൾ സ്ഥിതിവിവരക്കണക്കുകളും അനലിറ്റിക്‌സും തിരഞ്ഞെടുക്കേണ്ടതുണ്ട്, എന്നാൽ ആവശ്യത്തിലധികം ഡാറ്റ ഉള്ളപ്പോൾ, വഞ്ചന കൂടാതെ അനലിറ്റിക്‌സ് ഉപയോഗിക്കാൻ മികച്ച അവസരമുണ്ട്. и സ്ഥിതിവിവരക്കണക്കുകൾ. ചാർലാറ്റനുകൾക്കെതിരെ നിങ്ങൾക്ക് തികഞ്ഞ പരിരക്ഷയുണ്ട് - ഇത് ഡാറ്റയുടെ വേർതിരിവാണ്, എന്റെ അഭിപ്രായത്തിൽ, ഡാറ്റാ സയൻസിലെ ഏറ്റവും ശക്തമായ ആശയമാണിത്.

ചാർലാറ്റൻമാരിൽ നിന്ന് സ്വയം പരിരക്ഷിക്കുന്നതിന്, നിങ്ങൾ ചെയ്യേണ്ടത് അവരുടെ കണ്ണുകളിൽ നിന്ന് കുറച്ച് ടെസ്റ്റ് ഡാറ്റ സൂക്ഷിക്കുന്നുണ്ടെന്ന് ഉറപ്പാക്കുകയും ബാക്കിയുള്ളതെല്ലാം അനലിറ്റിക്‌സ് ആയി കണക്കാക്കുകയും ചെയ്യുക. നിങ്ങൾ അംഗീകരിക്കാൻ സാധ്യതയുള്ള ഒരു സിദ്ധാന്തം നിങ്ങൾ കാണുമ്പോൾ, സാഹചര്യം വിലയിരുത്താൻ അത് ഉപയോഗിക്കുക, തുടർന്ന് സിദ്ധാന്തം അസംബന്ധമല്ലെന്ന് സ്ഥിരീകരിക്കുന്നതിന് നിങ്ങളുടെ രഹസ്യ പരിശോധന ഡാറ്റ വെളിപ്പെടുത്തുക. ഇത് വളരെ ലളിതമാണ്!

പര്യവേക്ഷണ ഘട്ടത്തിൽ ടെസ്റ്റ് ഡാറ്റ കാണാൻ ആരെയും അനുവദിക്കുന്നില്ലെന്ന് ഉറപ്പാക്കുക. ഇത് ചെയ്യുന്നതിന്, ഗവേഷണ ഡാറ്റയിൽ ഉറച്ചുനിൽക്കുക. വിശകലനത്തിനായി ടെസ്റ്റ് ഡാറ്റ ഉപയോഗിക്കരുത്.

"ചെറിയ ഡാറ്റ" യുടെ കാലഘട്ടത്തിൽ ആളുകൾ ഉപയോഗിച്ചതിൽ നിന്ന് ഒരു വലിയ ചുവടുവയ്പ്പാണിത്, അവിടെ നിങ്ങൾക്ക് ശരിക്കും എന്തെങ്കിലും അറിയാമെന്ന് ആളുകളെ ബോധ്യപ്പെടുത്തുന്നതിന് നിങ്ങൾക്ക് അറിയാവുന്നത് എങ്ങനെയെന്ന് നിങ്ങൾ വിശദീകരിക്കേണ്ടതുണ്ട്.

