Veri bilimi, 21. yüzyılın en hızlı gelişen kariyerlerinden biridir. Özünde, veri bilimi büyük miktarda veride anlam arama uygulamasıdır. Veri Bilimi disiplinler arası bir alandır ve bu alanda çok sayıda teori ve teknik kullanılır. Bunlar kısaca; sinyal işleme, matematik, olasılık modelleri, makine öğrenmesi, istatistiksel öğrenme, bilgisayar programlama, veri mühendisliği, görselleştirme, veri ambarı (Kurum ya da kuruluşların bilgi sistemlerinde depolanan verinin tamamının veya belirli bir kısmının düzenli bir şekilde tutulduğu, merkezi veri depolama alanı) gibi alanlardır.
Veriyi analiz etmeyi, bulgularınızı iletmeyi ve hatta makine öğrenimini kullanarak tahminlerde bulunmayı öğrenmelisiniz.Her sektörde, işletmelerden kar amacı gütmeyen kuruluşlara ve devlet kurumlarına kadar büyük veri tarafından yanıtlanan sorular vardır. Çok çeşitli amaçlar için sıralanabilen, yorumlanabilen ve uygulanabilen görünüşte sonsuz miktarda bilgi vardır.Veri bilimcileri, endüstrinin her köşesinden ve nüfusun her kesiminden insanlara yardımcı olarak veri toplamak, düzenlemek ve analiz etmek için eğitilmiştir.
Neredeyse sonsuz miktarda bilgi vardır. Bir bütün olarak kariyere daha yakından bakın. Ne yaptıklarını, kime hizmet ettiklerini ve işi yapmak için hangi becerilere gereksinim duyduklarını keşfedin. Nasıl veri bilimcisi olunacağını öğrenmek ve bu gelişen kariyer yoluna atlamak için okumaya devam edin!
Değerli okuyucular öncelikle Makine öğrenmesive İstatistiksel öğrenme konularına açıklık getireceğim.
Genel anlamda aşağıdaki yetenekler iyi bir veri bilimciyi tanımlamış olur.
Öğrenmenin hedefleri anlama ve tahmindir. Öğrenme, denetimli öğrenme, denetimsiz öğrenme, çevrimiçi öğrenme ve pekiştirmeli öğrenme dahil olmak üzere birçok kategoriye ayrılır. İstatistiksel öğrenme teorisi açısından bakıldığında, denetimli öğrenme en iyi şekilde anlaşılır. Denetimli öğrenme, bir eğitim veri setinden öğrenmeyi içerir.
Makine öğrenimi: Bir veri güdümlü (yönlendirilebilen) algoritma sınıfının, yazılım uygulamalarının, herhangi bir açık programlamaya ihtiyaç duymadan sonuçları tahmin etmede son derece hassas olmasını sağlayan bir yapay zeka dalıdır.
Algoritma: belli bir problemi çözmek veya belirli bir amaca ulaşmak için tasarlanan yol. Matematikte ve bilgisayar biliminde bir işi yapmak için tanımlanan, sonlu işlemler kümesidir.
Buradaki temel öncül, girdi verilerini alabilen ve yeni veriler elde edildikçe çıktıları güncellerken bir çıktıyı tahmin etmek için istatistiksel modellerden yararlanabilen algoritmalar geliştirmektir. İlgili süreçlerin tahmine dayalı modelleme ve veri madenciliği ile birçok ortak noktası vardır. Bunun nedeni, her iki yaklaşımın da kalıpları belirlemek ve programı buna göre ayarlamak için veride arama yapmasını istemesidir.
Öğrenme bir tahmin problemi olduğundan, amaç (önceden gözlemlenen) veriye en yakın şekilde uyan bir fonksiyon bulmak değil, gelecekteki girdilerden çıktıyı en doğru şekilde tahmin edecek bir fonksiyon bulmaktır.
İstatistiksel öğrenme (Statistical Learning) veriyi anlamak için kullanılan birçok yönteme verilen genel bir addır.İstatistiksel öğrenme istatistiğin bir alt alanıdır.Veriye dayalı bir tahmin fonksiyonu bulma problemi ile ilgilenir. İstatistiksel öğrenme, bilgisayarla görme, konuşma tanıma ve biyoinformatik (moleküler biyoloji ile bilgisayar teknolojisini ve bununla ilişkili veri işleme aygıtlarını bünyesinde barındıran bilimsel disiplin) gibi alanlarda başarılı uygulamalara yol açmıştır.
Gelecek haftaki yazımızda makine öğrenmesi ve istatistiksel öğrenme kavramlarının içeriklerini vereceğiz.
Devam edecek
