Ser det du trenger å vite når du kommer i gang i datalogi - dummies

Del av Data Science for Dummies Cheat Sheet

Tradisjonelt store data er termen for data som har utrolig volum, hastighet og variasjon. Tradisjonell databaseteknologi er ikke i stand til å håndtere store data - det krever mer innovative data-utviklede løsninger. For å evaluere prosjektet ditt om det kvalifiserer som et stort dataprosjekt, vurder følgende kriterier:

• Volum: Mellom 1 terabyte / år og 10 petabytter / år

• Velocity: Mellom 30 kilobytes / sekund og 30 gigabyte / sekund

• Variety: Kombinert kilder til ustrukturert, halvstrukturert og strukturert data

Datavitenskap og Datateknikk er ikke det samme.

Ansette ledere har en tendens til å forvirre rollene til datavitenskap og dataingeniør. Mens det er mulig å finne noen som gjør litt av begge, er hvert felt utrolig komplekst. Det er usannsynlig at du vil finne noen med sterke ferdigheter og erfaring på begge områder. Av denne grunn er det viktig å kunne identifisere hvilken type spesialist som er best egnet for å hjelpe deg med å oppnå dine spesifikke mål. Beskrivelsene nedenfor skal hjelpe deg med å gjøre det.

• Datavitenskapere: Datavitenskapsmenn bruker koding, kvantitative metoder (matematikk, statistikk og maskinlæring) og høyt spesialisert kompetanse i deres studieområde for å finne løsninger på komplekse forretnings- og vitenskapelige problemer.

• Dataneteksperter: Datateknikere bruker ferdigheter innen datavitenskap og programvare for å designe systemer for og løse problemer med, håndtere og manipulere store datasett.

Datavitenskap og forretningsinformasjon er heller ikke det samme.

Business-sentriske datavitenskapere og forretningsanalytikere som driver forretningsmessig intelligens er som kusiner. Begge typer spesialiserte data for å oppnå de samme forretningsmålene, men deres tilnærminger, teknologier og funksjoner er forskjellige. Beskrivelsene nedenfor staver ut forskjellene mellom de to roller.

• Business Intelligence (BI): BI-løsninger er vanligvis bygget med datasett generert internt - fra en organisasjon i stedet for utenfra, med andre ord. Vanlige verktøy og teknologier inkluderer online analytisk prosessering, ekstrakttransformering og lasting, og datalagring. Selv om BI noen ganger innebærer fremadrettede metoder som prognoser, er disse metodene basert på enkle matematiske inferanser fra historiske eller nåværende data.

• Forretningssentrisk datavitenskap: Forretningssentriske datavitenskapsløsninger er bygd med datasett som er interne og eksterne til en organisasjon. Vanlige verktøy, teknologier og ferdigheter inkluderer skybaserte analyseplattformer, statistisk og matematisk programmering, maskinlæring, dataanalyse ved hjelp av Python og R, og avansert datavisualisering. Business-sentriske datavitenskapere bruker avanserte matematiske eller statistiske metoder for å analysere og generere spådommer fra store mengder virksomhetsdata.