ਡੇਟਾ ਸਾਇੰਸ ਤੋਂ ਚਾਰਲੈਟਨ ਨੂੰ ਕਿਵੇਂ ਪਛਾਣਿਆ ਜਾਵੇ?

ਤੁਸੀਂ ਵਿਸ਼ਲੇਸ਼ਕਾਂ, ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਅਤੇ ਨਕਲੀ ਖੁਫੀਆ ਮਾਹਿਰਾਂ ਬਾਰੇ ਸੁਣਿਆ ਹੋਵੇਗਾ, ਪਰ ਕੀ ਤੁਸੀਂ ਉਨ੍ਹਾਂ ਬਾਰੇ ਸੁਣਿਆ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਨਾਜਾਇਜ਼ ਤੌਰ 'ਤੇ ਜ਼ਿਆਦਾ ਭੁਗਤਾਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ? ਮਿਲੋ ਡਾਟਾ charlatan! ਇਹ ਹੈਕ, ਮੁਨਾਫ਼ੇ ਵਾਲੀਆਂ ਨੌਕਰੀਆਂ ਦੇ ਲਾਲਚ ਵਿੱਚ, ਅਸਲ ਡਾਟਾ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਬਦਨਾਮ ਕਰਦੇ ਹਨ। ਸਮੱਗਰੀ ਵਿੱਚ ਅਸੀਂ ਸਮਝਦੇ ਹਾਂ ਕਿ ਅਜਿਹੇ ਲੋਕਾਂ ਨੂੰ ਸਾਫ਼ ਪਾਣੀ ਵਿੱਚ ਕਿਵੇਂ ਲਿਆਉਣਾ ਹੈ.

ਡਾਟਾ ਚਾਰਲੈਟਨਸ ਹਰ ਜਗ੍ਹਾ ਹਨ

ਡੇਟਾ ਚਾਰਲੈਟਨਸ ਸਾਦੀ ਨਜ਼ਰ ਵਿੱਚ ਛੁਪਾਉਣ ਵਿੱਚ ਇੰਨੇ ਚੰਗੇ ਹਨ ਕਿ ਤੁਸੀਂ ਕਰ ਸਕਦੇ ਹੋ ਉਹਨਾਂ ਵਿੱਚੋਂ ਇੱਕ ਬਣੋਇਸ ਨੂੰ ਮਹਿਸੂਸ ਕੀਤੇ ਬਿਨਾਂ. ਸੰਭਾਵਨਾਵਾਂ ਹਨ, ਤੁਹਾਡੀ ਸੰਸਥਾ ਸਾਲਾਂ ਤੋਂ ਇਹਨਾਂ ਡਰਪੋਕ ਮੁੰਡਿਆਂ ਨੂੰ ਪਨਾਹ ਦੇ ਰਹੀ ਹੈ, ਪਰ ਚੰਗੀ ਖ਼ਬਰ ਇਹ ਹੈ ਕਿ ਜੇ ਤੁਸੀਂ ਜਾਣਦੇ ਹੋ ਕਿ ਕੀ ਲੱਭਣਾ ਹੈ ਤਾਂ ਉਹਨਾਂ ਦੀ ਪਛਾਣ ਕਰਨਾ ਆਸਾਨ ਹੈ।
ਪਹਿਲੀ ਚੇਤਾਵਨੀ ਦਾ ਚਿੰਨ੍ਹ ਇਸ ਨੂੰ ਸਮਝਣ ਦੀ ਘਾਟ ਹੈ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਅੰਕੜੇ ਬਹੁਤ ਵੱਖਰੇ ਅਨੁਸ਼ਾਸਨ ਹਨ. ਮੈਂ ਇਸਦੀ ਹੋਰ ਵਿਆਖਿਆ ਕਰਾਂਗਾ।

ਫੁਟਕਲ ਅਨੁਸ਼ਾਸਨ

ਅੰਕੜਾ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਉਹਨਾਂ ਦੇ ਡੇਟਾ ਤੋਂ ਪਰੇ ਜਾਣ ਬਾਰੇ ਸਿੱਟੇ ਕੱਢਣ ਲਈ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਵਿਸ਼ਲੇਸ਼ਕਾਂ ਨੂੰ ਡੇਟਾ ਸੈੱਟ ਦੀ ਸਮੱਗਰੀ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ। ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਵਿਸ਼ਲੇਸ਼ਕ ਉਹਨਾਂ ਦੇ ਡੇਟਾ ਵਿੱਚ ਕੀ ਹੈ ਇਸ ਬਾਰੇ ਸਿੱਟੇ ਕੱਢਦੇ ਹਨ, ਅਤੇ ਅੰਕੜਾ ਵਿਗਿਆਨੀ ਇਸ ਬਾਰੇ ਸਿੱਟੇ ਕੱਢਦੇ ਹਨ ਕਿ ਡੇਟਾ ਵਿੱਚ ਕੀ ਨਹੀਂ ਹੈ। ਵਿਸ਼ਲੇਸ਼ਕ ਤੁਹਾਨੂੰ ਚੰਗੇ ਸਵਾਲ ਪੁੱਛਣ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ (ਕਲਪਨਾ ਬਣਾਉਣ), ਅਤੇ ਅੰਕੜਾ ਵਿਗਿਆਨੀ ਤੁਹਾਨੂੰ ਚੰਗੇ ਜਵਾਬ ਪ੍ਰਾਪਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ (ਤੁਹਾਡੀਆਂ ਧਾਰਨਾਵਾਂ ਦੀ ਜਾਂਚ ਕਰੋ)।

ਇੱਥੇ ਅਜੀਬ ਹਾਈਬ੍ਰਿਡ ਰੋਲ ਵੀ ਹਨ ਜਿੱਥੇ ਇੱਕ ਵਿਅਕਤੀ ਦੋ ਕੁਰਸੀਆਂ 'ਤੇ ਬੈਠਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ... ਕਿਉਂ ਨਹੀਂ? ਡਾਟਾ ਵਿਗਿਆਨ ਦਾ ਮੂਲ ਸਿਧਾਂਤ: ਜੇਕਰ ਤੁਸੀਂ ਅਨਿਸ਼ਚਿਤਤਾ ਨਾਲ ਨਜਿੱਠ ਰਹੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਇਸਦੀ ਵਰਤੋਂ ਨਹੀਂ ਕਰ ਸਕਦੇ ਸਮਾਨ ਅਨੁਮਾਨਾਂ ਅਤੇ ਟੈਸਟਿੰਗ ਲਈ ਡੇਟਾ ਪੁਆਇੰਟ. ਜਦੋਂ ਡੇਟਾ ਸੀਮਤ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਅਨਿਸ਼ਚਿਤਤਾ ਅੰਕੜਿਆਂ ਜਾਂ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਵਿਕਲਪ ਨੂੰ ਮਜਬੂਰ ਕਰਦੀ ਹੈ। ਵਿਆਖਿਆ ਇੱਥੇ.