ML/AI-യിലും ഇതേ നിയമങ്ങൾ പ്രയോഗിക്കുന്നു

ML/AI വിദഗ്‌ധരായി വേഷമിടുന്ന ചില ചാർലറ്റൻമാരെയും എളുപ്പത്തിൽ കണ്ടെത്താനാകും. മറ്റേതൊരു മോശം എഞ്ചിനീയറെയും നിങ്ങൾ പിടിക്കുന്നതുപോലെ നിങ്ങൾ അവരെ പിടിക്കും: അവർ നിർമ്മിക്കാൻ ശ്രമിക്കുന്ന "പരിഹാരങ്ങൾ" നിരന്തരം പരാജയപ്പെടുന്നു. വ്യവസായ നിലവാരമുള്ള ഭാഷകളുമായും പ്രോഗ്രാമിംഗ് ലൈബ്രറികളുമായും പരിചയക്കുറവാണ് നേരത്തെയുള്ള മുന്നറിയിപ്പ് അടയാളം.

എന്നാൽ പ്രവർത്തിക്കുന്നതായി തോന്നുന്ന സംവിധാനങ്ങൾ നിർമ്മിക്കുന്ന ആളുകളുടെ കാര്യമോ? സംശയാസ്പദമായ എന്തെങ്കിലും നടക്കുന്നുണ്ടോ എന്ന് നിങ്ങൾക്ക് എങ്ങനെ അറിയാം? അതേ നിയമം ബാധകമാണ്! മോഡൽ സൃഷ്‌ടിക്കാൻ അവർ ഉപയോഗിച്ച അതേ ഡാറ്റയിൽ തന്നെ മോഡൽ എത്ര നന്നായി പ്രവർത്തിച്ചുവെന്ന് നിങ്ങളെ കാണിക്കുന്ന ഒരു മോശം കഥാപാത്രമാണ് ചാർലറ്റൻ.

നിങ്ങൾ വളരെ സങ്കീർണ്ണമായ ഒരു മെഷീൻ ലേണിംഗ് സിസ്റ്റം നിർമ്മിച്ചിട്ടുണ്ടെങ്കിൽ, അത് എത്ര നല്ലതാണെന്ന് നിങ്ങൾക്ക് എങ്ങനെ അറിയാം? അവൾ മുമ്പ് കണ്ടിട്ടില്ലാത്ത പുതിയ ഡാറ്റയുമായി പ്രവർത്തിക്കുന്നതായി നിങ്ങൾ കാണിക്കുന്നത് വരെ നിങ്ങൾക്കറിയില്ല.

പ്രവചനത്തിന് മുമ്പ് നിങ്ങൾ ഡാറ്റ കണ്ടപ്പോൾ, അതിന് സാധ്യതയില്ല മുമ്പ്പറയുന്നു

വിഭജിക്കാൻ ആവശ്യമായ ഡാറ്റ നിങ്ങളുടെ പക്കലുണ്ടെങ്കിൽ, ഒരു പ്രോജക്‌റ്റിനെ ന്യായീകരിക്കാൻ നിങ്ങളുടെ സൂത്രവാക്യങ്ങളുടെ ഭംഗി നിങ്ങൾ ആവശ്യപ്പെടേണ്ടതില്ല (ശാസ്ത്രത്തിൽ മാത്രമല്ല, എല്ലായിടത്തും ഞാൻ കാണുന്ന ഒരു പഴയ ഫാഷനബിൾ ശീലം). നിനക്ക് പറയാൻ കഴിയും: “ഇത് പ്രവർത്തിക്കുമെന്ന് എനിക്കറിയാം, കാരണം ഞാൻ മുമ്പ് കണ്ടിട്ടില്ലാത്ത ഒരു ഡാറ്റാ സെറ്റ് എടുത്ത് അവിടെ എന്ത് സംഭവിക്കുമെന്ന് കൃത്യമായി പ്രവചിക്കാൻ എനിക്ക് കഴിയും… ഞാൻ ശരിയാകും. വീണ്ടും വീണ്ടും".

പുതിയ ഡാറ്റയ്‌ക്കെതിരെ നിങ്ങളുടെ മോഡൽ/സിദ്ധാന്തം പരിശോധിക്കുന്നത് വിശ്വാസത്തിനുള്ള ഏറ്റവും മികച്ച അടിസ്ഥാനമാണ്.

