在過去的五年里，當(dāng)python編程成為潮流時，我一直在數(shù)據(jù)科學(xué)領(lǐng)域工作。當(dāng)時，在2016年，神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)只是一些時髦的詞。當(dāng)時有一場關(guān)于谷歌自動駕駛汽車和強化學(xué)習(xí)的炒作。但是，大多數(shù)數(shù)據(jù)科學(xué)愛好者甚至不知道神經(jīng)網(wǎng)絡(luò)的工作。

2021年的今天，大多數(shù)公司都在采用數(shù)據(jù)科學(xué)戰(zhàn)略，通過自動化不同的場景，用一名數(shù)據(jù)科學(xué)家取代幾十名IT人員，從而獲得更多收入，這些數(shù)據(jù)科學(xué)家可以使用各種自動化工具，如BluePrism、UI Path、Python和機器學(xué)習(xí)算法，自動化這些IT人員的任務(wù)。

這就是為什么我們大多數(shù)人都在努力學(xué)習(xí)python，機器學(xué)習(xí)，分析，深度學(xué)習(xí)。為什么？因為數(shù)據(jù)科學(xué)家在行業(yè)中有極好的價值。而且，在數(shù)據(jù)科學(xué)領(lǐng)域，人們的工作數(shù)據(jù)也有了很大的增長。

但是，你知道在今天，這些“自動化任務(wù)正在使用另一種自動化策略來自動化嗎？”整個數(shù)據(jù)科學(xué)管道正在使用一個單一的工具來自動化。

在2019年，數(shù)據(jù)科學(xué)家過去需要花費數(shù)天時間進行數(shù)據(jù)收集、數(shù)據(jù)清洗、特征選擇，但現(xiàn)在我們在市場上有很多工具可以在幾分鐘內(nèi)完成這些工作。

另一方面，我們嘗試了不同的機器學(xué)習(xí)庫，如logistic回歸、隨機森林、boosting machines、樸素貝葉斯和其他數(shù)據(jù)科學(xué)庫來建立更好的模型。

但是，今天，我們有像H2O、PyCaret和許多其他云提供商這樣的工具，他們可以使用其他30-50個機器學(xué)習(xí)庫的組合對相同的數(shù)據(jù)進行相同的模型選擇，為您的數(shù)據(jù)提供最佳的機器學(xué)習(xí)算法，并且誤差最小。

現(xiàn)在情況正在以快速的速度發(fā)生變化。而且，我們無論如何都在失去我們的價值，因為每個人都會相信這個工具，它嘗試了20多個機器學(xué)習(xí)算法，結(jié)果比我們更準(zhǔn)確，而我們只嘗試了幾個機器學(xué)習(xí)庫，結(jié)果卻不太準(zhǔn)確。

艱難的現(xiàn)實部分

到目前為止，我們已經(jīng)討論了一些自動化工具是如何在機器學(xué)習(xí)領(lǐng)域做得很好的。這些工具做得比我們好，因為我們使用的機器學(xué)習(xí)算法知識有限。相反，這些工具使用庫的組合，通過自動化完整的EDA過程來獲得更有效的結(jié)果，從而在更短的時間內(nèi)提供最好的結(jié)果。

但是，在深度學(xué)習(xí)領(lǐng)域，我們比機器學(xué)習(xí)領(lǐng)域擁有更少的命令，并且處理能力有限。我們也有大量的工具在市場上。這些工具在擁有最好的處理器方面投入了大量資金。

深度學(xué)習(xí)是關(guān)于更多的數(shù)據(jù)、處理能力和一個復(fù)雜的神經(jīng)網(wǎng)絡(luò)，它需要更多的處理能力來提供更準(zhǔn)確的結(jié)果。

當(dāng)我們談?wù)?a href='/map/shenduxuexi/' style='color:#000;font-size:inherit;'>深度學(xué)習(xí)時，它以處理非結(jié)構(gòu)化數(shù)據(jù)而聞名。而且，95%的時間，我們在這里處理圖像和測試數(shù)據(jù)。目標(biāo)檢測、圖像分割、構(gòu)建聊天機器人、情感分析、文檔相似度都是著名的用例。

但是，處理這些用例需要了解不同的深度學(xué)習(xí)算法，如卷積神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)、U-Net、沙漏、YOLO，以及更多需要大量處理能力來處理更多數(shù)據(jù)以獲得更高精度的模型。

這里的問題是，在2021年的今天，公司正在投資大量資金來自動化這些完整的管道工作流。而且，我們忙于理解基本的機器學(xué)習(xí)和深度學(xué)習(xí)模型，而不顧沒有任何投資者我們買不起高端機器的事實。

每個公司都意識到了這一事實，所以五年后，當(dāng)這些云支持的數(shù)據(jù)科學(xué)工具將變得更加高效，并能夠在更短的時間內(nèi)提供更好的準(zhǔn)確性時，為什么公司會投資雇傭我們，而不購買這些工具的訂閱？

希望之光

當(dāng)所有這些事情都將自動化時，您可能會考慮數(shù)據(jù)科學(xué)愛好者的未來。會有工作短缺還是會有更少的招聘？

好吧，當(dāng)我們換位思考時，事情就變得容易了。誠然，公司將繼續(xù)專注于機器學(xué)習(xí)的自動化工作流程。但是，請記住，沒有一家公司愿意依賴于另一家公司的工作。

每個公司的目標(biāo)是建立他們的產(chǎn)品，這樣他們就可以建立自己的自動化系統(tǒng)，然后在市場上銷售，以賺取更多的收入，而不是依賴他人。所以，是的，將需要數(shù)據(jù)科學(xué)家，他們可以幫助行業(yè)建立自動化系統(tǒng)，可以自動化機器學(xué)習(xí)和深度學(xué)習(xí)的任務(wù)。

最后，我們可以說，數(shù)據(jù)科學(xué)家的角色將是以優(yōu)化的結(jié)果自動化流水線。因此，我們最終將機器學(xué)習(xí)工作流的流水線自動化，并讓自動化決定數(shù)據(jù)中的最佳特征，并使用最佳策略的算法得到可能的最佳結(jié)果。

最后的想法

我們已經(jīng)看到，在未來五年里，數(shù)據(jù)科學(xué)工作崗位將會短缺，因為公司將采用數(shù)據(jù)科學(xué)的自動化管道。但是，對能夠自動化數(shù)據(jù)科學(xué)管道的數(shù)據(jù)科學(xué)家也將有很高的需求。

按照我的想法，要使這些管道自動化，我們首先需要理解機器學(xué)習(xí)算法，以建立一個更好的自動化系統(tǒng)，這最終將導(dǎo)致更多的工作。

嗯，你有什么想法？我很想聽聽你的。我希望你喜歡這篇文章。聯(lián)系更多相關(guān)文章。我發(fā)表關(guān)于實時數(shù)據(jù)科學(xué)場景及其用例的文章。

謝謝你的閱讀！