ਅੰਕੜਿਆਂ ਦੇ ਬਿਨਾਂ, ਤੁਸੀਂ ਅਟਕ ਜਾਵੋਗੇ ਅਤੇ ਇਹ ਸਮਝਣ ਵਿੱਚ ਅਸਮਰੱਥ ਹੋਵੋਗੇ ਕਿ ਤੁਹਾਡੇ ਦੁਆਰਾ ਹੁਣੇ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਨਿਰਣਾ ਕਾਇਮ ਹੈ ਜਾਂ ਨਹੀਂ, ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤੇ ਬਿਨਾਂ, ਤੁਸੀਂ ਅਣਜਾਣ ਨੂੰ ਕਾਬੂ ਕਰਨ ਦੀ ਬਹੁਤ ਘੱਟ ਸੰਭਾਵਨਾ ਦੇ ਨਾਲ, ਅੰਨ੍ਹੇਵਾਹ ਅੱਗੇ ਵਧ ਰਹੇ ਹੋ। ਇਹ ਇੱਕ ਮੁਸ਼ਕਲ ਚੋਣ ਹੈ.

ਇਸ ਗੜਬੜ ਵਿੱਚੋਂ ਬਾਹਰ ਨਿਕਲਣ ਦਾ ਰਸਤਾ ਇਸ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ ਹੈ ਅਤੇ ਫਿਰ ਅਚਾਨਕ ਜੋ ਕੁਝ ਪ੍ਰਗਟ ਹੁੰਦਾ ਹੈ ਉਸ 'ਤੇ ਹੈਰਾਨ ਹੋਣ ਦਾ ਦਿਖਾਵਾ ਕਰਨਾ ਹੈ। ਅੰਕੜਾ ਅਨੁਮਾਨਾਂ ਦੀ ਜਾਂਚ ਕਰਨ ਦੇ ਪਿੱਛੇ ਦਾ ਤਰਕ ਇਹ ਪੁੱਛਣ ਲਈ ਉਬਾਲਦਾ ਹੈ ਕਿ ਕੀ ਡੇਟਾ ਸਾਨੂੰ ਸਾਡੇ ਮਨਾਂ ਨੂੰ ਬਦਲਣ ਲਈ ਕਾਫ਼ੀ ਹੈਰਾਨ ਕਰਦਾ ਹੈ। ਅਸੀਂ ਡੇਟਾ ਦੁਆਰਾ ਹੈਰਾਨ ਕਿਵੇਂ ਹੋ ਸਕਦੇ ਹਾਂ ਜੇਕਰ ਅਸੀਂ ਇਸਨੂੰ ਪਹਿਲਾਂ ਹੀ ਦੇਖਿਆ ਹੈ?

ਜਦੋਂ ਵੀ ਚਾਰਲਟਨਾਂ ਨੂੰ ਕੋਈ ਪੈਟਰਨ ਮਿਲਦਾ ਹੈ, ਉਹ ਪ੍ਰੇਰਿਤ ਹੁੰਦੇ ਹਨ, ਫਿਰ ਜਾਂਚ ਕਰੋ ਉਹੀ ਡਾਟਾ ਨੂੰ ਇੱਕੋ ਪੈਟਰਨ, ਉਹਨਾਂ ਦੇ ਸਿਧਾਂਤ ਦੇ ਅੱਗੇ, ਇੱਕ ਜਾਇਜ਼ p-ਮੁੱਲ ਜਾਂ ਦੋ ਦੇ ਨਾਲ ਨਤੀਜਾ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰਨ ਲਈ। ਇਸ ਤਰ੍ਹਾਂ, ਉਹ ਤੁਹਾਡੇ ਨਾਲ ਝੂਠ ਬੋਲ ਰਹੇ ਹਨ (ਅਤੇ, ਸ਼ਾਇਦ, ਆਪਣੇ ਆਪ ਨੂੰ ਵੀ)। ਇਹ p-ਮੁੱਲ ਮਾਇਨੇ ਨਹੀਂ ਰੱਖਦਾ ਜੇਕਰ ਤੁਸੀਂ ਆਪਣੀ ਪਰਿਕਲਪਨਾ 'ਤੇ ਕਾਇਮ ਨਹੀਂ ਰਹਿੰਦੇ ਹੋ ਨੂੰ ਤੁਸੀਂ ਆਪਣੇ ਡੇਟਾ ਨੂੰ ਕਿਵੇਂ ਦੇਖਿਆ। ਚਾਰਲਟਨ ਕਾਰਨਾਂ ਨੂੰ ਸਮਝੇ ਬਿਨਾਂ ਵਿਸ਼ਲੇਸ਼ਕਾਂ ਅਤੇ ਅੰਕੜਾ ਵਿਗਿਆਨੀਆਂ ਦੀਆਂ ਕਾਰਵਾਈਆਂ ਦੀ ਨਕਲ ਕਰਦੇ ਹਨ। ਨਤੀਜੇ ਵਜੋਂ, ਡੇਟਾ ਵਿਗਿਆਨ ਦੇ ਪੂਰੇ ਖੇਤਰ ਨੂੰ ਮਾੜੀ ਪ੍ਰਤਿਸ਼ਠਾ ਮਿਲਦੀ ਹੈ.

