Послушайте это от выпускника университета Монаша в области науки о данных

Это было 22 мая, я был занят завершением отчета о педиатрическом анализе, который должен был быть отправлен в FDA, поскольку мы приближаемся к мероприятию по запуску сердечно-сосудистых препаратов, когда я получил электронное письмо от Инь, который был нашим партнером по бренду. Компания Novartis опубликовала рассказ пациента в Reader’s Digest: «Моя астма оказалась хронической сердечной недостаточностью», - говорит Джейн Бабахан. В статье рассказывалось о пациенте, страдающем хронической сердечной недостаточностью, и о его жизненно важном опыте после приема препаратов Entresto. Прочитав его опыт, я понял, что моя повседневная работа с отделом стратегической информации и аналитики Cardiovascular Franchise не только улучшила охват бренда, но прямо или косвенно повлияла на жизнь тысяч таких пациентов в США.

Проработав четыре года в области науки о данных, я получил огромное удовлетворение от того влияния, которое моя работа оказала на решения Mu Sigma Business Solutions и Novartis. Вдохновленный командой высшего руководства, фрагментами материалов Национального конгресса, я считаю, что наука и технологии могут решить некоторые из наиболее сложных проблем общества в области здравоохранения. Мое общение с высшим руководством в Novartis заставило меня понять, что существует целый ряд сложных бизнес-проблем, которые ждут своего решения, но для этого нужны специалисты по данным. Решение сложных проблем требует глубокого понимания бизнеса, математики и технологий, последние два из которых, я считаю, могут быть расширены с помощью формального образования в области науки о данных.

Задача состоит в том, чтобы решить, какое предприятие формального образования нужно получить в области науки о данных. Не существует однозначного правильного ответа на вопрос, какой путь ученик должен выбрать, чтобы улучшить свои навыки. Развитие навыков - ключ к поддержанию в этой отрасли; здесь нет двух способов. В 2015 году, работая над проблемой «Откат операции магазина» или строя «Анализ драйверов», нельзя было мыслить дальше простой регрессии или логистической модели. История 2020 года полностью отличается от развития машинного обучения и искусственного интеллекта. Компании начали внедрять нейронные сети в свое проблемное пространство. Исследования и разработки новых алгоритмов открыли двери для более простых, расходуемых и более точных решений. Как специалист по данным, мы должны быть в курсе динамики предметной области.

Исходя из моего личного опыта, я считаю, что выбор образования зависит от множества факторов. Если мне нужно свести их к трем основным категориям, они будут включать роли и обязанности, опыт работы и предыдущие знания. Тот, кто планирует разработать экосистему искусственного интеллекта или машинного обучения для организации, разрабатывать новаторские продукты, реализовывать концепции в сложной проблемной области, требует более высокого уровня знаний. Без глубокого понимания платформы и процесса достижение хороших результатов практически невозможно. Чтобы создать такой уровень знаний, степень магистра / доктора философии. Рекомендовано. Исходя из моего личного опыта получения степени магистра наук о данных в Университете Монаша, Австралия, я могу поручиться за то, что степень магистра / доктора философии. Программа предоставляет вам необходимую глубину, необходимую для более сложной работы.

Позвольте мне привести пример: ведущие компании, занимающиеся ИИ, в наши дни используют спутниковые снимки для прогнозирования количества посетителей в торговых комплексах, розничных магазинах, аптеках и многих других местах. Объем данных, сложность изображений и типы алгоритмов, необходимых для обработки и обработки спутниковых изображений, не могут быть включены в онлайн-учебную программу или программу быстрого отслеживания. Глубина и широта, необходимые для решения такой проблемной области, могут быть развиты только с помощью специального формального образования. С другой стороны, существует огромное количество проблемных пространств, где сложность меньше и требуется фундаментальное понимание различных алгоритмов, которые можно использовать без степени магистра / доктора философии. программа. Компания, пытающаяся разработать модель оттока клиентов, будет во многом полагаться на расходные материалы, которые могут быть интерпретированы бизнесом. В подобных сценариях может быть более чем достаточно техники ансамбля или модели логистической регрессии.

В коммерческом аспекте отрасли, который требует более быстрого поиска решений, уровень требуемых навыков может развиваться с течением времени. На мой взгляд, 70% отрасли требует больше широты, чем глубины. Вот где может сработать подход «мастер на все руки, но не мастер на все руки». Большинству компаний в настоящее время не хватает ноу-хау в области Data Science или необходимого набора навыков для работы. Быстрая шестимесячная программа может помочь кому-то изменить свой путь и стать специалистом по данным из-за постоянного спроса. Существует множество доступных ресурсов, которые можно использовать для повышения набора навыков человека. С некоторыми ноу-хау в области программирования, упорным трудом и надлежащим руководством не составит труда разобраться в широте спектра.

Означает ли это, что нам вообще не нужна глубина? Ответ - строгий: нет. Нам действительно нужна глубина, но глубина также может быть развита с течением времени. Как специалисту по анализу данных или человеку, желающему стать специалистом по анализу данных, важно определить веху, которую он хочет достичь. Если идея состоит в том, чтобы участвовать в более сложной сфере, которая требует исследований и разработок, формальное образование в терминах магистра / доктора философии. требуется для. Кто-то, кто планирует стать отраслевым экспертом и умеет программировать с некоторыми знаниями в предметной области, может поискать другие программы, чтобы получить необходимый набор навыков и рискнуть в этой отрасли.

Об авторе: специалист по продвинутой аналитике и консультант по менеджменту, помогающий компаниям находить решения разнообразных проблем с помощью сочетания бизнеса, технологий и математики на основе данных организации. Энтузиаст науки о данных, здесь, чтобы делиться, учиться и вносить свой вклад; Вы можете связаться со мной в LinkedIn и Twitter.