ഡാറ്റാ ചാർജുകളെ ഞാൻ സഹിക്കില്ല. നിങ്ങളുടെ അഭിപ്രായം വ്യത്യസ്ത ചിപ്പുകളെ അടിസ്ഥാനമാക്കിയുള്ളതാണെങ്കിൽ ഞാൻ കാര്യമാക്കുന്നില്ല. വിശദീകരണങ്ങളുടെ ഭംഗി എന്നെ ആകർഷിച്ചില്ല. നിങ്ങൾ മുമ്പൊരിക്കലും കണ്ടിട്ടില്ലാത്ത പുതിയ ഡാറ്റയുടെ ഒരു ശ്രേണിയിൽ നിങ്ങളുടെ സിദ്ധാന്തം/മോഡൽ പ്രവർത്തിക്കുന്നുവെന്ന് എന്നെ കാണിക്കുക. നിങ്ങളുടെ അഭിപ്രായത്തിന്റെ ശക്തിയുടെ യഥാർത്ഥ പരീക്ഷണമാണിത്.

ഡാറ്റാ സയന്റിസ്റ്റുകളെ ബന്ധപ്പെടുന്നു

ഈ നർമ്മം മനസ്സിലാക്കുന്ന ആരെങ്കിലും നിങ്ങളെ ഗൗരവമായി എടുക്കാൻ ആഗ്രഹിക്കുന്നുവെങ്കിൽ, നിങ്ങളുടെ വ്യക്തിപരമായ പക്ഷപാതം സജീവമായി നിലനിർത്താൻ ഫാൻസി സമവാക്യങ്ങൾക്ക് പിന്നിൽ ഒളിച്ചിരിക്കുന്നത് നിർത്തുക. നിങ്ങൾക്ക് ഉള്ളത് കാണിക്കുക. നിങ്ങളുടെ സിദ്ധാന്തം/മാതൃകയെ പ്രചോദനാത്മക കവിത എന്നതിലുപരിയായി "അത് നേടുന്നവർ" കാണണമെന്ന് നിങ്ങൾ ആഗ്രഹിക്കുന്നുവെങ്കിൽ, ഒരു പുതിയ ഡാറ്റാ സെറ്റിൽ അത് എത്രത്തോളം നന്നായി പ്രവർത്തിക്കുന്നു എന്നതിന്റെ മഹത്തായ പ്രദർശനം സാക്ഷികൾക്ക് മുന്നിൽ അവതരിപ്പിക്കാൻ ധൈര്യപ്പെടുക!

നേതാക്കളോട് അഭ്യർത്ഥിക്കുക

ഡാറ്റയെക്കുറിച്ചുള്ള ഏതെങ്കിലും "ആശയങ്ങൾ" അത് പരിശോധിക്കപ്പെടുന്നതുവരെ ഗൗരവമായി എടുക്കാൻ വിസമ്മതിക്കുക പുതിയത് ഡാറ്റ. പ്രയത്നത്തിൽ ഏർപ്പെടാൻ ആഗ്രഹിക്കുന്നില്ലേ? അനലിറ്റിക്സിൽ ഉറച്ചുനിൽക്കുക, എന്നാൽ ഈ ആശയങ്ങളിൽ ആശ്രയിക്കരുത് - അവ വിശ്വസനീയമല്ല, വിശ്വാസ്യതയ്ക്കായി പരീക്ഷിച്ചിട്ടില്ല. കൂടാതെ, ഒരു ഓർഗനൈസേഷന് ധാരാളമായി ഡാറ്റ ഉള്ളപ്പോൾ, വേർതിരിക്കൽ ശാസ്ത്രത്തിന്റെ അടിത്തറയാക്കുന്നതിനും സ്ഥിതിവിവരക്കണക്കുകൾക്കായുള്ള ടെസ്റ്റ് ഡാറ്റയിലേക്കുള്ള ആക്സസ് നിയന്ത്രിച്ചുകൊണ്ട് അടിസ്ഥാന സൗകര്യ തലത്തിൽ അത് നിലനിർത്തുന്നതിനും ഒരു പോരായ്മയുമില്ല. നിങ്ങളെ കബളിപ്പിക്കാനുള്ള ശ്രമങ്ങൾ അവസാനിപ്പിക്കാനുള്ള മികച്ച മാർഗമാണിത്!