ਸੱਚੇ ਅੰਕੜਾਕਾਰ ਹਮੇਸ਼ਾ ਆਪਣੇ ਸਿੱਟੇ ਕੱਢਦੇ ਹਨ

ਉਹਨਾਂ ਦੇ ਸਖ਼ਤ ਤਰਕ ਲਈ ਅੰਕੜਾ ਵਿਗਿਆਨੀਆਂ ਦੀ ਲਗਭਗ ਰਹੱਸਵਾਦੀ ਪ੍ਰਤਿਸ਼ਠਾ ਦਾ ਧੰਨਵਾਦ, ਡੇਟਾ ਸਾਇੰਸ ਵਿੱਚ ਜਾਅਲੀ ਜਾਣਕਾਰੀ ਦੀ ਮਾਤਰਾ ਹਰ ਸਮੇਂ ਉੱਚੀ ਹੈ। ਧੋਖਾ ਦੇਣਾ ਅਤੇ ਫੜਿਆ ਨਹੀਂ ਜਾਣਾ ਆਸਾਨ ਹੈ, ਖਾਸ ਤੌਰ 'ਤੇ ਜੇ ਸ਼ੱਕੀ ਪੀੜਤ ਸੋਚਦਾ ਹੈ ਕਿ ਇਹ ਸਭ ਸਮੀਕਰਨਾਂ ਅਤੇ ਡੇਟਾ ਬਾਰੇ ਹੈ। ਇੱਕ ਡੇਟਾਸੈਟ ਇੱਕ ਡੇਟਾਸੈਟ ਹੈ, ਠੀਕ ਹੈ? ਨੰ. ਇਹ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ ਕਿ ਤੁਸੀਂ ਇਸਨੂੰ ਕਿਵੇਂ ਵਰਤਦੇ ਹੋ।

ਖੁਸ਼ਕਿਸਮਤੀ ਨਾਲ, ਤੁਹਾਨੂੰ ਚਾਰਲਟਨਾਂ ਨੂੰ ਫੜਨ ਲਈ ਸਿਰਫ ਇੱਕ ਸੁਰਾਗ ਦੀ ਜ਼ਰੂਰਤ ਹੈ: ਉਹ "ਅਮਰੀਕਾ ਦੀ ਖੋਜ ਕਰ ਰਹੇ ਹਨ." ਉਹਨਾਂ ਵਰਤਾਰਿਆਂ ਦੀ ਮੁੜ ਖੋਜ ਕਰਕੇ ਜੋ ਉਹ ਪਹਿਲਾਂ ਹੀ ਜਾਣਦੇ ਹਨ ਡੇਟਾ ਵਿੱਚ ਮੌਜੂਦ ਹਨ।

ਚਾਰਲਟਨਾਂ ਦੇ ਉਲਟ, ਚੰਗੇ ਵਿਸ਼ਲੇਸ਼ਕ ਖੁੱਲ੍ਹੇ ਦਿਮਾਗ ਵਾਲੇ ਹੁੰਦੇ ਹਨ ਅਤੇ ਇਹ ਸਮਝਦੇ ਹਨ ਕਿ ਪ੍ਰੇਰਣਾਦਾਇਕ ਵਿਚਾਰਾਂ ਦੇ ਕਈ ਵੱਖੋ-ਵੱਖਰੇ ਸਪੱਸ਼ਟੀਕਰਨ ਹੋ ਸਕਦੇ ਹਨ। ਇਸ ਦੇ ਨਾਲ ਹੀ, ਚੰਗੇ ਅੰਕੜਾ ਵਿਗਿਆਨੀ ਉਹਨਾਂ ਦੇ ਸਿੱਟੇ ਬਣਾਉਣ ਤੋਂ ਪਹਿਲਾਂ ਉਹਨਾਂ ਨੂੰ ਧਿਆਨ ਨਾਲ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਨ।

ਵਿਸ਼ਲੇਸ਼ਕ ਜ਼ਿੰਮੇਵਾਰੀ ਤੋਂ ਮੁਕਤ ਹਨ... ਜਿੰਨਾ ਚਿਰ ਉਹ ਆਪਣੇ ਡੇਟਾ ਦੇ ਦਾਇਰੇ ਵਿੱਚ ਰਹਿੰਦੇ ਹਨ। ਜੇ ਉਹ ਕਿਸੇ ਅਜਿਹੀ ਚੀਜ਼ ਦਾ ਦਾਅਵਾ ਕਰਨ ਲਈ ਪਰਤਾਏ ਜਾਂਦੇ ਹਨ ਜੋ ਉਨ੍ਹਾਂ ਨੇ ਨਹੀਂ ਦੇਖਿਆ, ਤਾਂ ਇਹ ਇੱਕ ਹੋਰ ਕੰਮ ਹੈ। ਉਨ੍ਹਾਂ ਨੂੰ ਵਿਸ਼ਲੇਸ਼ਕ ਦੀਆਂ ਜੁੱਤੀਆਂ ਲਾਹ ਕੇ ਅੰਕੜਾ ਵਿਗਿਆਨੀ ਦੀਆਂ ਜੁੱਤੀਆਂ ਪਾਉਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ। ਆਖ਼ਰਕਾਰ, ਭਾਵੇਂ ਕੋਈ ਵੀ ਅਧਿਕਾਰਤ ਨੌਕਰੀ ਦਾ ਸਿਰਲੇਖ ਹੋਵੇ, ਅਜਿਹਾ ਕੋਈ ਨਿਯਮ ਨਹੀਂ ਹੈ ਜੋ ਇਹ ਕਹਿੰਦਾ ਹੈ ਕਿ ਜੇ ਤੁਸੀਂ ਚਾਹੋ ਤਾਂ ਤੁਸੀਂ ਦੋਵੇਂ ਪੇਸ਼ਿਆਂ ਦਾ ਅਧਿਐਨ ਨਹੀਂ ਕਰ ਸਕਦੇ। ਬਸ ਉਹਨਾਂ ਨੂੰ ਉਲਝਣ ਨਾ ਕਰੋ.

