Ser vad du behöver veta när du börjar med datavetenskap - dummies

Del av Data Science For Dummies Cheat Sheet

Traditionellt är stora data termen för data som har otrolig volym, hastighet och variation. Traditionell databassteknik kan inte hantera stor data - det behövs mer innovativa lösningar för datastyrd teknik. För att utvärdera ditt projekt för huruvida det kvalificerar som ett stort data-projekt, överväga följande kriterier:

• Volym: Mellan 1 terabyte / år och10 petabytes / år

• Hastighet: Mellan 30 kilobytes / sekund och 30 gigabyte / sekund

• Variety: Kombinerade källor till ostrukturerade, halvstrukturerade och strukturerade data

Datavetenskap och datateknik är inte samma.

Anställningschefer tenderar att förvirra datateknikerens och datateknikerens roller. Medan det är möjligt att hitta någon som gör lite av båda, är varje fält oerhört komplext. Det är osannolikt att du hittar någon med starka kunskaper och erfarenheter inom båda områdena. Av denna anledning är det viktigt att kunna identifiera vilken typ av specialist som är mest lämplig för att hjälpa dig att uppnå dina specifika mål. Beskrivningarna nedan ska hjälpa dig att göra det.

• Datavetenskapare: Datavetenskapare använder kodning, kvantitativa metoder (matematisk, statistisk och maskininlärning) och högspecialiserad kompetens inom sitt studieområde för att ta fram lösningar på komplexa affärs- och vetenskapliga problem.

• Datatekniker: Datatekniker använder sig av färdigheter inom datavetenskap och programteknik för att designa system för och lösa problem med hantering och hantering av stora dataset.

Datavetenskap och affärsintelligens är inte heller samma sak

Affärscentrerade datavetenskapare och affärsanalytiker som gör affärsintelligens är som kusiner. Båda typerna av specialanvändningsdata för att uppnå samma affärsmål, men deras tillvägagångssätt, teknik och funktioner är olika. Beskrivningarna nedan stavar skillnaderna mellan de två rollerna.

• Business Intelligence (BI): BI-lösningar är generellt byggda med dataset som genereras internt - från en organisation i stället för från utan med andra ord. Vanliga verktyg och tekniker inkluderar online analytisk bearbetning, extraktransformering och laddning och datalagring. Även om BI ibland innefattar framåtblickande metoder som prognoser, bygger dessa metoder på enkla matematiska inferenser från historiska eller aktuella data.

• Business-centrerad datavetenskap: Business-centrerade datavetenskapliga lösningar är byggda med dataset som är interna och externa för en organisation. Vanliga verktyg, tekniker och färdigheter inkluderar molnbaserade analysplattformar, statistisk och matematisk programmering, maskininlärning, dataanalys med Python och R, och avancerad datavisualisering. Business-centrerade datavetenskapare använder avancerade matematiska eller statistiska metoder för att analysera och generera förutsägelser från stora mängder affärsdata.