از بیوشیمی تا علوم کامپیوتر تا اخترفیزیک تا نویسنده

یافتن مسیر شما همیشه آسان نیست ، اما حداقل باید از این سفر لذت ببرید. اینجا ماجراجویی من است.

عکس توسط JOSHUA COLEMAN در Unsplash

در بیوگرافی من ، من اعلام می کنم که من یک دانشمند کامپیوتر و دانشجوی رشته اخترفیزیک هستم. این داستان طولانی تری برای افراد کنجکاو است و در پایان درس هایی آموخته است.

نظر

نظر

دانشمند داده در مقابل دانشمند کامپیوتر. در اینجا تفاوت وجود دارد.

دیدگاه یک متخصص داده های حرفه ای در مورد تفاوت بین این دو زمینه و نقش برجسته.

عکس توسط Oğuzhan Akdoğan در Unsplash [1].

فهرست مطالب

مقدمه دانشمند داده دانشمند کامپیوتر شباهت ها و تفاوت ها خلاصه منابع

مقدمه

علم داده و علوم کامپیوتر اغلب دست به دست هم می دهند ، اما واقعا چه چیزی آنها را متفاوت می کند؟ وجه اشتراک آنها چیست؟ پس از تجربه چندین نقش مختلف در علم داده در شرکت های مختلف ، من به موضوعات کلی فرایند علم داده ، همراه با نحوه ترکیب علوم رایانه در آن فرایند نیز پی برده ام. توجه به تفاوتهای بین این دو موقعیت ، و همچنین زمانی که یکی به دیگری نیاز دارد و بالعکس ، بسیار مهم است. معمولاً یک دانشمند داده از یادگیری علوم رایانه و سپس تخصص در الگوریتم های یادگیری ماشین سود خواهد برد. با این حال ، برخی از دانشمندان داده قبل از یادگیری نحوه کدگذاری ، مستقیماً به آمار می پردازند و بر نظریه علم داده و الگوریتم های یادگیری ماشین تمرکز می کنند. این روش من بود ، با یادگیری علوم کامپیوتر و برنامه نویسی پس از آن. گفته می شود ، آیا یک دانشمند داده نیاز به علم کامپیوتر دارد؟ پاسخ کوتاه بله است. در حالی که علوم رایانه می تواند علم داده را شامل شود ، به ویژه در زمینه هوش مصنوعی حیاتی است ، من معتقدم موضوع اصلی علوم کامپیوتر مهندسی نرم افزار است. اگر مایل هستید در مورد تفاوت بین (این دو نقش) و همچنین شباهت های مربوطه بیشتر بدانید ، به خواندن ادامه دهید. من همچنین عمیقاً به تمرکز هر یک از این موقعیت ها ، از جمله ابزارها ، مهارت ها ، زبان ها ، مراحل و مفاهیم متمرکز می پردازم.

Data Scientist

عکس توسط مارکوس اسپیسکه در Unsplash [2].

بنابراین یک دانشمند داده واقعا چه می کند؟ ما کلمات پر سر و صدا را اغلب در صنعت فناوری می شنویم ، اما آیا آنها در واقع کلیدواژه هایی هستند که ما در کارهای روزمره خود به کار می بریم؟ جواب بله یا خیر است. بدون شک بسیاری از ابزارها و زبانهای اصلی وجود دارد که حداقل روزانه از آنها استفاده می کنم. به عنوان یک دانشمند داده ، من ملزم به کشف داده های شرکت هستم و در عین حال نحوه تأثیر داده ها بر محصول را نیز متصل می کنم. در نهایت ، یک دانشمند داده به مطالعه داده های فعلی ، یافتن داده های جدید ، حل مسائل تجاری و محصول ، همه با استفاده از الگوریتم های یادگیری ماشین (به عنوان مثال ، جنگل تصادفی) تشویق می شود. برخی از مشکلات مشابه را دانشمندان کامپیوتر نیز می توانند حل کنند. اما به خاطر عنوان شغلی ، داشتن شخصی که صرفاً بر الگوریتم های یادگیری ماشین متمرکز است ، به عنوان روش ایجاد یک فرایند دستی نه تنها کارآمدتر ، بلکه دقیق تر ضروری است.

در اینجا برخی از از مراحل فرآیند علم داده که یک دانشمند داده می تواند از آن استفاده کند: کاوش داده های جاری ، و همچنین یافتن داده های جدید با استفاده از SQL برای پرس و جو و درک داده های شرکت استفاده از Python یا R برای کشف داده ها در یک قاب داده (یا چیزی شبیه به آن) انجام تجزیه و تحلیل داده های اکتشافی (با استفاده از کتابخانه هایی مانند pandas_profiling) جدا کردن س businessال تجاری و تاثیر احتمالی یک مدل برای موفقیت جستجو و اجرای الگوریتم های یادگیری ماشین برای مقایسه با روند صفر یا فعلی بهینه سازی نهایی یا مجموعه الگوریتم ها برای بهترین نتایج < /uli> نمایش نتایج با نوعی تجسم(به عنوان مثال ، دریا ، تابلو) در کنار یک دانشمند رایانه ، شاید یا یک مهندس MLOps کار می کنید - برای استقرار و پیش بینی با مدل نهایی خود در اکوسیستم شرکت در نهایت ، پیشرفت های خود را خلاصه کنید