ਸਿਰਫ਼ ਇਸ ਲਈ ਕਿ ਤੁਸੀਂ ਅੰਕੜਿਆਂ ਵਿੱਚ ਚੰਗੇ ਹੋ, ਇਸਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਤੁਸੀਂ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਚੰਗੇ ਹੋ, ਅਤੇ ਇਸਦੇ ਉਲਟ। ਜੇਕਰ ਕੋਈ ਤੁਹਾਨੂੰ ਹੋਰ ਦੱਸਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ, ਤਾਂ ਤੁਹਾਨੂੰ ਸਾਵਧਾਨ ਰਹਿਣਾ ਚਾਹੀਦਾ ਹੈ। ਜੇ ਇਹ ਵਿਅਕਤੀ ਤੁਹਾਨੂੰ ਦੱਸਦਾ ਹੈ ਕਿ ਤੁਹਾਡੇ ਦੁਆਰਾ ਪਹਿਲਾਂ ਹੀ ਅਧਿਐਨ ਕੀਤੇ ਗਏ ਡੇਟਾ ਤੋਂ ਅੰਕੜਾਤਮਕ ਸਿੱਟੇ ਕੱਢਣ ਦੀ ਇਜਾਜ਼ਤ ਹੈ, ਤਾਂ ਇਹ ਦੁੱਗਣਾ ਸਾਵਧਾਨ ਹੋਣ ਦਾ ਕਾਰਨ ਹੈ।

ਅਜੀਬ ਵਿਆਖਿਆ

ਜਦੋਂ ਤੁਸੀਂ ਜੰਗਲੀ ਵਿੱਚ ਡੇਟਾ ਚਾਰਲੈਟਨਸ ਨੂੰ ਦੇਖਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਵੇਖੋਗੇ ਕਿ ਉਹ ਨਿਰੀਖਣ ਕੀਤੇ ਡੇਟਾ ਨੂੰ "ਸਮਝਾਉਣ" ਲਈ ਕਲਪਨਾ ਕਹਾਣੀਆਂ ਬਣਾਉਣਾ ਪਸੰਦ ਕਰਦੇ ਹਨ। ਜਿੰਨਾ ਜ਼ਿਆਦਾ ਅਕਾਦਮਿਕ ਓਨਾ ਹੀ ਵਧੀਆ। ਇਸ ਨਾਲ ਕੋਈ ਫਰਕ ਨਹੀਂ ਪੈਂਦਾ ਕਿ ਇਹ ਕਹਾਣੀਆਂ ਪਿਛਾਖੜੀ ਤੌਰ 'ਤੇ ਚਲਾਈਆਂ ਜਾਂਦੀਆਂ ਹਨ।

ਜਦੋਂ ਚਾਰਲਟਨ ਅਜਿਹਾ ਕਰਦੇ ਹਨ - ਮੈਨੂੰ ਸ਼ਬਦਾਂ ਨਾਲ ਉਦਾਰ ਹੋਣ ਦਿਓ - ਉਹ ਝੂਠ ਬੋਲ ਰਹੇ ਹਨ। ਸਮੀਕਰਨਾਂ ਜਾਂ ਸੁੰਦਰ ਸੰਕਲਪਾਂ ਦੀ ਕੋਈ ਮਾਤਰਾ ਇਸ ਤੱਥ ਲਈ ਨਹੀਂ ਬਣਦੀ ਹੈ ਕਿ ਉਨ੍ਹਾਂ ਨੇ ਆਪਣੇ ਸੰਸਕਰਣਾਂ ਦਾ ਜ਼ੀਰੋ ਸਬੂਤ ਪੇਸ਼ ਕੀਤਾ ਹੈ। ਹੈਰਾਨ ਨਾ ਹੋਵੋ ਕਿ ਉਨ੍ਹਾਂ ਦੇ ਸਪੱਸ਼ਟੀਕਰਨ ਕਿੰਨੇ ਅਸਾਧਾਰਨ ਹਨ.

ਇਹ ਤੁਹਾਡੇ ਹੱਥਾਂ ਵਿੱਚ ਕਾਰਡਾਂ ਨੂੰ ਪਹਿਲਾਂ ਦੇਖ ਕੇ ਅਤੇ ਫਿਰ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੁਆਰਾ ਤੁਹਾਡੀ "ਮਾਨਸਿਕ" ਯੋਗਤਾਵਾਂ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਦੇ ਸਮਾਨ ਹੈ... ਤੁਸੀਂ ਕੀ ਫੜ ਰਹੇ ਹੋ। ਇਹ ਪਿਛਾਂਹ-ਖਿੱਚੂ ਪੱਖਪਾਤ ਹੈ, ਅਤੇ ਡੇਟਾ ਸਾਇੰਸ ਦਾ ਪੇਸ਼ਾ ਇਸ ਨਾਲ ਭਰਿਆ ਹੋਇਆ ਹੈ।

ਵਿਸ਼ਲੇਸ਼ਕ ਕਹਿੰਦੇ ਹਨ: "ਤੁਸੀਂ ਹੁਣੇ ਹੀਰਿਆਂ ਦੀ ਰਾਣੀ ਦੇ ਨਾਲ ਗਏ ਸੀ." ਅੰਕੜਾ ਵਿਗਿਆਨੀ ਕਹਿੰਦੇ ਹਨ, "ਮੈਂ ਸ਼ੁਰੂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਇਸ ਕਾਗਜ਼ ਦੇ ਟੁਕੜੇ 'ਤੇ ਆਪਣੀਆਂ ਪਰਿਕਲਪਨਾਵਾਂ ਲਿਖੀਆਂ ਸਨ। ਚਲੋ ਆਲੇ ਦੁਆਲੇ ਖੇਡੀਏ ਅਤੇ ਕੁਝ ਡੇਟਾ ਵੇਖੀਏ ਅਤੇ ਵੇਖੀਏ ਕਿ ਕੀ ਮੈਂ ਸਹੀ ਹਾਂ।" ਚਾਰਲਟਨ ਕਹਿੰਦੇ ਹਨ: "ਮੈਨੂੰ ਪਤਾ ਸੀ ਕਿ ਤੁਸੀਂ ਹੀਰਿਆਂ ਦੀ ਰਾਣੀ ਬਣੋਗੇ ਕਿਉਂਕਿ..."

