المحتوى
- علوم البيانات والتعلم الآلي: مصطلحات واسعة وضيقة
- مجموعات مهارات تعلم العلوم والتعلم الآلي
- No Bugs، No Stress - دليلك خطوة بخطوة لإنشاء برامج لتغيير الحياة دون تدمير حياتك
- كيفية اكتشاف آلة التعلم
- اثنين من التخصصات المتطورة
المصدر: Elnur / Dreamstime.com
يبعد:
تختلف علوم البيانات والتعلم الآلي بطرق أساسية. في بعض النواحي ، يمكن أن ينظر إلى واحد كمجموعة فرعية من الآخر. كلاهما مهم في التقدم الحالي لتكنولوجيا المعلومات.
في هذا العالم الجديد من الذكاء الاصطناعي وإدارة البيانات ، من السهل الخلط بين بعض المصطلحات الأكثر استخدامًا في عالم تكنولوجيا المعلومات.
على سبيل المثال ، فإن علم البيانات والتعلم الآلي لهما علاقة كبيرة ببعضهما البعض. ليس من المستغرب أن يواجه الكثير من الأشخاص الذين لديهم معرفة عابرة بهذه التخصصات صعوبة في معرفة كيف يختلفون عن بعضهم البعض.
إليك أفضل طريقة لفصل علم البيانات عن التعلم الآلي ، كمبدأ وكطريقة تكنولوجية.
علوم البيانات والتعلم الآلي: مصطلحات واسعة وضيقة
بادئ ذي بدء ، فإن علم البيانات هو حقًا فئة واسعة وشاملة من التكنولوجيا تشمل العديد من أنواع المشاريع والإبداعات المختلفة. (لمزيد من المعلومات حول ما يتعلق بمهمة علم البيانات ، راجع الدور الوظيفي: عالم بيانات.)
علم البيانات هو في الأساس ممارسة العمل مع البيانات الضخمة. ظهر كقانون مور وانتشار أجهزة تخزين أكثر كفاءة أدت إلى كميات هائلة من البيانات التي يتم جمعها من قبل الشركات والأطراف الأخرى. ثم ، بدأت منصات وأدوات البيانات الكبيرة مثل Hadoop في إعادة تعريف الحوسبة من خلال تغيير كيفية عمل إدارة البيانات. الآن ، مع وجود السحابة والحاويات بالإضافة إلى الموديلات الجديدة ، أصبحت البيانات الضخمة محركًا رئيسيًا للطرق التي نعمل بها ونعيش بها.
في أبسط أشكاله ، علم البيانات هو الطريقة التي ندير بها تلك البيانات ، بدءًا من تنظيفها وتحسينها إلى استخدامها في شكل رؤى ثاقبة.
تعريف التعلم الآلي أضيق بكثير. في التعلم الآلي ، تأخذ التقنيات البيانات وتضعها في خوارزميات ، من أجل محاكاة العمليات الإدراكية البشرية الموصوفة باسم "التعلم". وبعبارة أخرى ، بعد أخذ البيانات وتدريبها عليها ، يستطيع الكمبيوتر تقديم نتائجه الخاصة. ، حيث يبدو أن التكنولوجيا قد تعلمت من العمليات التي وضعها المبرمجون.
مجموعات مهارات تعلم العلوم والتعلم الآلي
هناك طريقة أخرى لمقارنة علم البيانات والتعلم الآلي وهي إلقاء نظرة على المهارات المختلفة الأكثر قيمة للمهنيين في أي من هذه المجالات.
No Bugs، No Stress - دليلك خطوة بخطوة لإنشاء برامج لتغيير الحياة دون تدمير حياتك
لا يمكنك تحسين مهارات البرمجة لديك عندما لا يهتم أحد بجودة البرنامج.
هناك إجماع عام على أن علماء البيانات يستفيدون من المهارات التحليلية والرياضية العميقة ، والخبرة العملية في تقنيات قواعد البيانات ، ومعرفة لغات البرمجة مثل Python أو الحزم الأخرى المستخدمة في تحليل البيانات الضخمة.
يقول سريهاري ساسيكومار في Simplilearn: "يجب على أي شخص مهتم ببناء مهنة قوية في (علوم البيانات) أن يكتسب مهارات أساسية في ثلاثة أقسام: التحليلات والبرمجة ومعرفة المجال". "بالارتقاء بمستوى أعمق ، سوف تساعدك المهارات التالية في تحديد مكانة كعالم بيانات: معرفة قوية ببيثون ، SAS ، R (و) Scala ، خبرة عملية في ترميز قاعدة بيانات SQL ، القدرة على العمل مع بيانات غير منظمة من مصادر مختلفة مثل الفيديو والوسائط الاجتماعية ، وفهم وظائف تحليلية متعددة (و) معرفة التعلم الآلي. "
على جانب التعلم الآلي ، غالبًا ما يستشهد الخبراء بمهارات نمذجة البيانات ومعرفة الاحتمالات والإحصاءات ومهارات البرمجة الأوسع كأدوات مفيدة في مجموعة أدوات مهندس التعلم الآلي.