همانطور که می بینید ، گاهی اوقات این فرایند را می توان با دیگران مانند مهندس هوش مصنوعی ، مهندس داده ، دانشمند کامپیوتر ، مهندس MLOps ، مهندس نرم افزار و غیره به اشتراک گذاشت. بر. آنچه نقش دانشمند داده را منحصر به فرد می کند ، تمرکز نظریه یادگیری ماشین و تأثیر آن بر مشکلات تجاری است. > SQL R ، SAS Python Tableau Jupyter Notebook PySpark < uli> Docker Kubernetes جریان هوا AWS/Google

در حالی که فرایند علم داده بیشتر "مانند سنگ" تنظیم شده است ، مانند فرایند علمی چگونه است ، ابزارهایی که یک دانشمند داده استفاده می کند برای تفسیر بیشتر در دسترس است. با توجه به آنچه گفته شد ، من می گویم اکثر دانشمندان داده بر استفاده از SQL ، Python و Jupyter Notebook (یا چیزی مشابه) تمرکز می کنند. این تمرکز به این دلیل است که این ابزارها یا زبانها را می توان برای هر شغلی استفاده کرد. با این حال ، برخی از شرکت ها دارای ترجیحات یا الزامات خاصی هستند که به شما امکان می دهد به عنوان مثال Google Data Studio را از Tableau انتخاب کنید. در مرحله بعد ، ما به طور خاص در مورد نقش دانشمند کامپیوتر صحبت خواهیم کرد.

دانشمند کامپیوتر

عکس توسط کاری شی در Unsplash [3].

در حالی که رشته علوم رایانه از عنوان دانشمند کامپیوتر رایج تر است ، هنوز نقش هایی وجود دارد که بر روی این نقش تمرکز می کنند. صرفا گفته می شود ، علوم کامپیوتر در نیروی کار تمایل دارد به طور خاص مهندسی نرم افزار را هدف قرار دهد. سایر نقشهایی که می تواند تحت رایانه کامپیوتر انجام شود شامل موارد زیر است: این تنوع تعریف دانشمند رایانه را کمی دشوارتر می کند ، از جمله اینکه چگونه علم داده می تواند شامل عملیات یادگیری ماشین ، مهندسی داده ، تجزیه و تحلیل داده ها و غیره باشد. در نهایت ، این وظیفه شما و شرکتی است که در آن کار می کنید ، نقش خود را در علوم کامپیوتر تعیین می کند. البته توصیف شغل راهی آسان برای فهمیدن نقش فرعی خاص است.

در اینجا برخی از مراحل فرآیند علوم رایانه ای است که دانشمندان کامپیوتر می توانند از آنها استفاده کنند: درک کسب و کار ، داده ها ، محصولات و البته نرم افزار برای یک مشکل خاص ، تعیین الزامات درک و طراحی سیستم و نرم افزار پیاده سازی فرایند و همچنین آزمایش واحد نحوه یکپارچه سازی نرم افزار و تأثیر آن بر سیستم و در نهایت ، عملیات و نگهداری

اگرچه این فرایند دقیقاً شبیه به یک متخصص داده تخصصی نیست ، اما هنوز برخی از جنبه های وسیع تر یک فرایند فنی تر را شامل می شود ، از جمله ، اما نه محدود به درک نرم افزار ، داده ها ، و اجرای بهبود ، در حالی که پس از آن ، تجزیه و تحلیل و گزارش تأثیر آن. : نرم افزار تست IDE پایتون و سایر زبان های برنامه نویسی شیء Slack آمازون یادداشت ها Atom Visual Studio Microsoft Azure GitHub Atlassian

ابزارها و زبانهای بیشماری وجود دارد که دانشمندان کامپیوتر می توانند از آنها استفاده کنند. بار دیگر ، واقعاً بستگی به تمرکز شما دارد - آیا مهندسی نرم افزار است ، آیا اینطور استتجزیه و تحلیل شبکه ، آیا IT است؟ امیدوارم نقشی برای شما وجود داشته باشد که نه تنها شما واجد شرایط آن هستید ، بلکه وظیفه ای را ترجیح می دهید که تحت آن فعالیت کنید. در مرحله بعد ، من عمیق تر به شباهت ها و تفاوت های بین موقعیت علم دانش و رایانه کامپیوتر می پردازم.

شباهت ها و تفاوت ها

عکس توسط اریک پروزت در Unsplash [4].

اکنون که در مورد موضوعات و انتظارات اصلی این دو نقش بحث کرده ایم: علم داده و علوم کامپیوتر ، ما اکنون شباهت ها و تفاوت های بین آنها را برجسته می کنیم. البته ، نکات بیشتری برای بحث وجود دارد ، اما اینها برخی از مواردی است که به عنوان بازیگران اصلی از تجربه من به ذهن می آید.