ਡਾਟਾ ਸਾਂਝਾਕਰਨ ਇੱਕ ਤੇਜ਼ ਹੱਲ ਹੈ ਜਿਸਦੀ ਹਰ ਕਿਸੇ ਨੂੰ ਲੋੜ ਹੈ।

ਜਦੋਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਡੇਟਾ ਨਹੀਂ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਤੁਹਾਨੂੰ ਅੰਕੜਿਆਂ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦੀ ਚੋਣ ਕਰਨੀ ਪੈਂਦੀ ਹੈ, ਪਰ ਜਦੋਂ ਲੋੜ ਤੋਂ ਵੱਧ ਡੇਟਾ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਧੋਖੇ ਦੇ ਬਿਨਾਂ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦਾ ਇੱਕ ਵਧੀਆ ਮੌਕਾ ਹੁੰਦਾ ਹੈ и ਅੰਕੜੇ। ਤੁਹਾਡੇ ਕੋਲ ਚਾਰਲੈਟਨਸ ਦੇ ਵਿਰੁੱਧ ਸੰਪੂਰਨ ਬਚਾਅ ਹੈ - ਡੇਟਾ ਵੱਖ ਕਰਨਾ ਅਤੇ, ਮੇਰੀ ਰਾਏ ਵਿੱਚ, ਇਹ ਡੇਟਾ ਸਾਇੰਸ ਵਿੱਚ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਵਿਚਾਰ ਹੈ।

ਆਪਣੇ ਆਪ ਨੂੰ ਚਾਰਲੈਟਨਸ ਤੋਂ ਬਚਾਉਣ ਲਈ, ਤੁਹਾਨੂੰ ਬੱਸ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਦੀ ਲੋੜ ਹੈ ਕਿ ਤੁਸੀਂ ਕੁਝ ਟੈਸਟ ਡੇਟਾ ਨੂੰ ਉਹਨਾਂ ਦੀਆਂ ਅੱਖਾਂ ਦੀ ਪਹੁੰਚ ਤੋਂ ਬਾਹਰ ਰੱਖੋ, ਅਤੇ ਫਿਰ ਬਾਕੀ ਨੂੰ ਵਿਸ਼ਲੇਸ਼ਣ ਵਜੋਂ ਮੰਨੋ। ਜਦੋਂ ਤੁਸੀਂ ਕਿਸੇ ਥਿਊਰੀ ਨੂੰ ਦੇਖਦੇ ਹੋ ਜਿਸ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨ ਦੇ ਤੁਹਾਡੇ ਜੋਖਮ ਵਿੱਚ ਹਨ, ਤਾਂ ਸਥਿਤੀ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਇਸਦੀ ਵਰਤੋਂ ਕਰੋ, ਅਤੇ ਫਿਰ ਇਹ ਜਾਂਚ ਕਰਨ ਲਈ ਆਪਣੇ ਗੁਪਤ ਟੈਸਟ ਡੇਟਾ ਨੂੰ ਪ੍ਰਗਟ ਕਰੋ ਕਿ ਥਿਊਰੀ ਬਕਵਾਸ ਨਹੀਂ ਹੈ। ਇਹ ਬਹੁਤ ਸਧਾਰਨ ਹੈ!

ਇਹ ਸੁਨਿਸ਼ਚਿਤ ਕਰੋ ਕਿ ਖੋਜ ਦੇ ਪੜਾਅ ਦੌਰਾਨ ਕਿਸੇ ਨੂੰ ਵੀ ਟੈਸਟ ਡੇਟਾ ਦੇਖਣ ਦੀ ਆਗਿਆ ਨਹੀਂ ਹੈ। ਅਜਿਹਾ ਕਰਨ ਲਈ, ਖੋਜ ਡੇਟਾ ਨਾਲ ਜੁੜੇ ਰਹੋ। ਟੈਸਟ ਡੇਟਾ ਨੂੰ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਨਹੀਂ ਵਰਤਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।

ਇਹ "ਛੋਟੇ ਡੇਟਾ" ਯੁੱਗ ਵਿੱਚ ਲੋਕਾਂ ਦੀ ਆਦਤ ਤੋਂ ਇੱਕ ਵੱਡਾ ਕਦਮ ਹੈ, ਜਿੱਥੇ ਤੁਹਾਨੂੰ ਇਹ ਦੱਸਣਾ ਪੈਂਦਾ ਹੈ ਕਿ ਤੁਸੀਂ ਕੀ ਜਾਣਦੇ ਹੋ, ਅੰਤ ਵਿੱਚ ਲੋਕਾਂ ਨੂੰ ਯਕੀਨ ਦਿਵਾਉਣ ਲਈ ਕਿ ਤੁਸੀਂ ਅਸਲ ਵਿੱਚ ਕੁਝ ਜਾਣਦੇ ਹੋ।

ML/AI 'ਤੇ ਉਹੀ ਨਿਯਮ ਲਾਗੂ ਕਰਨਾ

ML/AI ਮਾਹਿਰਾਂ ਦੇ ਤੌਰ 'ਤੇ ਪੇਸ਼ ਕਰਨ ਵਾਲੇ ਕੁਝ ਚਾਰਲਟਨਾਂ ਨੂੰ ਲੱਭਣਾ ਵੀ ਆਸਾਨ ਹੈ। ਤੁਸੀਂ ਉਹਨਾਂ ਨੂੰ ਉਸੇ ਤਰ੍ਹਾਂ ਫੜੋਗੇ ਜਿਸ ਤਰ੍ਹਾਂ ਤੁਸੀਂ ਕਿਸੇ ਹੋਰ ਮਾੜੇ ਇੰਜੀਨੀਅਰ ਨੂੰ ਫੜੋਗੇ: "ਹੱਲ" ਜੋ ਉਹ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਨ, ਉਹ ਲਗਾਤਾਰ ਅਸਫਲ ਹੋ ਜਾਂਦੇ ਹਨ। ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਚੇਤਾਵਨੀ ਸੰਕੇਤ ਉਦਯੋਗ ਮਿਆਰੀ ਪ੍ਰੋਗਰਾਮਿੰਗ ਭਾਸ਼ਾਵਾਂ ਅਤੇ ਲਾਇਬ੍ਰੇਰੀਆਂ ਵਿੱਚ ਅਨੁਭਵ ਦੀ ਘਾਟ ਹੈ।

ਪਰ ਉਹਨਾਂ ਲੋਕਾਂ ਬਾਰੇ ਕੀ ਜੋ ਸਿਸਟਮ ਬਣਾਉਣ ਵਾਲੇ ਕੰਮ ਕਰਦੇ ਜਾਪਦੇ ਹਨ? ਤੁਹਾਨੂੰ ਕਿਵੇਂ ਪਤਾ ਲੱਗੇਗਾ ਕਿ ਕੁਝ ਸ਼ੱਕੀ ਹੋ ਰਿਹਾ ਹੈ? ਇਹੀ ਨਿਯਮ ਲਾਗੂ ਹੁੰਦਾ ਹੈ! ਚਾਰਲੇਟਨ ਇੱਕ ਭਿਆਨਕ ਪਾਤਰ ਹੈ ਜੋ ਤੁਹਾਨੂੰ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਮਾਡਲ ਨੇ ਕਿੰਨਾ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ... ਉਸੇ ਡੇਟਾ 'ਤੇ ਜੋ ਉਹ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਵਰਤਦੇ ਸਨ।

