oder: Schränkt die Auswahl einer Domain bei der Eingabe eines Jobs Ihre zukünftigen Optionen für Domains und damit Jobs ein?
Um diese Frage so weit wie möglich anwendbar zu machen ...
- Beruf bezieht sich auf alle Arten von Datenanalysten, von Statistikern über Programmierer von Maschinenlernern bis hin zu Data Minern.
- Stellen Sie sich vor, Sie wurden gebeten, einem Publikum mit Studenten und Fachleuten verschiedener Altersklassen einen Rat zu geben
Vielleicht ein Ausgangspunkt:
Die Wettbewerbe auf Kaggle haben gezeigt, dass Außenstehende die von Mitarbeitern des Unternehmens entwickelten Modelle übertreffen können (siehe z . B. hier ). Andererseits hat mich meine (begrenzte) Berufserfahrung zu dem Schluss gebracht, dass das Verständnis, wie und wo die Daten generiert wurden, unbedingt erforderlich ist, um eine abstrakte Umgebung zu schaffen, in der so etwas wie ein Kaggle-Wettbewerb stattfinden kann. Darüber hinaus fällt es mir ohne Domänenkenntnisse schwer, die Ergebnisse anderen Ebenen / Abteilungen zu melden. Einige assoziieren die letzte Fähigkeit als Schlüssel zum "neuen" Beruf "Data Science" (siehe zB hier oder hier ).
Antworten:
Ich mache eine Analogie: Das Lösen statistischer Probleme ohne Kontext ist wie Boxen mit verbundenen Augen. Sie könnten Ihren Gegner ausschalten, aber Sie könnten Ihre Hand auf den Ringpfosten schlagen.
Ich arbeite hauptsächlich mit medizinischen und sozialwissenschaftlichen Forschern. Dort scheint das Gefühl weit verbreitet zu sein, dass das richtige Modell für die Forschung ist
1) Sie kommen mit einer Idee, sammeln Daten, darüber zu schreiben und dann 2) Sie geben es uns zu „tun die Statistik“.
Daher stimme ich zu, dass wir die Probleme verstehen müssen. Natürlich brauchen wir kein so umfassendes Verständnis der Forschung wie der Praktiker. Deshalb kann ich (und viele andere Datenleute) mit Menschen in verschiedenen Berufen arbeiten. Aber je weniger wir über ein Thema wissen, desto mehr müssen wir mit dem Fachmann interagieren, um sicherzustellen, dass die Ergebnisse sinnvoll sind.
Eines der vielen Dinge, die ich an meiner Arbeit mag, ist, dass ich ein bisschen über viele verschiedene Themen lernen kann.
quelle
Wichtig genug, um den domänenorientierten Datenanalysen eindeutige Namen zu geben (z. B. Metriken: Biometrie, Psychometrie, Chemometrie, ...)
Die Mischung aus Domänenwissen und statistischem Wissen ist in äußerst wichtig
Hier ist ein Beispiel für eine domänenspezifische Interpretation eines Klassifikators , die nur möglich war, weil sowohl datenanalytisches als auch spektroskopisches Wissen zusammen vorhanden waren (Abschnitt "Beschreibende LDA und spektroskopische Interpretation"). Versuchen Sie sich vorzustellen, wie viel Kommunikation zwischen einem Datenanalysten ohne spektroskopisches Wissen und einem Spektroskopiker ohne Ahnung von LDA erforderlich wäre, um zu einer solchen Interpretation zu gelangen.
Beck-Bornholt & Dubben würden wahrscheinlich argumentieren, dass die Einbeziehung von mehr Domänenwissen die Prävalenz (vorherige Wahrscheinlichkeit) guter wissenschaftlicher Ideen erhöht.
(Ich bin ein Chemiker, der auf Chemometrie und Spektroskopie spezialisiert ist und sowohl Messungen als auch Datenanalysen durchführt.)
Vielleicht, aber gleichzeitig können Sie mehr Fachwissen in diesem Bereich beanspruchen und sich folglich für die spezialisierten Jobs bewerben (und meine Erfahrung ist, dass wir Chemometriker eine begehrte Spezies sind).
Darüber hinaus zeigen Sie, dass Sie in neuen Domänen arbeiten können.
quelle