[C.....c]

Panowie z #datascience #machinelearning #siecineuronowe #bigdata jak często korzystacie z matematyki i na jakim poziomie skomplikowania? Może kiedyś chciałbym uderzyć w te rejony, więc chciałbym wiedzieć ile w aparacie matematycznym mi brakuje.

[niunix]

Tak tyk

[m.....u]

@Cooltec: matma w takich tematach sprawdza się do zrozumienia modelu/problemu. W sumie możesz korzystać z modeli bez wiedzy matematycznej jednak będzie to trudniejsze przy ewentualnych problemach.

[r.....h]

@Cooltec: To zależy (jak wszędzie).

Znam typków którzy za #!$%@? nie potrafią Ci wytłumaczyć o co w Regresji/RegLog/Drzewie/Lesie/Sieciach czy którejkolwiek z metod chodzi (w sensie matematycznym) a i tak nazywają się DS-ami bo potrafią użyć funkcji regresja(x,y,z) czy innego SAS Minera i w sumie to wiedza którą z metod zastosować do jakiego typu danych i potrzeb klienta.
I w pewnym sensie to jest ok i cała branżunia do tego dąży.

[C.....c]

@mraauuu: Czyli generalnie zakres modelowania matematycznego?

[zarev]

@Cooltec: Jako poczatkujacy data scientist na matematyce bedziesz spedzal max kilka % swojego czasu, najwazniejsza umiejetnoscia zjadajaca Ci spokojnie 80%~ bedzie analiza danych, czyli:
-wizualizacja
-czyszczenie danych
-szukanie korelacji
-wizualizacja rezultatow

[m.....u]

@Cooltec: zależy jak to zdefiniujemy, ale raczej to plus ogólne pojęcie o rachunku prawdopodobieństwa/statystyce.

[C.....c]

@zarev: to czyli phd w tym zakresie się przydaje? Phd z jakich dziedzin? Matematyka sama, czy jeszcze inne techniczne również, typu informatyka, elektrotechnika, tam też matematyka i różne zagadnienia potrzebne.

@mraauuu: czyli raczej podstawowy zakres matematyki, coś z czym jak na codzień nie masz styczności, to sprawia problem, ale nadrobienie tego w zakresie tygodnia/dwóch jest możliwe.

@rith: wydaje mi się (moja własna opinia, niczym nie poparta),

[m.....u]

@Cooltec: to zależy jak bardzo chcesz znać modele, itd.

"wydaje mi się (moja własna opinia, niczym nie poparta), że jak w każdej branży, po wykształceniu się kilku metod, są one używane i dopasowywane do sytuacji, to znacznie ułatwia pracę, a odchyłek od tych modeli jest stosunkowo niewiele. "

pewnie zależy od specyfiki danej pracy, ale raczej tak.

[invtraveler]

@mraauuu: @Cooltec: No nie wiem, ja jak pisze algorytmy to muszę ogarniać matme żeby je skonstruować. Ale jak chcesz używać gotowych bibliotek bez większego myślenia to też możesz, ale wtedy jesteś raczej script kiddie, a jeśli chcesz brać udział w tworzeniu lepszych algorytmow, szukaniu metod, które lepiej będą optymalizowały rozwiązywanie problemów to raczej musisz ogarniać matme na dobrym poziomie. Z resztą nic dziwnego, data scientist to raczej ktoś

[C.....c]

@zarev: To chyba pora zrobić sobie jeszce PhD, i dodatkowo posiedzieć trochę w algorytmach.
@invtraveler: Czym dokładniej się zajmujesz, jeśli możesz powiedzieć? Wiedza z jakiego zakresu jest potrzebna Ci na co dzień w pracy?

[invtraveler]

@Cooltec: Nie pracuje jeszcze, musze skończyć studia xD. Ale uczę się głównie matmy, staty i programowania. Jak już opanujesz jeden język do data science (np. R, julia), jeden ogólny (python, aczkolwiek python może i zastąpić R) i jakieś dodatkowe do wizualizacji danych (d3.js) to jesteś all set. No a matma no to zależy jak bardzo się dobrze czujesz w tym. Nie każdy się nadaje do tego i jeśli nie ogarniałeś

[corpseRott]

@Cooltec: Przerabiam temat 4-fun. Generalnie mogę powiedzieć że matematyka przez którą jak dotąd przeszedłem to:
- Wektory, Macierze i operacje na nich
- Statystyka w wymiarze pełnym (Fishery, Poissony i inne włącznie)
- Równania liniowe, kwadratowe, wielomiany
- Pochodne, Pochodne Częściowe, Całki (w mniejszym wymiarze i w gruncie rzeczy potrzebne tylko do zrozumienia działania algorytmów np skalujacych, a to wiedza nie niezbędna)
-

[m.....u]

@invtraveler: wydaje mi się, że dokładnie napisałem to co Ty.

Do tworzenia tak, do wykorzystywania istniejących już nie.

[Kura_Wasylisa]

@Cooltec: w kwestii samych algorytmów, matematyka przydaje się wtedy, jeżeli np. zmieniasz implementację pod konkretną funkcję kosztu

PCA, klastry tam może troche bardziej, żeby rozumieć ortogonalność wektorów własnych np.