ਜੇਕਰ ਤੁਸੀਂ ਇੱਕ ਬਹੁਤ ਹੀ ਗੁੰਝਲਦਾਰ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਪ੍ਰਣਾਲੀ ਬਣਾਈ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਕਿਵੇਂ ਜਾਣਦੇ ਹੋ ਕਿ ਇਹ ਕਿੰਨਾ ਵਧੀਆ ਹੈ? ਤੁਹਾਨੂੰ ਉਦੋਂ ਤੱਕ ਪਤਾ ਨਹੀਂ ਲੱਗੇਗਾ ਜਦੋਂ ਤੱਕ ਤੁਸੀਂ ਉਸਨੂੰ ਨਵੇਂ ਡੇਟਾ ਨਾਲ ਕੰਮ ਨਹੀਂ ਕਰਦੇ ਦਿਖਾਉਂਦੇ ਹੋ ਜੋ ਉਸਨੇ ਪਹਿਲਾਂ ਨਹੀਂ ਦੇਖਿਆ ਹੈ।

ਜਦੋਂ ਤੁਸੀਂ ਪੂਰਵ-ਅਨੁਮਾਨ ਤੋਂ ਪਹਿਲਾਂ ਡੇਟਾ ਦੇਖਿਆ, ਤਾਂ ਇਸਦੀ ਸੰਭਾਵਨਾ ਨਹੀਂ ਹੈ ਪਹਿਲਾਂਕਹਿ ਰਿਹਾ ਹੈ।

ਜਦੋਂ ਤੁਹਾਡੇ ਕੋਲ ਵੱਖ ਕਰਨ ਲਈ ਕਾਫ਼ੀ ਡੇਟਾ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਤੁਹਾਨੂੰ ਪ੍ਰੋਜੈਕਟ ਨੂੰ ਜਾਇਜ਼ ਠਹਿਰਾਉਣ ਲਈ ਆਪਣੇ ਫਾਰਮੂਲਿਆਂ ਦੀ ਸੁੰਦਰਤਾ ਦਾ ਹਵਾਲਾ ਦੇਣ ਦੀ ਜ਼ਰੂਰਤ ਨਹੀਂ ਹੁੰਦੀ ਹੈ (ਇੱਕ ਪੁਰਾਣੀ ਫੈਸ਼ਨ ਆਦਤ ਜੋ ਮੈਂ ਹਰ ਜਗ੍ਹਾ ਵੇਖਦਾ ਹਾਂ, ਨਾ ਕਿ ਵਿਗਿਆਨ ਵਿੱਚ)। ਤੁਸੀਂ ਕਹਿ ਸਕਦੇ ਹੋ: "ਮੈਂ ਜਾਣਦਾ ਹਾਂ ਕਿ ਇਹ ਕੰਮ ਕਰਦਾ ਹੈ ਕਿਉਂਕਿ ਮੈਂ ਇੱਕ ਅਜਿਹਾ ਡੇਟਾ ਸੈੱਟ ਲੈ ਸਕਦਾ ਹਾਂ ਜੋ ਮੈਂ ਪਹਿਲਾਂ ਨਹੀਂ ਦੇਖਿਆ ਹੈ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹਾਂ ਕਿ ਉੱਥੇ ਕੀ ਹੋਵੇਗਾ... ਅਤੇ ਮੈਂ ਸਹੀ ਹੋਵਾਂਗਾ। ਵਾਰ ਵਾਰ".

ਨਵੇਂ ਡੇਟਾ ਦੇ ਵਿਰੁੱਧ ਆਪਣੇ ਮਾਡਲ/ਥਿਊਰੀ ਦੀ ਜਾਂਚ ਕਰਨਾ ਵਿਸ਼ਵਾਸ ਦਾ ਸਭ ਤੋਂ ਵਧੀਆ ਆਧਾਰ ਹੈ।

ਮੈਂ ਡੇਟਾ ਚਾਰਲੈਟਨਸ ਨੂੰ ਬਰਦਾਸ਼ਤ ਨਹੀਂ ਕਰਦਾ ਹਾਂ। ਮੈਨੂੰ ਪਰਵਾਹ ਨਹੀਂ ਹੈ ਕਿ ਤੁਹਾਡੀ ਰਾਏ ਵੱਖ-ਵੱਖ ਚਾਲਾਂ 'ਤੇ ਅਧਾਰਤ ਹੈ। ਮੈਂ ਵਿਆਖਿਆਵਾਂ ਦੀ ਸੁੰਦਰਤਾ ਤੋਂ ਪ੍ਰਭਾਵਿਤ ਨਹੀਂ ਹਾਂ. ਮੈਨੂੰ ਦਿਖਾਓ ਕਿ ਤੁਹਾਡਾ ਸਿਧਾਂਤ/ਮਾਡਲ ਨਵੇਂ ਡੇਟਾ ਦੇ ਪੂਰੇ ਸਮੂਹ 'ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ (ਅਤੇ ਕੰਮ ਕਰਨਾ ਜਾਰੀ ਰੱਖਦਾ ਹੈ) ਜੋ ਤੁਸੀਂ ਪਹਿਲਾਂ ਕਦੇ ਨਹੀਂ ਦੇਖਿਆ ਹੈ। ਇਹ ਤੁਹਾਡੀ ਰਾਏ ਦੀ ਤਾਕਤ ਦੀ ਅਸਲ ਪ੍ਰੀਖਿਆ ਹੈ.

