机器学习工程师和数据科学家之间的区别
【金融特辑】光大银行科技部DBA女神带你从0到1揭秘MGR
如今，数据科学家的工作已经变得越来越通用，以至于机器学习可能完全包含在其中。
数据科学家和机器学习工程师是目前行业中最热门的两项工作。在本文中，我将介绍机器学习工程师和数据科学家之间的区别。
什么是机器学习和数据科学?
机器学习是利用人工智能使计算机无需编程就能学习。在机器学习中，可以通过使用可访问的数据和不同的算法来构建机器学习模型。这些算法使软件应用程序可以在不进行任何编程的情况下预测结果。
数据科学是深入研究数据并理解示例、模式和行为的科学。简单地说，数据科学就是从可访问的数据中进行预测和推断。这些重要的知识可以帮助组织了解客户的行为和兴趣，并做出更明智的业务决策。
例如，Netflix通过区分客户端观看模式来理解他们喜欢什么，并利用这些数据在其网站上发布新剧集。
谁是数据科学家和机器学习工程师呢?
既然我们对机器学习和数据科学有了基本的了解，那么我们应该如何理解谁是机器学习工程师和数据科学家呢?
数据科学家
数据科学家帮助组织从数据中提取有价值的见解。数据科学家分析数据并使用能够发现数据模式的编程语言(如Java)创建程序。有了这些数据，组织可以熟悉客户行为、参与率等。
数据科学家基本上以研究为中心，以决定AI方法的类型，对算法进行建模并随后对其进行建模以进行测试。
机器学习工程师
ML工程师就像其他从事开发活动，明确地参与机器学习的工程师一样。他们在数据科学家所表征的数据模型上构建算法。
此外，机器学习工程师还具有创建可以控制PC的程序的知识。在ML工程师创建的算法的帮助下，机器无需他人指示即可理解命令。
工作职责
接下来，我们来看一下机器学习工程师和数据科学家在他们的日常生活中都做了些什么
数据科学家的工作职责
- 数据科学家师的主要职责是理解客户的业务需求并提出解决方案
- 进行数据挖掘以检查它们是否可以提取出可以使组织受益的重要数据
- 可以找出改善组织的方法论
- 利用TensorFlow等深度学习框架来构建深度学习模型
- 利用各种技术进行数据分析，并利用图表，图形等表示数据
机器学习工程师的工作职责
- 机器学习工程师进行研究并实施合适的机器学习算法和工具
- 制定有助于理解业务目标的行动计划
- 根据业务先决条件创建机器学习应用程序
- 使用现有的ML框架和库进行分析，并在必要时进行扩展
- 确认数据质量
所需技能
数据科学家所需的技能
- 统计
- 数据挖掘与清理
- 数据可视化
- 非结构化数据管理策略
- 编程语言，例如R和Python
- 理解SQL数据库
- 利用Hadoop，Hive和Pig等大数据工具
机器学习工程师所需的技能
- 软件工程基础
- 统计建模
- 数据评估与监控
- 算法的理解与利用
- 自然语言处理
- 数据架构设计
- 文字表示策略
薪水
数据科学家和机器学习工程师的薪酬可能会因其工作角色和所在国家/地区的不同而有所不同。
数据科学家
Indeed显示，数据科学家的平均年薪为121,018美元(在美国)。Glassdoor报告称，数据科学家的正常年薪为11万美元。
机器学习工程师