ചാൾട്ടൻമാർ മോശമായ എന്തെങ്കിലും ഗൂഢാലോചന നടത്തുന്നതിന്റെ കൂടുതൽ ഉദാഹരണങ്ങൾ നിങ്ങൾക്ക് കാണണമെങ്കിൽ - ഇതൊരു മികച്ച ട്വിറ്റർ ത്രെഡ് ആണ്.

ഫലങ്ങൾ

ഡാറ്റ വേർതിരിക്കാനാവാത്തവിധം ചെറുതായിരിക്കുമ്പോൾ, ചാൾട്ടൻ മാത്രമാണ് പ്രചോദനം കർശനമായി പിന്തുടരാൻ ശ്രമിക്കുന്നത്, അമേരിക്കയെ മുൻകാലങ്ങളിൽ കണ്ടെത്തി, ഡാറ്റയിൽ ഇതിനകം അറിയപ്പെട്ടിരുന്ന പ്രതിഭാസങ്ങളെ ഗണിതശാസ്ത്രപരമായി വീണ്ടും കണ്ടെത്തി, ആശ്ചര്യത്തെ സ്ഥിതിവിവരക്കണക്ക് പ്രാധാന്യമുള്ളതായി വിളിക്കുന്നു. പ്രചോദനം കൈകാര്യം ചെയ്യുന്ന തുറന്ന മനസ്സുള്ള അനലിസ്റ്റിൽ നിന്നും പ്രവചിക്കുമ്പോൾ തെളിവുകൾ വാഗ്ദാനം ചെയ്യുന്ന സൂക്ഷ്മമായ സ്ഥിതിവിവരക്കണക്ക് വിദഗ്ധനിൽ നിന്നും ഇത് അവരെ വേർതിരിക്കുന്നു.

ധാരാളം ഡാറ്റ ഉള്ളപ്പോൾ, ഡാറ്റ പങ്കിടുന്നത് ശീലമാക്കുക, അതുവഴി നിങ്ങൾക്ക് രണ്ട് ലോകങ്ങളിലും മികച്ചത് നേടാനാകും! യഥാർത്ഥ ഡാറ്റാ പൈലിന്റെ പ്രത്യേക ഉപവിഭാഗങ്ങൾക്കായി അനലിറ്റിക്‌സും സ്ഥിതിവിവരക്കണക്കുകളും പ്രത്യേകം ചെയ്യുന്നത് ഉറപ്പാക്കുക.

• അനലിസ്റ്റുകൾ നിങ്ങൾക്ക് പ്രചോദനവും തുറന്ന മനസ്സും വാഗ്ദാനം ചെയ്യുന്നു.
• സ്ഥിതിവിവരക്കണക്കുകൾ നിങ്ങൾക്ക് കർശനമായ പരിശോധന വാഗ്ദാനം ചെയ്യുന്നു.
• ചാർലാറ്റൻസ് അനലിറ്റിക്‌സും സ്ഥിതിവിവരക്കണക്കുകളും ആണെന്ന് നടിക്കുന്ന ഒരു വളച്ചൊടിച്ച ഹിൻഡ്‌സൈറ്റ് നിങ്ങൾക്ക് വാഗ്ദാനം ചെയ്യുന്നു.