ਡਾਟਾ ਵਿਗਿਆਨੀਆਂ ਨਾਲ ਸੰਪਰਕ ਕਰਨਾ

ਜੇ ਤੁਸੀਂ ਇਸ ਹਾਸੇ ਨੂੰ ਸਮਝਣ ਵਾਲੇ ਹਰ ਵਿਅਕਤੀ ਦੁਆਰਾ ਗੰਭੀਰਤਾ ਨਾਲ ਲੈਣਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਨਿੱਜੀ ਪੱਖਪਾਤ ਦਾ ਸਮਰਥਨ ਕਰਨ ਲਈ ਸ਼ਾਨਦਾਰ ਸਮੀਕਰਨਾਂ ਦੇ ਪਿੱਛੇ ਛੁਪਣਾ ਬੰਦ ਕਰੋ। ਮੈਨੂੰ ਦਿਖਾਓ ਕਿ ਤੁਹਾਡੇ ਕੋਲ ਕੀ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਚਾਹੁੰਦੇ ਹੋ ਕਿ "ਇਸਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲੇ" ਲੋਕ ਤੁਹਾਡੇ ਸਿਧਾਂਤ/ਮਾਡਲ ਨੂੰ ਸਿਰਫ਼ ਪ੍ਰੇਰਨਾਦਾਇਕ ਕਵਿਤਾ ਦੇ ਤੌਰ 'ਤੇ ਦੇਖਣ, ਤਾਂ ਗਵਾਹਾਂ ਦੇ ਸਾਹਮਣੇ ਇਹ ਦਿਖਾਉਣ ਦੀ ਹਿੰਮਤ ਰੱਖੋ ਕਿ ਇਹ ਡੇਟਾ ਦੇ ਬਿਲਕੁਲ ਨਵੇਂ ਸੈੱਟ 'ਤੇ ਕਿੰਨੀ ਚੰਗੀ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਦਾ ਹੈ। !

ਆਗੂਆਂ ਨੂੰ ਅਪੀਲ

ਡੇਟਾ ਬਾਰੇ ਕਿਸੇ ਵੀ "ਵਿਚਾਰ" ਨੂੰ ਗੰਭੀਰਤਾ ਨਾਲ ਲੈਣ ਤੋਂ ਇਨਕਾਰ ਕਰੋ ਜਦੋਂ ਤੱਕ ਇਸਦੀ ਜਾਂਚ ਨਹੀਂ ਕੀਤੀ ਜਾਂਦੀ ਨਵਾਂ ਡਾਟਾ। ਜਤਨ ਕਰਨ ਵਾਂਗ ਮਹਿਸੂਸ ਨਹੀਂ ਕਰਦੇ? ਵਿਸ਼ਲੇਸ਼ਣ ਨਾਲ ਜੁੜੇ ਰਹੋ, ਪਰ ਇਹਨਾਂ ਵਿਚਾਰਾਂ 'ਤੇ ਭਰੋਸਾ ਨਾ ਕਰੋ-ਇਹ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹਨ ਅਤੇ ਭਰੋਸੇਯੋਗਤਾ ਲਈ ਟੈਸਟ ਨਹੀਂ ਕੀਤੇ ਗਏ ਹਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਜਦੋਂ ਕਿਸੇ ਸੰਸਥਾ ਕੋਲ ਬਹੁਤਾਤ ਵਿੱਚ ਡੇਟਾ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਵਿਗਿਆਨ ਵਿੱਚ ਵਿਭਾਜਨ ਨੂੰ ਬੁਨਿਆਦੀ ਬਣਾਉਣ ਅਤੇ ਅੰਕੜਿਆਂ ਲਈ ਟੈਸਟ ਡੇਟਾ ਤੱਕ ਪਹੁੰਚ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਕੇ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੇ ਪੱਧਰ 'ਤੇ ਇਸਨੂੰ ਕਾਇਮ ਰੱਖਣ ਦਾ ਕੋਈ ਨੁਕਸਾਨ ਨਹੀਂ ਹੁੰਦਾ। ਤੁਹਾਨੂੰ ਮੂਰਖ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨ ਵਾਲੇ ਲੋਕਾਂ ਨੂੰ ਰੋਕਣ ਦਾ ਇਹ ਇੱਕ ਵਧੀਆ ਤਰੀਕਾ ਹੈ!

ਜੇ ਤੁਸੀਂ ਚਾਰਲੈਟਨਸ ਦੀਆਂ ਹੋਰ ਉਦਾਹਰਣਾਂ ਦੇਖਣਾ ਚਾਹੁੰਦੇ ਹੋ ਤਾਂ ਕੋਈ ਚੰਗਾ ਨਹੀਂ - ਇੱਥੇ ਟਵਿੱਟਰ 'ਤੇ ਇੱਕ ਸ਼ਾਨਦਾਰ ਥਰਿੱਡ ਹੈ.

ਨਤੀਜੇ

ਜਦੋਂ ਵੱਖ ਕਰਨ ਲਈ ਬਹੁਤ ਘੱਟ ਡੇਟਾ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਸਿਰਫ ਇੱਕ ਚਾਰਲਟਨ ਅਮਰੀਕਾ ਨੂੰ ਪੂਰਵ-ਅਨੁਮਾਨ ਨਾਲ ਖੋਜ ਕੇ, ਗਣਿਤਿਕ ਤੌਰ 'ਤੇ ਡੇਟਾ ਵਿੱਚ ਪਹਿਲਾਂ ਹੀ ਜਾਣੇ ਜਾਂਦੇ ਵਰਤਾਰਿਆਂ ਨੂੰ ਮੁੜ ਖੋਜਣ, ਅਤੇ ਹੈਰਾਨੀ ਨੂੰ ਅੰਕੜਾਤਮਕ ਤੌਰ 'ਤੇ ਮਹੱਤਵਪੂਰਨ ਦੱਸ ਕੇ ਪ੍ਰੇਰਨਾ ਦਾ ਪਾਲਣ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ। ਇਹ ਉਹਨਾਂ ਨੂੰ ਖੁੱਲੇ ਦਿਮਾਗ਼ ਵਾਲੇ ਵਿਸ਼ਲੇਸ਼ਕ ਤੋਂ ਵੱਖਰਾ ਕਰਦਾ ਹੈ, ਜੋ ਪ੍ਰੇਰਨਾ ਨਾਲ ਨਜਿੱਠਦਾ ਹੈ, ਅਤੇ ਸੂਝਵਾਨ ਅੰਕੜਾ ਵਿਗਿਆਨੀ, ਜੋ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵੇਲੇ ਸਬੂਤ ਪੇਸ਼ ਕਰਦਾ ਹੈ।

