Искаженное представление о работе в Data Science может отпугивать многих людей — они не решаются попробовать себя в этой области, даже если их настоящая работа их не устраивает. Например, им кажется, что для работы в этой сфере нужно быть математическим гением или иметь техническое образование, а также что Data Science сводится только к обучению моделей машинного обучения.
Но на самом деле все происходит совсем не так. В этой статье собраны распространенные заблуждения о Data Science, а также на примерах объяснено, почему в них не стоит верить.
1️⃣ Миф 1: Чтобы стать Data Scientist, нужно быть математическим гением!
Знания математики безусловно нужны, на них базируются модели машинного обучения, но это не означает, что вы должны быть супер-экспертом в вышмате. Гораздо важнее понимать основные концепции (да-да! тут нужна база, даже если хотите понять, как работает Transformer), уметь применять их на практике и развивать способность к логическому мышлению.
2️⃣ Миф 2: Data Science - это только для технарей
Это распространенное заблуждение. Data Science требует разнообразных навыков, включая программирование, анализ данных, визуализацию и коммуникацию. Многие успешные Data Scientist’ы имеют разнообразный бэкграунд - от гуманитариев до инженеров. Люди с гуманитарным образованием, обладающие критическим мышлением и способностью находить нестандартные решения, также могут добиться успеха в этой области. Часто лично встречала такие ситуация, когда в NLP направлении работали бывшие лингвисты.
3️⃣ Миф 3: Data Scientists скоро заменят AI-алгоритмы
Хотя Data Scientist являются и создателями этих же алгоритмов, но все же работу над задачами среднего и высокого уровня сложности такие алгоритмы заменить пока что не в состоянии. Алгоритмы AI по-прежнему нуждаются в качественных данных, которые собирают и подготавливают сами же Data Scientist’ы.
4️⃣ Миф 4: Data Science - это только про обучение ML-моделей
Построение предиктивных моделей - важная, но далеко не единственная задача Data Scientist'ов. Они также занимаются сбором, очисткой и анализом данных, выбором релевантных признаков, оценкой качества данных и многим другим (еще огромный пласт работ - production…). Эти "черновые" работы составляют значительную часть и не менее важны, чем само моделирование.
#datascience #python #machinelearning
