Схема успешного развития data-scientist специалиста в 2019 году

3
14260
Добавить в избранное

Подготовили для вас Roadmap. Приведенная схема развития data-scientist пригодится как начинающему, так и опытному специалисту.

Путь развития data-scientist

Схема успешного развития data-scientist специалиста в 2019 году

Революционный прогресс во всех сферах, в том числе Deep Learning (DL) и Data Science движется поэтапно. Давайте рассмотрим основные проблемы развития и прогнозы, ожидающие инженеров и всю отрасль в 2019 году.

  • Замедление развития DL и его хардварной составляющей. Новые технологии должны быть выполнены с использованием наноинтенциональности, пришедшей из биологии.
  • Неконтролируемое обучение (UL) не оправдает возложенных надежд. Все ожидали, что применение UL будет большим шагом вперед. Это дало бы возможность использовать данные без участия человека.
  • Мета-обучение будет использоваться только для научных исследований. Такой тип обучения пока остается малоизученным и ложится на плечи исследователей-любителей.
  • Найдется применение и генеративному вычислительному моделированию. Прогресс в этой области окажет серьезное влияние на развитие науки.
  • Использование гибридных моделей в прогнозировании. Индустриализация DL наступит в ходе симбиоза моделей, созданных человеком и DL моделей.
  • Появление дополнительных методов, используемых в имитационном обучении.
  • Интеграция DL в исследование и работу с дизайном (AlphaGo, Adobe, AutoDesk). DL позволяет создавать инструменты, способные обрабатывать более мелкие детали, а также обладающие возможностью быстрого принятия решений.
  • Отказ от сквозного тестирования и акцент на развивающем обучении.
  • Больше дополнений и инноваций в NLP.
  • Выход на «ринг» кибернетики и системного мышления. Камнем преткновения является инженер, не способный угнаться за темпом прогресса.

Глубокое обучение продолжает развиваться с головокружительной скоростью, и останавливаться не собирается. Неизбежен переход в промышленные приложения. Общая проблема специалистов в data-science – слабое владение DL/ML и неспособность создать целостные решения существующих актуальных проблем. А ведь инструменты и методы, доступные для глубокого обучения, применимы как в науке, так и в коммерции.

Оригинал

Другие материалы по теме:

Интересуетесь Data Science?

Подпишитесь на нашу рассылку, чтобы получать больше интересных материалов:

И не беспокойтесь, мы тоже не любим спам. Отписаться можно в любое время.




Комментариев: 3

  1. Михаил Ковалышев

    Я может что-то не понимаю, но почему Data Science — это обязательно и только машинное обучение?
    И почему во всем Data Science постоянно пихают Python?
    На минуточку, в этой области набрали обороты R, Scala и набирает обороты C++. А из всего это списка только R был упомянут.

  2. Евгений Сопов

    Или поступить в нормальный вуз, все что в предложенноц карте — это прикладная математика + первый курс программирования. + Ещё 4 года полезных предметов за счёт государства.

    1. Максим Ильин

      Еагений-пустослов, в вузе тебе не научат и использовать ЯП, не расскажут что сейчас требуется рынку. Пришли пожайлуста ссылку на программу вуза с 4 годами за счет государства..

Добавить комментарий