ഒരുപക്ഷേ, ലേഖനം വായിച്ചതിനുശേഷം, "ഞാൻ ഒരു ചാൾട്ടനാണോ" എന്ന ചിന്ത നിങ്ങൾക്ക് ഉണ്ടാകുമോ? ഇത് കൊള്ളാം. ഈ ചിന്തയിൽ നിന്ന് രക്ഷപ്പെടാൻ രണ്ട് വഴികളുണ്ട്: ആദ്യം, തിരിഞ്ഞു നോക്കുക, നിങ്ങൾ എന്താണ് ചെയ്തതെന്ന് കാണുക, ഡാറ്റ ഉപയോഗിച്ചുള്ള നിങ്ങളുടെ ജോലി പ്രായോഗിക നേട്ടങ്ങൾ കൈവരിച്ചിട്ടുണ്ടോ എന്ന്. രണ്ടാമതായി, നിങ്ങൾക്ക് ഇപ്പോഴും നിങ്ങളുടെ യോഗ്യതകളിൽ പ്രവർത്തിക്കാൻ കഴിയും (അത് തീർച്ചയായും അമിതമായിരിക്കില്ല), പ്രത്യേകിച്ചും ഞങ്ങളുടെ വിദ്യാർത്ഥികൾക്ക് പ്രായോഗിക കഴിവുകളും അറിവും ഞങ്ങൾ നൽകുന്നതിനാൽ യഥാർത്ഥ ഡാറ്റ ശാസ്ത്രജ്ഞരാകാൻ അവരെ അനുവദിക്കുന്നു.

• ആദ്യം മുതൽ ഡാറ്റാ സയൻസ് പ്രൊഫഷൻ പഠിപ്പിക്കുന്നു
• ഡാറ്റ സയൻസ് ഓൺലൈൻ ബൂട്ട്ക്യാമ്പ്
• ഡാറ്റാ അനലിസ്റ്റിന്റെ തൊഴിൽ ആദ്യം മുതൽ പരിശീലിപ്പിക്കുന്നു
• ഡാറ്റ അനലിറ്റിക്സ് ഓൺലൈൻ ബൂട്ട്ക്യാമ്പ്

കൂടുതൽ കോഴ്സുകൾ

• മെഷീൻ ലേണിംഗ് കോഴ്സ്
• കോഴ്‌സ് "ഡാറ്റ സയൻസിന് മാത്തമാറ്റിക്സും മെഷീൻ ലേണിംഗും"
• വിപുലമായ കോഴ്‌സ് "മെഷീൻ ലേണിംഗ് പ്രോ + ഡീപ് ലേണിംഗ്"
• ഡാറ്റ അനലിറ്റിക്സ് കോഴ്സ്
• DevOps കോഴ്സ്
• വെബ് ഡെവലപ്‌മെന്റ് കോഴ്‌സിനായുള്ള പൈത്തൺ
• പ്രൊഫഷണൽ വെബ് ഡെവലപ്പർ
• ആദ്യം മുതൽ തൊഴിൽ iOS ഡെവലപ്പർ
• പ്രൊഫഷൻ ആൻഡ്രോയിഡ് ഡെവലപ്പർ ആദ്യം മുതൽ
• ആദ്യം മുതൽ പ്രൊഫഷണൽ ജാവ ഡെവലപ്പർ
• ജാവാസ്ക്രിപ്റ്റ് കോഴ്സ്
• ആദ്യം മുതൽ പ്രൊഫഷൻ UX ഡിസൈനർ
• പ്രൊഫഷണൽ വെബ് ഡിസൈനർ

കൂടുതല് വായിക്കുക

• നമ്മുടെ ഉള്ളിലെ ഡാറ്റ: ബയോ ഇൻഫോർമാറ്റിഷ്യൻമാർ എന്താണ് ചെയ്യുന്നത്?
• ഖനന വ്യവസായത്തിലെ മെഷീൻ ലേണിംഗ്, കമ്പ്യൂട്ടർ വിഷൻ

അവലംബം: www.habr.com