
在过去的五年里,当python编程成为潮流时,我一直在数据科学领域工作。当时,在2016年,神经网络和深度学习只是一些时髦的词。当时有一场关于谷歌自动驾驶汽车和强化学习的炒作。但是,大多数数据科学爱好者甚至不知道神经网络的工作。
2021年的今天,大多数公司都在采用数据科学战略,通过自动化不同的场景,用一名数据科学家取代几十名IT人员,从而获得更多收入,这些数据科学家可以使用各种自动化工具,如BluePrism、UI Path、Python和机器学习算法,自动化这些IT人员的任务。
这就是为什么我们大多数人都在努力学习python,机器学习,分析,深度学习。为什么?因为数据科学家在行业中有极好的价值。而且,在数据科学领域,人们的工作数据也有了很大的增长。
但是,你知道在今天,这些“自动化任务正在使用另一种自动化策略来自动化吗?”整个数据科学管道正在使用一个单一的工具来自动化。
在2019年,数据科学家过去需要花费数天时间进行数据收集、数据清洗、特征选择,但现在我们在市场上有很多工具可以在几分钟内完成这些工作。
另一方面,我们尝试了不同的机器学习库,如logistic回归、随机森林、boosting machines、朴素贝叶斯和其他数据科学库来建立更好的模型。
但是,今天,我们有像H2O、PyCaret和许多其他云提供商这样的工具,他们可以使用其他30-50个机器学习库的组合对相同的数据进行相同的模型选择,为您的数据提供最佳的机器学习算法,并且误差最小。
现在情况正在以快速的速度发生变化。而且,我们无论如何都在失去我们的价值,因为每个人都会相信这个工具,它尝试了20多个机器学习算法,结果比我们更准确,而我们只尝试了几个机器学习库,结果却不太准确。
到目前为止,我们已经讨论了一些自动化工具是如何在机器学习领域做得很好的。这些工具做得比我们好,因为我们使用的机器学习算法知识有限。相反,这些工具使用库的组合,通过自动化完整的EDA过程来获得更有效的结果,从而在更短的时间内提供最好的结果。
但是,在深度学习领域,我们比机器学习领域拥有更少的命令,并且处理能力有限。我们也有大量的工具在市场上。这些工具在拥有最好的处理器方面投入了大量资金。
当我们谈论深度学习时,它以处理非结构化数据而闻名。而且,95%的时间,我们在这里处理图像和测试数据。目标检测、图像分割、构建聊天机器人、情感分析、文档相似度都是著名的用例。
但是,处理这些用例需要了解不同的深度学习算法,如卷积神经网络、递归神经网络、U-Net、沙漏、YOLO,以及更多需要大量处理能力来处理更多数据以获得更高精度的模型。
这里的问题是,在2021年的今天,公司正在投资大量资金来自动化这些完整的管道工作流。而且,我们忙于理解基本的机器学习和深度学习模型,而不顾没有任何投资者我们买不起高端机器的事实。
每个公司都意识到了这一事实,所以五年后,当这些云支持的数据科学工具将变得更加高效,并能够在更短的时间内提供更好的准确性时,为什么公司会投资雇佣我们,而不购买这些工具的订阅?
当所有这些事情都将自动化时,您可能会考虑数据科学爱好者的未来。会有工作短缺还是会有更少的招聘?
好吧,当我们换位思考时,事情就变得容易了。诚然,公司将继续专注于机器学习的自动化工作流程。但是,请记住,没有一家公司愿意依赖于另一家公司的工作。
每个公司的目标是建立他们的产品,这样他们就可以建立自己的自动化系统,然后在市场上销售,以赚取更多的收入,而不是依赖他人。所以,是的,将需要数据科学家,他们可以帮助行业建立自动化系统,可以自动化机器学习和深度学习的任务。
最后,我们可以说,数据科学家的角色将是以优化的结果自动化流水线。因此,我们最终将机器学习工作流的流水线自动化,并让自动化决定数据中的最佳特征,并使用最佳策略的算法得到可能的最佳结果。
我们已经看到,在未来五年里,数据科学工作岗位将会短缺,因为公司将采用数据科学的自动化管道。但是,对能够自动化数据科学管道的数据科学家也将有很高的需求。
按照我的想法,要使这些管道自动化,我们首先需要理解机器学习算法,以建立一个更好的自动化系统,这最终将导致更多的工作。
嗯,你有什么想法?我很想听听你的。我希望你喜欢这篇文章。联系更多相关文章。我发表关于实时数据科学场景及其用例的文章。
谢谢你的阅读!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
用 SQL 生成逆向回滚 SQL:数据操作的 “后悔药” 指南 在数据库操作中,误删数据、错改字段或误执行批量更新等问题时有发生。 ...
