{"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\/sl\/blog\/administrirovanie\/kak-raspoznat-sharlatana-ot-data-science","title":{"rendered":"\u041a\u0430\u043a \u0440\u0430\u0441\u043f\u043e\u0437\u043d\u0430\u0442\u044c \u0448\u0430\u0440\u043b\u0430\u0442\u0430\u043d\u0430 \u0432 \u043e\u0431\u043b\u0430\u0441\u0442\u0438 Data Science?","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"\u041a\u0430\u043a<\/a><\/noindex>
\nMorda ste sli\u0161ali za analitike, strokovnjake za strojno u\u010denje in umetno inteligenco, a ste kdaj sli\u0161ali za tiste, ki so unfairno prepla\u010dani? Spoznajte kreatorje podatkov<\/strong>! Ti premeteni ljudje, ki jih privla\u010di donosno delo, ustvarjajo slabo repute pravim strokovnjakom za obdelavo podatkov. V \u010dlanku se osredoto\u010damo na to, kako razkrinkati tak\u0161ne posameznike.
\n<\/a><\/noindex><\/p>\n

Kreatorji podatkov so povsod<\/h2>\n

\nKreatorji podatkov se tako dobro znajo skrivati na o\u010deh, da morda ste eden izmed njih<\/i>, niti ne zavedate tega. Zelo verjetno va\u0161a organizacija \u017ee leta skriva te premetene ljudi, a dobra novica je, da jih je enostavno identificirati, \u010de veste, kaj iskati.
\nPrvi opozorilni znak je nepoznavanje, da analitika in statistika sta zelo razli\u010dni disciplini<\/strong>. Kasneje bom to pojasnil.<\/p>\n

Razli\u010dne discipline<\/h2>\n

\nStatistiki so usposobljeni, da sklepajo o tem, kar presega njihova podatke, analitiki so usposobljeni za prou\u010devanje vsebine niza podatkov. Z drugimi besedami, analitiki sklepajo o tem, kar je v njihovih podatkih, medtem ko statistiki sklepajo o tem, \u010desar v podatkih ni. Analitiki pomagajo postavljati dobra vpra\u0161anja (postavljati hipoteze), medtem ko statistiki pomagajo pridobiti dobre odgovore (preverjati hipoteze).<\/p>\n

Obstajajo tudi \u010dudne hibridne vloge, ko nekdo posku\u0161a sedeti na dveh stolih\u2026 Zakaj pa ne? Glavno na\u010delo znanosti o podatkih: \u010de se ukvarjate z negotovostjo, ne morete uporabljati istega<\/i> podatkovnega dela za hipoteze in preverjanje. Ko so podatki omejeni, negotovost povzro\u010di izbiro med statistiko ali analitiko. Razlaga<\/i> ovde<\/i><\/a><\/noindex>.<\/p>\n

Brez statistike boste obti\u010dali in ne boste razumeli, ali sve\u017ee oblikovana trditev prenese kritiko, brez analize pa boste hodili po temi, s malo mo\u017enosti, da ukrotite neznano. To je te\u017eka izbira.<\/p>\n

Izhod kreativca iz te zagate je, da jo ignorira in se nato pretvarja, da je presene\u010den nad tistim, kar se nenadoma odkrije. Logika preverjanja statisti\u010dnih hipotez se zmanj\u0161uje na vpra\u0161anje: ali podatki dovolj presenetijo, da bi spremenili na\u0161e mnenje. Kako nas lahko presenetijo podatki, \u010de smo jih \u017ee videli?<\/p>\n

Vsaki\u010d, ko kreativci najdejo vzorec, so navdihnjeni, nato preverijo iste podatke<\/i> za istega vzorca<\/i>, da objavite rezultat z legitimno p-vrednostjo ali dvema, ob njihovi teoriji. Tako vam la\u017eejo (in morda tudi sami sebi). Tak\u0161na p-vrednost nima pomena, \u010de ne ostanete zvesti svoji hipotezi. do<\/b> o tem, kako so si ogledali svoje podatke. \u0160arlatani posnemajo dejanja analitikov in statistikov brez razumevanja vzrokov. Posledi\u010dno dobiva celotno podro\u010dje podatkovne znanosti slabo reputacijo.<\/p>\n

Pravi statistiki vedno oblikujejo svoje sklepe.<\/h2>\n

\nZahvaljujo\u010d skoraj misti\u010dni slavi statistik, ki se ukvarjajo z natan\u010dnim razmi\u0161ljanjem, je koli\u010dina la\u017enih informacij v podatkovni znanosti rekordno visoka. Enostavno je prevarati nekoga in ne biti odkrit, \u0161e posebej, \u010de ni\u010d hudega slute\u010da \u017ertev misli, da gre vse za ena\u010dbe in podatke. Nabor podatkov je nabora podatkov, kajne? Ne. Pomembno je, kako ga uporabljate.<\/p>\n