ਜਦੋਂ ਬਹੁਤ ਸਾਰਾ ਡੇਟਾ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਡੇਟਾ ਨੂੰ ਵੱਖ ਕਰਨ ਦੀ ਆਦਤ ਪਾਓ ਤਾਂ ਜੋ ਤੁਹਾਡੇ ਕੋਲ ਦੋਵਾਂ ਸੰਸਾਰਾਂ ਵਿੱਚੋਂ ਸਭ ਤੋਂ ਵਧੀਆ ਹੋ ਸਕੋ! ਡੇਟਾ ਦੇ ਮੂਲ ਢੇਰ ਦੇ ਵਿਅਕਤੀਗਤ ਸਬਸੈੱਟਾਂ ਲਈ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਅੰਕੜੇ ਕਰਨਾ ਯਕੀਨੀ ਬਣਾਓ।

• ਵਿਸ਼ਲੇਸ਼ਕ ਤੁਹਾਨੂੰ ਪ੍ਰੇਰਨਾ ਅਤੇ ਖੁੱਲੇ ਦਿਮਾਗ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ।
• ਅੰਕੜੇ ਤੁਹਾਨੂੰ ਸਖ਼ਤ ਜਾਂਚ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ।
• ਚਾਰਲੈਟਸ ਤੁਹਾਨੂੰ ਇੱਕ ਮੋੜਵੀਂ ਦ੍ਰਿਸ਼ਟੀ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ ਜੋ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਅੰਕੜੇ ਹੋਣ ਦਾ ਦਿਖਾਵਾ ਕਰਦਾ ਹੈ।

ਸ਼ਾਇਦ, ਲੇਖ ਨੂੰ ਪੜ੍ਹਨ ਤੋਂ ਬਾਅਦ, ਤੁਹਾਡੇ ਮਨ ਵਿੱਚ ਇਹ ਵਿਚਾਰ ਆਵੇਗਾ ਕਿ "ਕੀ ਮੈਂ ਇੱਕ ਚਰਿੱਤਰਵਾਨ ਹਾਂ"? ਇਹ ਠੀਕ ਹੈ। ਇਸ ਵਿਚਾਰ ਤੋਂ ਛੁਟਕਾਰਾ ਪਾਉਣ ਦੇ ਦੋ ਤਰੀਕੇ ਹਨ: ਪਹਿਲਾਂ, ਪਿੱਛੇ ਮੁੜ ਕੇ ਦੇਖੋ, ਦੇਖੋ ਕਿ ਤੁਸੀਂ ਕੀ ਕੀਤਾ ਹੈ, ਕੀ ਡੇਟਾ ਦੇ ਨਾਲ ਤੁਹਾਡੇ ਕੰਮ ਨੇ ਵਿਹਾਰਕ ਲਾਭ ਲਿਆ ਹੈ। ਅਤੇ ਦੂਜਾ, ਤੁਸੀਂ ਅਜੇ ਵੀ ਆਪਣੀਆਂ ਯੋਗਤਾਵਾਂ 'ਤੇ ਕੰਮ ਕਰ ਸਕਦੇ ਹੋ (ਜੋ ਨਿਸ਼ਚਤ ਤੌਰ 'ਤੇ ਬੇਲੋੜੀ ਨਹੀਂ ਹੋਵੇਗੀ), ਖਾਸ ਕਰਕੇ ਕਿਉਂਕਿ ਅਸੀਂ ਆਪਣੇ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਵਿਹਾਰਕ ਹੁਨਰ ਅਤੇ ਗਿਆਨ ਦਿੰਦੇ ਹਾਂ ਜੋ ਉਹਨਾਂ ਨੂੰ ਅਸਲ ਡਾਟਾ ਵਿਗਿਆਨੀ ਬਣਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ।

• ਸਕਰੈਚ ਤੋਂ ਡਾਟਾ ਸਾਇੰਸ ਦੇ ਪੇਸ਼ੇ ਨੂੰ ਪੜ੍ਹਾਉਣਾ
• ਡਾਟਾ ਸਾਇੰਸ ਔਨਲਾਈਨ ਬੂਟਕੈਂਪ
• ਸਕ੍ਰੈਚ ਤੋਂ ਡਾਟਾ ਐਨਾਲਿਸਟ ਦੇ ਪੇਸ਼ੇ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ
• ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਔਨਲਾਈਨ ਬੂਟਕੈਂਪ

ਹੋਰ ਕੋਰਸ

• ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕੋਰਸ
• ਕੋਰਸ "ਡੇਟਾ ਵਿਗਿਆਨ ਲਈ ਗਣਿਤ ਅਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ"
• ਐਡਵਾਂਸਡ ਕੋਰਸ "ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਪ੍ਰੋ + ਡੀਪ ਲਰਨਿੰਗ"
• ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੋਰਸ
• DevOps ਕੋਰਸ
• ਵੈੱਬ ਵਿਕਾਸ ਕੋਰਸ ਲਈ ਪਾਈਥਨ
• ਪੇਸ਼ੇ ਵੈੱਬ ਡਿਵੈਲਪਰ
• ਸਕ੍ਰੈਚ ਤੋਂ ਆਈਓਐਸ ਡਿਵੈਲਪਰ ਦਾ ਕਿੱਤਾ
• ਸ਼ੁਰੂ ਤੋਂ ਪ੍ਰੋਫੈਸ਼ਨ ਐਂਡਰੌਇਡ ਡਿਵੈਲਪਰ
• ਪੇਸ਼ੇ ਤੋਂ ਜਾਵਾ ਡਿਵੈਲਪਰ
• JavaScript ਕੋਰਸ
• ਸ਼ੁਰੂ ਤੋਂ ਪੇਸ਼ੇ UX ਡਿਜ਼ਾਈਨਰ
• ਪੇਸ਼ੇ ਵੈੱਬ ਡਿਜ਼ਾਈਨਰ

ਹੋਰ ਪੜ੍ਹੋ

• ਸਾਡੇ ਅੰਦਰ ਡੇਟਾ: ਬਾਇਓਇਨਫੋਰਮੈਟਿਸ਼ੀਅਨ ਕੀ ਕਰਦੇ ਹਨ?
• ਮਾਈਨਿੰਗ ਉਦਯੋਗ ਵਿੱਚ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਤੇ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ

ਸਰੋਤ: www.habr.com