كيفية اكتشاف آلة التعلم
المفتاح هنا هو أن كل أنواع الأشياء تشتمل على عمل في علم البيانات ، ولكنها ليست تعلمًا آليًا إلا إذا كان لديك نظام صارم للغاية تم إعداده لمساعدة الكمبيوتر على التعلم من مدخلاته.
عندما يكون ذلك في مكانه الصحيح ، فإنه يصنع بعض الأنظمة القادرة بشكل مدهش والتي يمكن أن يكون لها تأثيرات واسعة النطاق على حياتنا.
"الكثير مما نفعله بالتعلم الآلي يحدث تحت السطح" ، حسبما ذكر مؤسس أمازون جيف بيزوس ، مشيرًا إلى بعض تطبيقات هذه الأنواع من الأنظمة. "التعلم الآلي يقود خوارزمياتنا للتنبؤ بالطلب وتصنيف البحث عن المنتجات وتوصيات المنتج والصفقات ومواضع الترويج واكتشاف الاحتيال والترجمات وأكثر من ذلك بكثير. على الرغم من كونه أقل وضوحًا ، إلا أن الكثير من تأثير التعلم الآلي سيكون من هذا النوع - تحسين العمليات الأساسية بهدوء ولكن هادف. "
من أكثر الأمثلة المفيدة هنا ظهور الشبكة العصبية - إنها طريقة شائعة وشائعة لإعداد عمليات التعلم الآلي.
في أبسط أشكالها ، تتكون الشبكة العصبية من طبقات من الخلايا العصبية الاصطناعية. كل خلية عصبية فردية لها وظيفة مكافئة لخلايا عصبية بيولوجية - ولكن بدلاً من المشابك والتغصنات ، لها مدخلات ووظيفة تنشيط ونواتج نهائية.
تم تصميم الشبكة العصبية لتعمل كدماغ بشري ، وغالبًا ما يستخدم محترفي التعلم الآلي هذا النموذج لإنشاء نتائج تعلم الآلة.
ومع ذلك ، ليست هذه هي الطريقة الوحيدة للقيام بالتعلم الآلي. بعض مشاريع التعلم الآلي البدائية تتضمن ببساطة عرض كمبيوتر على مجموعة واسعة من الصور (أو تزويده ببيانات أولية أخرى) ، وإدخال الأفكار من خلال عملية استخدام بيانات الآلة وتعليمها الخاضعين للإشراف ، وتمكين الكمبيوتر في النهاية من التمييز بين مختلف الأشكال أو العناصر في مجال بصري. (للحصول على أساسيات التعلم الآلي ، راجع Machine Learning 101.)
اثنين من التخصصات المتطورة
في الختام ، يعد التعلم الآلي جزءًا مهمًا من علوم البيانات. لكن علم البيانات يمثل الحدود الأوسع والخداع الذي يحدث فيه التعلم الآلي.
بطريقة ما ، يمكنك القول أن التعلم الآلي لن يحدث أبدًا بدون بيانات كبيرة. على الرغم من أن البيانات الضخمة نفسها لم تخلق تعلمًا آليًا - وبدلاً من ذلك ، بعد أن جمّعنا بشكل جماعي الكثير من البيانات لدرجة أننا لم نكن نعرف ما يجب فعله بها ، توصلت أفضل العقول إلى عمليات المحاكاة الحيوية هذه بطريقة فائقة الشحن. توفير الأفكار.
الشيء الجيد الآخر الذي يجب أن نضعه في الاعتبار هنا هو أنه يمكن تطبيق علم البيانات بطريقتين رئيسيتين - يمكننا احتضان التعلم الآلي والذكاء الاصطناعي ، وترك أجهزة الكمبيوتر تفكر فينا ، أو يمكننا إعادة علم البيانات إلى نهج أكثر تركيزًا على الإنسان حيث يعرض الكمبيوتر النتائج ببساطة ، ونحن كبشر نتخذ القرارات.
يقود ذلك بعض الخبراء ، بما في ذلك بعض كبار المبتكرين اليوم ، إلى المطالبة بحساب أكثر حيوية للطرق التي نستخدم بها هذه التقنيات.
ونقلت الصحيفة عن إلون موسك قوله: "(الذكاء الاصطناعى) قادر على أكثر بكثير مما يعرفه أي شخص تقريبا ومعدل التحسن كبير" ، في حين حذر من أن التعلم الآلي وبرامج الذكاء الاصطناعى تتطلب رقابة.
في أي حال ، يعد كل من علم البيانات والتعلم الآلي جزءًا أساسيًا من التقدم الذي نحرزه نحن كمجتمعات في التكنولوجيا اليوم.