Na sre\u010do potrebujete le en namig, da ulovite \u0161arlatane: oni \u00bbodkrivajo Ameriko za nazaj\u00ab. Znova odkrivajo pojave, za katere \u017ee vedo, da so prisotni v podatkih. <\/p>\n

Za razliko od \u0161arlatanov dobri analitiki nimajo predsodkov in razumejo, da lahko navdihujo\u010de ideje imajo ve\u010d razli\u010dnih razlag. Hkrati dobri statistiki skrbno dolo\u010dajo svoje sklepe, preden jih oblikujejo.<\/p>\n

Analitiki so opro\u0161\u010deni odgovornosti\u2026 dokler ne prese\u017eejo svojih podatkov. \u010ce jih zapelje, da trdijo o stvareh, katerih niso opazili, je to povsem druga slu\u017eba. Morajo \u00bbsle\u010di \u010devlje\u00ab analitika in \u00bbzamenjati obutev\u00ab za statistika. Nazadnje, kakr\u0161nokoli je uradno ime njihove funkcije, ne obstaja pravilo, po katerem ne morete raziskovati obeh poklicev, \u010de \u017eelite. Samo ne me\u0161ajte jih.<\/p>\n

\u010ce dobro razumete statistiko, to ne pomeni, da dobro razumete analitiko in obratno. \u010ce vam nekdo \u017eeli povedati nasprotno, je to razlog za previdnost. \u010ce vam ta oseba pove, da je dovoljeno izvajati statisti\u010dne zaklju\u010dke na podatkih, ki ste jih \u017ee preu\u010dili, je to dvakratna rde\u010da zastava.<\/p>\n

Nenavadna pojasnila<\/h2>\n

\nOpazovanje \u0161arlatanov s podatki v naravi vam bo pokazalo, da radi sestavljajo neverjetne zgodbe, da 'pojasnijo' opazovane podatke. Bolj akademsko, bolje. Ni pomembno, da so te zgodbe prirejene retroaktivno.<\/p>\n

Ko \u0161arlatani to po\u010dnejo \u2014 pustite mi, da ne var\u010dujem s besedami \u2014 la\u017eejo. Koli\u010dina ena\u010db ali lepi koncepti ne morejo nadomestiti dejstva, da niso ponudili nobenega dokaza za svoje trditve. Ne presene\u010dajte se, kako nenavadna so njihova pojasnila.<\/p>\n

To je enako kot pokazati svoje 'ekstrasenzorne' sposobnosti, najprej pogledati na karte v rokah in nato napovedati, kaj imate\u2026 tisto, kar imate. To je pristranskost retrospektivnega pogleda, in poklic podatkovnega znanstvenika je s tem poln do vrha.<\/p>\n

\"\u041a\u0430\u043a<\/p>\n

Analitiki pravijo: 'Samo ste \u0161li z kraljico karo.' Statistiki pravijo: 'Zapisal sem svoje hipoteze na tem ko\u0161\u010dku papirja, preden smo za\u010deli. Igrajmo se, poglejmo nekaj podatkov in vidimo, ali sem prav.' \u0160arlatani pravijo: 'Vedno sem vedel, da boste \u0161li s to kraljico karo, ker...' <\/p>\n

Razdelitev podatkov je hitro re\u0161itev problema, ki ga potrebuje vsak.<\/p><\/blockquote>\n

\nKo podatkov ni preve\u010d, morate izbirati med statistiko in analitiko, toda ko je podatkov v izobilju, je odli\u010dna prilo\u017enost, da se brez prevar poslu\u017eite analitike. in<\/i> statistike. Imate popolno za\u0161\u010dito pred \u0161arlatani \u2014 to je razdelitev podatkov in po mojem mnenju je to najmo\u010dnej\u0161a ideja v podatkovni znanosti. <\/p>\n

Da se za\u0161\u010ditite pred \u0161arlatani, morate le zagotoviti, da hranite nekatere testne podatke zunaj dosegajo njihovih radovednih o\u010di, nato pa obravnavate vse ostalo kot analitiko. Ko se sre\u010date s teorijo, ki jo tvegate sprejeti, jo uporabite za oceno situacije, nato pa odkrijte svoje skrivne testne podatke, da preverite, da teorija ni neumnost. Tako preprosto je!<\/p>\n

\"\u041a\u0430\u043a
\nPrepri\u010dajte se, da nikomur ni dovoljeno gledati testne podatke v fazi raziskovanja. Za to se dr\u017eite raziskovalnih podatkov. Testni podatki se ne smejo uporabljati za analizo.<\/p>\n

To je velik korak naprej v primerjavi s tistim, kar so ljudje poznali v dobi \"majhnih podatkov\", ko ste morali razlo\u017eiti, od kod veste tisto, kar veste, da bi kon\u010dno prepri\u010dali ljudi, da resni\u010dno nekaj veste.<\/p>\n