2025-07-14如何考取数据分析师证书:以 CDA 为例 在数字化浪潮席卷各行各业的当下,数据分析师已然成为企业挖掘数据价值、驱动决策的 ...
2025-07-14t检验与Wilcoxon检验的选择:何时用t.test,何时用wilcox.test? t 检验与 Wilcoxon 检验的选择:何时用 t.test,何时用 wilcox. ...
2025-07-14AI 浪潮下的生存与进阶: CDA数据分析师—开启新时代职业生涯的钥匙(深度研究报告、发展指导白皮书) 发布机构:CDA数据科 ...
2025-07-13LSTM 模型输入长度选择技巧:提升序列建模效能的关键 在循环神经网络(RNN)家族中,长短期记忆网络(LSTM)凭借其解决长序列 ...
2025-07-11CDA 数据分析师报考条件详解与准备指南 在数据驱动决策的时代浪潮下,CDA 数据分析师认证愈发受到瞩目,成为众多有志投身数 ...
2025-07-11数据透视表中两列相乘合计的实用指南 在数据分析的日常工作中,数据透视表凭借其强大的数据汇总和分析功能,成为了 Excel 用户 ...
2025-07-11尊敬的考生: 您好! 我们诚挚通知您,CDA Level I和 Level II考试大纲将于 2025年7月25日 实施重大更新。 此次更新旨在确保认 ...
2025-07-10BI 大数据分析师:连接数据与业务的价值转化者 在大数据与商业智能(Business Intelligence,简称 BI)深度融合的时代,BI ...
2025-07-10SQL 在预测分析中的应用:从数据查询到趋势预判 在数据驱动决策的时代,预测分析作为挖掘数据潜在价值的核心手段,正被广泛 ...
2025-07-10数据查询结束后:分析师的收尾工作与价值深化 在数据分析的全流程中,“query end”(查询结束)并非工作的终点,而是将数 ...
2025-07-10CDA 数据分析师考试:从报考到取证的全攻略 在数字经济蓬勃发展的今天,数据分析师已成为各行业争抢的核心人才,而 CDA(Certi ...
2025-07-09【CDA干货】单样本趋势性检验:捕捉数据背后的时间轨迹 在数据分析的版图中,单样本趋势性检验如同一位耐心的侦探,专注于从单 ...
2025-07-09year_month数据类型:时间维度的精准切片 在数据的世界里,时间是最不可或缺的维度之一,而year_month数据类型就像一把精准 ...
2025-07-09CDA 备考干货:Python 在数据分析中的核心应用与实战技巧 在 CDA 数据分析师认证考试中,Python 作为数据处理与分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 检验:数据趋势与突变分析的有力工具 在数据分析的广袤领域中,准确捕捉数据的趋势变化以及识别 ...
2025-07-08备战 CDA 数据分析师考试:需要多久?如何规划? CDA(Certified Data Analyst)数据分析师认证作为国内权威的数据分析能力认证 ...
2025-07-08LSTM 输出不确定的成因、影响与应对策略 长短期记忆网络(LSTM)作为循环神经网络(RNN)的一种变体,凭借独特的门控机制,在 ...
2025-07-07统计学方法在市场调研数据中的深度应用 市场调研是企业洞察市场动态、了解消费者需求的重要途径,而统计学方法则是市场调研数 ...
2025-07-07CDA数据分析师证书考试全攻略 在数字化浪潮席卷全球的当下,数据已成为企业决策、行业发展的核心驱动力,数据分析师也因此成为 ...
2025-07-07