Einsteigen, um zu sehen, was Sie wissen sollten, wenn Sie anfangen in Data Science - Dummies

Teil von Data Science für Dummies Spickzettel

Traditionell sind Big Data der Begriff für Daten, die ein unglaubliches Volumen, eine unglaubliche Geschwindigkeit und Vielfalt aufweisen. Herkömmliche Datenbanktechnologien sind nicht in der Lage, Big Data zu handhaben - mehr innovative, datengestützte Lösungen sind erforderlich. Beachten Sie die folgenden Kriterien, um Ihr Projekt auf seine Eignung als Big Data-Projekt zu prüfen:

• Volume: Zwischen 1 Terabyte / Jahr und 10 Petabyte / Jahr

• Geschwindigkeit: Zwischen 30 Kilobyte / Sekunde und 30 Gigabyte / Sekunde

• Variety: Kombinierte Quellen unstrukturierter, halbstrukturierter und strukturierter Daten

Data Science und Data Engineering ist nicht das Gleiche

Einstellungsmanager verwechseln die Rollen von Datenwissenschaftlern und Dateningenieuren. Während es möglich ist, jemanden zu finden, der ein wenig von beidem macht, ist jedes Feld unglaublich komplex. Es ist unwahrscheinlich, dass Sie jemanden mit soliden Fähigkeiten und Erfahrungen in beiden Bereichen finden werden. Aus diesem Grund ist es wichtig, in der Lage zu sein, herauszufinden, welcher Spezialistentyp am besten geeignet ist, um Ihre spezifischen Ziele zu erreichen. Die folgenden Beschreibungen sollten Ihnen dabei helfen.

• Datenwissenschaftler: Datenwissenschaftler verwenden Codierung, quantitative Methoden (mathematisches, statistisches und maschinelles Lernen) und hochspezialisiertes Fachwissen in ihrem Studiengebiet, um Lösungen für komplexe geschäftliche und wissenschaftliche Probleme abzuleiten.

• Dateningenieure: Dateningenieure verwenden Fähigkeiten in der Informatik und im Software-Engineering, um Systeme zu entwickeln und Probleme mit der Handhabung und Manipulation großer Datenmengen zu lösen.

Auch Data Science und Business Intelligence sind nicht gleich.

Business-centric Data Scientists und Business Analysts, die Business Intelligence betreiben, sind wie Cousins. Beide Arten von Spezialisten verwenden Daten, um dieselben Geschäftsziele zu erreichen, aber ihre Ansätze, Technologien und Funktionen sind unterschiedlich. Die folgenden Beschreibungen formulieren die Unterschiede zwischen den beiden Rollen.

• Business Intelligence (BI): BI-Lösungen basieren in der Regel auf intern generierten Datensätzen - also innerhalb einer Organisation und nicht von außen. Zu den gängigen Tools und Technologien gehören analytische Onlineverarbeitung, Extrakttransformation und -lade sowie Data Warehousing. Obwohl BI manchmal vorausschauende Methoden wie Prognosen beinhaltet, basieren diese Methoden auf einfachen mathematischen Schlussfolgerungen aus historischen oder aktuellen Daten.

• Business-centric data science: Geschäftsorientierte Data-Science-Lösungen basieren auf Datensätzen, die sowohl intern als auch extern zu einer Organisation gehören. Zu den gängigen Tools, Technologien und Skillsets gehören Cloud-basierte Analyseplattformen, statistische und mathematische Programmierung, maschinelles Lernen, Datenanalyse mit Python und R sowie erweiterte Datenvisualisierung. Geschäftsorientierte Datenwissenschaftler verwenden fortgeschrittene mathematische oder statistische Methoden, um Vorhersagen aus riesigen Mengen von Geschäftsdaten zu analysieren und zu generieren.