در اینجا شباهت هایی وجود دارد که می توانید بین این دو نقش انتظار داشته باشید: < /bq> هر دو نیاز به درک کسب و کار و محصولات آن دارند هر دو مستلزم آگاهی کار از داده ها در شرکت هر دو نقش معمولاً به معنای مسلط بودن با استفاده از Git یا GitHub هر دو به طور کلی از یک رویکرد سیستمیک به فرایند علمی پیروی می کنند انتظار می رود که هر دو پیشرو در فناوری باشند هر دو معمولاً به یک زبان برنامه نویسی مسلط هستند هر دو می توانند در نقش مربوطه دیگر شروع و به نقش دیگر هردو دارای عملکرد متقابل باشند

شباهت های بین نقش ها زمینه فناوری را برجسته می کند این نقشها در داخل هستند.

در اینجا تفاوتهایی وجود دارد که می توانید بین این دو نقش انتظار داشته باشید: puter Scientist بیشتر بر طراحی نرم افزار تمرکز می کند دانشمندان کامپیوتر به عنوان یک نقش بیشتر با تنوع بیشتر آموزش بین این دو متفاوت است ، معمولاً مدرک علوم کامپیوتر و درجه علوم داده < /uli> داده ها دانشمندان سابقه ای در آمار دارند دانشمندان کامپیوتر دارای سابقه مهندسی کامپیوتر هستند دانشمندان کامپیوتر بیشتر خودکارسازی و شی گرا هستند دانشمندان داده اغلب با مدیران محصول یا سایر نقشهای تجاری روبرو هستند

از آنجا که این نقشها شامل سایر نقشهای فرعی است ، می توانند در یک شرکت بسیار متفاوت از یکدیگر باشند و شگفت آور باشند در یک شرکت دیگر همپوشانی دارد. با این حال ، آنها همچنین دارای برخی از ویژگی های همان جنبه ها هستند. مفهوم اصلی یک دانشمند داده حل مشکلات تجاری با استفاده از الگوریتم های یادگیری ماشین است ، در حالی که موضوع اصلی یک دانشمند کامپیوتر یا جهت برنامه نویسی شی گرا و مهندسی نرم افزار است یا بیشتر به سمت IT که نیاز به دانش عمومی در مورد همه چیز دارد. یک کامپیوتر.

به طور کلی ، هر دو نقش به طور خلاصه عبارتند از: : برنامه نویسی ، مهندسی نرم افزار ، تولید ، DevOps ، اتوماسیون ، فناوری اطلاعات ، شبکه ، مدیریت پایگاه داده ، سخت افزار ، تجزیه و تحلیل سیستم ها و توسعه وب

امیدوارم این مقاله برای شما جالب و مفید واقع شده باشد. به خاطر داشته باشید که این مقاله بر اساس نظر من و تجربیات شخصی هر دو نقش است. اگر مخالف یا موافق هستید ، در صورت دلایل و موارد خاصی که می خواهید اضافه کنید ، در زیر نظر دهید. آیا بیشتر دوست دارید یک دانشمند داده باشید یا یک دانشمند کامپیوتر؟ آیا فکر می کنید آنها باید در یک نقش ادغام شوند؟ آیا واقعا تفاوتی وجود دارد؟ به عنوان یک دانشمند کامپیوتر ، تمرکز شما بر چیست؟ IT است یا چیزی شبیه به Networking؟جالب است که برخی از بینش ها را از دیگران دریافت کنید تا همه بتوانند از دیگران یاد بگیرند تا بهترین نمایانگر شباهت ها و تفاوت های بین علوم داده و علوم کامپیوتر باشند. از شما برای خواندن متشکرم و در صورت تمایل می توانید مشخصات من را مطالعه کنید یا مقالات دیگر را بخوانید و در صورت داشتن هرگونه سوال در مورد آنها با من تماس بگیرید. علم با خیال راحت و همچنین مقاله مشابه دیگر من در مورد Data Science vs Machine Learning Ops Engineer را بررسی کنید [5]. این مقاله تفاوتها و شباهتهای بین Data Science و MLOps را مشخص می کند ، که هر دو ابزار و تجربیات زیادی را به اشتراک می گذارند ، در عین حال متفاوت است:

Data Scientist vs Machine Learning Ops Engineer. اینجا تفاوت است بررسی عمیقی در Data Scientist و تفاوت ها و شباهت های MLOps.towardsdatascience.com

متشکرم!

مراجع

[1] عکس Oğuzhan Akdoğan در Unsplash ، (2019)

[2] عکس توسط مارکوس اسپیسکه در Unsplash ، (2018)

[3] عکس توسط کاری شی در Unsplash ، (2017)

[4] عکس از اریک پروزت در Unsplash ، (2020)

[5] M.Przybyla ، Data Scientist vs Machine Learning Ops Engineer. در اینجا تفاوت وجود دارد. ، (2021)

کامپیوتر