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.
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.
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.
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
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.
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.
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. :
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.
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.
شباهت های بین نقش ها زمینه فناوری را برجسته می کند این نقشها در داخل 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.
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:
متشکرم!
[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)