Uporabljamo enaka pravila za ML\/AI<\/h2>\n

\nNekatere prevarante, ki se predstavljajo za strokovnjake na podro\u010dju ML\/AI, je prav tako enostavno prepoznati. Ujeti jih lahko na enak na\u010din, kot bi ujeli katerega koli drugega slabega in\u017eenirja: \"re\u0161itve\", ki jih posku\u0161ajo zgraditi, nenehno propadajo. Pomemben opozorilni znak je pomanjkanje izku\u0161enj z industrijskimi jeziki in programskimi knji\u017enicami.<\/p>\n

Toda kaj pa ljudje, ki ustvarjajo sisteme, ki se zdijo funkcionalni? Kako prepoznati, da se dogaja kaj sumljivega? Uporablja se isto pravilo! Prevarant je zlonamerna oseba, ki vam poka\u017ee, kako dobro je model deloval \u2026 na istih podatkih, ki so jih uporabili za ustvarjanje modela.<\/p>\n

\u010ce ste ustvarili neverjetno kompleksni sistem strojnega u\u010denja, kako veste, kako dober je? Ne boste vedeli, dokler ne poka\u017eete, da deluje z novimi podatki, ki jih prej ni videl.<\/p>\n

Ko ste videli podatke pred napovedovanjem \u2014 to verjetno ni napovedovanje.<\/i>Ko imate dovolj podatkov za razdelitev, vam ni treba sklicevati se na lepoto va\u0161ih formul, da bi upravi\u010dili projekt (stara modna navada, ki jo vidim povsod, ne samo v znanosti). Lahko re\u010dete:<\/p><\/blockquote>\n

\n\"Vem, da deluje, ker lahko vzamem nabor podatkov, ki ga prej nisem videl, in natan\u010dno napovem, kaj se bo tam zgodilo \u2026 in prav imam. Spet in spet.\" Preverjanje va\u0161ega modela\/teorije z novimi podatki je najbolj\u0161a osnova za zaupanje.<\/i><\/p>\n

Ne prena\u0161am prevarantov s podatki. Zame ni va\u017eno, ali se va\u0161e mnenje opira na razli\u010dne funkcije. Nisem navdu\u0161en nad lepoto razlag. Poka\u017eite mi, da va\u0161a teorija\/model deluje (in se \u0161e naprej obna\u0161a) na celotnem naboru novih podatkov, ki jih nikoli prej niste videli. To je pravi test trdnosti va\u0161ega mnenja.<\/p><\/blockquote>\n

\nObrnete se na strokovnjake za podatkovne znanosti.<\/p>\n

Posvetovanje s strokovnjaki s podro\u010dja podatkovne znanosti<\/h2>\n

\n\u010ce \u017eelite, da vas vsi, ki razumejo ta smeh, jemljejo resno, prenehajte se skrivati za nenavadnimi ena\u010dbami, da ohranite osebne pristranskosti. Poka\u017eite, kar imate. \u010ce \u017eelite, da tisti, ki so \"razumeli\", va\u0161o teorijo\/model obravnavajo kot nekaj ve\u010d kot le navdihujo\u010do poezijo, imejte pogum, da priredite velikansko predstavo o tem, kako dobro deluje na popolnoma novem naboru podatkov\u2026 pred pri\u010di!<\/p>\n

Naslov za voditelje<\/h2>\n

\nOdklonite sprejem vseh \"idej\" o podatkih, dokler niso preverjene na novih<\/i> podatkih. Ne \u017eelite si prizadevati? Dr\u017eite se analitike, toda ne zana\u0161ajte se na te ideje \u2014 so nezanesljive in niso bile preverjene za zanesljivost. Poleg tega, ko ima organizacija podatke v izobilju, ni pomanjkanja, da bi razdelitev postala osnova znanosti in ostala na ravni infrastrukture, pri \u010demer nadzorujete dostop do testnih podatkov za statistiko. To je odli\u010den na\u010din, da prepre\u010dite, da vas prevarajo!<\/p>\n

\u010ce \u017eelite videti ve\u010d primerov prevarantov, ki kuhajo nekaj slabega \u2014 je tukaj \u010dudovit thread na Twitterju<\/a><\/noindex>.<\/p>\n

Zaklju\u010dki<\/h2>\n

\nKo je podatkov premalo za razdelitev, le prevarant posku\u0161a strogo slediti navdihu, retroaktivno odpirajo\u010d Ameriko in matemati\u010dno ponovo odkrivajo\u010d pojave, za katere je \u017ee znano, da obstajajo v podatkih, in imenujejo osuplost statisti\u010dno pomembno. To jih razlikuje od nepristranskega analitika, ki se ukvarja z navdihom, ter natan\u010dnega statistik, ki ponuja dokaze pri napovedovanju.<\/p>\n

Ko je podatkov veliko, razvijte navado lo\u010devanja podatkov, tako boste imeli najbolj\u0161e iz obeh svetov! Obvezno izvajajte analitiko in statistiko lo\u010deno za razli\u010dne podmno\u017eice izvorne zme\u0161njave podatkov.<\/p>\n