۳ نکته مهم برای موفقیت در علم داده

در گذشته، ما به برخی چالش‌های پروژه‌های علوم داده اشاره کردیم. آن‌ها می‌توانند دشوار باشند، و به هیچ وجه موفق نباشند. در زیر سه تکنیک برای کمک به موفقیت پروژه بعدی شما در علم داده آورده شده‌است.

۱.با یک برنامه شروع کنید

اگر ندانید به کجا می‌روید، ممکن است به جای دیگری بروید. یوگی برا

این گفته یوگی خنده‌دار است، اما درست است. بدون برنامه، چه کسی می‌داند که شما به کجا خواهید رسید. علم داده متفاوت نیست. برنامه‌ریزی مهم است. مونیکا روگاتی، یکی از پیشگامان اولیه علم داده، سلسله‌مراتب علم داده نیازها را کنار هم قرار داده‌است. هوش مصنوعی و یادگیری عمیق در راس قرار دارند. همه می‌خواهند از آنجا شروع کنند. این چیز خوبی است که اخبار را می‌سازد و توجه را به خود جلب می‌کند. با این حال، یک پایه بزرگ وجود دارد که در زیر هوش مصنوعی وجود دارد. به عنوان یک سازمان باید مشخص کنید که در کدام هرم هستید و به سمت بالا حرکت می‌کنید.

۲.تمرکز بر آموزش

تبدیل شدن به داده محور اغلب نیاز به کمی تغییر طرز فکر دارد. هر کسی در سازمان شما نیاز ندارد که ریاضی‌دان شود، اما مردم نیاز دارند که درک و توانایی برای تصمیم‌گیری با داده‌ها به دست آورند. بخش عمده‌ای از آموزش ناشی از تجربه تغییر و راحت شدن با تصمیمات با کمک داده‌ها است.

۳. انتظار داشته باشید که زمان ببرد

رفتن به دنبال برد سریع می‌تواند وسوسه‌انگیز باشد. اینها همیشه خوب کار نمی‌کنند. و آن‌ها می‌توانند در نهایت زیان‌های سریعی داشته باشند که به پتانسیل علم داده در آینده آسیب می‌رساند. اگر موفق شوند، می‌توانند انتظارات نادرستی را برای پروژه‌های علم داده آینده تنظیم کنند. همه پروژه‌ها سریع، آسان، و موفق نخواهند بود. بسیاری از پروژه‌های موفق زمان می‌برد. همچنین، آموزش ذکر شده در بالا فورا اتفاق نخواهد افتاد.مردم باید نمونه‌هایی از اینکه چگونه داده‌ها چیزها را بهتر می‌کنند قبل از این که واقعا شروع به باور کردن کنند، ببینند.

دواین گافری یک گفته عالی در این باره دارد. او سپس شروع پروژه‌های متعدد برای افزایش هم‌کاری را توصیه می‌کند.

البته که شروع یک پروژه هوش مصنوعی که تاثیری بر روی کسب‌وکار شما ندارد، آن را کاهش نخواهد داد. دووین جفری، مشکل شروع سرد با هوش مصنوعی

موفقیت علم داده با یک استراتژی داده شروع می‌شود.

قبل از شروع پروژه دانش داده بعدی خود، ایجاد یک استراتژی داده را در نظر بگیرید. آن باید شامل یک چشم‌انداز آینده و یک برنامه برای رسیدن به آنجا باشد.

منتشرشده در: سایت 101.datascience به تاریخ ۲۹ ژانویه ۲۰۲۰
نویسنده: Ryan Swanstrom
لینک مقاله اصلی: https://101.datascience.community/2020/01/29/data-science-success-3-tips-to-consider/

این مقاله توسط مترجم هوشمند مقالات علمی تخصصی و به صورت خودکار و با حداقل بازبینی انسانی ترجمه شده و می‌تواند به صورت محدود دارای اشکالات ترجمه باشد.