Τι κάνει ένας μηχανικός μηχανικής εκμάθησης;

Η Μηχανική Μάθηση έχει αναδειχθεί σε ένα από τα πιο καυτά επαγγελματικά πεδία τα τελευταία χρόνια. Υπάρχουν πολλοί τίτλοι εργασίας που έχουν προκύψει σε σχέση με αυτό. Σε αυτό το άρθρο, θα διερευνήσουμε τον ρόλο ενός μηχανικού μηχανικής μάθησης. Θα μάθουμε για τη δουλειά που συνεπάγεται, τις δεξιότητες και τα εργαλεία που απαιτεί και θα τα διαφοροποιήσουμε από άλλους ρόλους που σχετίζονται με τη μηχανική μάθηση/δεδομένα.

ένα. … ένας αναλυτής δεδομένων;

σι. … μηχανικός λογισμικού;

ντο. … στατιτολόγος;

ρε. … ένας επιστήμονας δεδομένων;

Τι ακριβώς κάνει λοιπόν ένας μηχανικός μηχανικής μάθησης;

1. Τι κάνει ένας μηχανικός μηχανικής εκμάθησης;

Ένας μηχανικός μηχανικής μάθησης είναι ένας επαγγελματίας που είναι υπεύθυνος για το σχεδιασμό, την κατασκευή και τη συντήρηση μοντέλων μηχανικής μάθησης. Αυτά τα μοντέλα δημιουργούνται για να αναλύουν δεδομένα, να μαθαίνουν από αυτά και να λαμβάνουν έξυπνες αποφάσεις ή προβλέψεις με βάση τα δεδομένα. Οι μηχανικοί μηχανικής μάθησης εργάζονται με μεγάλα σύνολα δεδομένων, χρησιμοποιώντας στατιστικές και μαθηματικές τεχνικές για να δημιουργήσουν μοντέλα που μπορούν να προβλέψουν με ακρίβεια τα αποτελέσματα ή να ταξινομήσουν δεδομένα σε συγκεκριμένες κατηγορίες.

Η εργασία ενός μηχανικού μηχανικής μάθησης περιλαμβάνει συνήθως τα ακόλουθα βήματα:

Κατανόηση του επιχειρηματικού προβλήματος: Το πρώτο βήμα για τη δημιουργία ενός μοντέλου μηχανικής μάθησης είναι η κατανόηση του επιχειρηματικού προβλήματος που πρέπει να λυθεί. Αυτό περιλαμβάνει τη συνεργασία με τους ενδιαφερόμενους για τον εντοπισμό του προβλήματος, τη συλλογή δεδομένων και τον προσδιορισμό της κατάλληλης προσέγγισης μηχανικής εκμάθησης για την επίλυση του προβλήματος. Ενώ το σύνολο των αλγορίθμων μηχανικής εκμάθησης είναι ανεξάρτητο από τον τομέα της εφαρμογής, ορισμένοι αλγόριθμοι είναι πιο κατάλληλοι για συγκεκριμένες ρυθμίσεις, όπως μοντέλα ακολουθιών για Επεξεργασία Φυσικής Γλώσσας ή Γονιδιωματική κ.λπ.
Προεπεξεργασία και καθαρισμός δεδομένων: Τα μοντέλα μηχανικής εκμάθησης, ειδικά αυτά της Deep Learning με πολλές παραμέτρους για εκπαίδευση, απαιτούν μεγάλες ποσότητες δεδομένων για να είναι αποτελεσματικά. Ωστόσο, αυτά τα δεδομένα είναι συχνά ακατάστατα και πρέπει να καθαριστούν και να υποβληθούν σε προεπεξεργασία πριν χρησιμοποιηθούν για την εκπαίδευση ενός μοντέλου. Αυτό περιλαμβάνει εργασίες όπως ο καταλογισμός τιμής που λείπει, ο εντοπισμός ακραίων τιμών, η κανονικοποίηση κ.λπ. Ο καθαρισμός και η επεξεργασία δεδομένων είναι πιθανώς το λιγότερο συναρπαστικό μέρος οποιουδήποτε έργου, αλλά είναι επίσης ένα από τα πιο σημαντικά. Ένα μεγάλο μέρος του χρόνου που αφιερώνεται σε ένα έργο μηχανικής μάθησης αφιερώνεται σε αυτό και η κατανόηση του επιχειρηματικού προβλήματος που αναφέρθηκε παραπάνω είναι το κλειδί για την επιτυχία του.
Επιλογή κατάλληλου μοντέλου: Υπάρχουν πολλοί διαφορετικοί τύποι μοντέλων μηχανικής εκμάθησης, το καθένα με τα δικά του δυνατά και αδύνατα σημεία. Ένας μηχανικός μηχανικής μάθησης πρέπει να επιλέξει το μοντέλο που είναι πιο κατάλληλο για το πρόβλημα που αντιμετωπίζει, λαμβάνοντας υπόψη τη φύση των δεδομένων και το επιθυμητό αποτέλεσμα. Ένας καλός μηχανικός ML θα πρέπει να είναι εξοικειωμένος με ένα μεγάλο σύνολο αλγορίθμων για να μπορεί να επιλέξει από αυτούς.
Εκπαίδευση του μοντέλου: Αφού επιλεγεί το μοντέλο, το επόμενο βήμα είναι να το εκπαιδεύσετε χρησιμοποιώντας τα καθαρισμένα και προεπεξεργασμένα δεδομένα. Αυτό περιλαμβάνει τη χρήση αλγορίθμων για την προσαρμογή των παραμέτρων του μοντέλου έτσι ώστε να μπορεί να προβλέψει με ακρίβεια τα αποτελέσματα ή να ταξινομήσει δεδομένα. Ένας από τους πιο σημαντικούς τέτοιους αλγόριθμους εκπαίδευσης είναι ο gradient descent.
Αξιολόγηση και βελτιστοποίηση του μοντέλου: Αφού το μοντέλο έχει εκπαιδευτεί, είναι σημαντικό να αξιολογηθεί η απόδοσή του για να διασφαλιστεί ότι είναι ακριβές και αξιόπιστο. Αυτό μπορεί να περιλαμβάνει τη δοκιμή του μοντέλου σε ένα ξεχωριστό σύνολο δεδομένων ή τη χρήση μιας ποικιλίας μετρήσεων για τη μέτρηση της απόδοσής του. Εάν η απόδοση του μοντέλου δεν είναι ικανοποιητική, ο μηχανικός μηχανικής εκμάθησης μπορεί να χρειαστεί να επιστρέψει και να βελτιστοποιήσει το μοντέλο προσαρμόζοντας τις παραμέτρους του ή επιλέγοντας εντελώς διαφορετικό μοντέλο.
Ανάπτυξη του μοντέλου: Μόλις το μοντέλο έχει εκπαιδευτεί και βελτιστοποιηθεί, είναι έτοιμο να αναπτυχθεί σε περιβάλλον παραγωγής. Αυτό μπορεί να περιλαμβάνει την ενσωμάτωση του μοντέλου σε μια υπάρχουσα εφαρμογή ή τη δημιουργία μιας νέας εφαρμογής ειδικά για τη χρήση του μοντέλου. Οι περισσότερες εταιρείες επιλέγουν να φιλοξενήσουν τα μοντέλα τους σε μια αποκλειστική υπηρεσία cloud, όπως Amazon Web Services (AWS), Microsoft Azure, ή Google Cloud Platform (GCP).
Παρακολούθηση και συντήρηση του μοντέλου: Ακόμη και μετά την ανάπτυξη του μοντέλου, η εργασία ενός μηχανικού μηχανικής εκμάθησης δεν έχει ολοκληρωθεί. Είναι σημαντικό να παρακολουθείτε συνεχώς το μοντέλο για να βεβαιωθείτε ότι λειτουργεί όπως αναμένεται και να κάνετε τις απαραίτητες ενημερώσεις ή προσαρμογές. Αυτό μπορεί να περιλαμβάνει την επανεκπαίδευση του μοντέλου σε νέα δεδομένα ή τη λεπτομερή ρύθμιση των παραμέτρων του για τη βελτίωση της απόδοσής του. Ένα τυπικό παράδειγμα υποβάθμισης της απόδοσης του μοντέλου προκαλείται από το data drift, όταν η κατανομή των δεδομένων αλλάζει με την πάροδο του χρόνου και το μοντέλο δεν ενημερώνεται (Σκεφτείτε, για παράδειγμα, σχετικά με ένα μοντέλο εκπαιδευμένο να ανιχνεύει σημεία αμφιβληστροειδοπάθειας σε ένα εργαστήριο υπό συγκεκριμένες συνθήκες φωτισμού, αλλά στη συνέχεια αναπτύσσεται στη φύση όπου χρησιμοποιείται σε συνθήκες φυσικού φωτισμού ).

Εκτός από αυτά τα καθήκοντα, ένας μηχανικός μηχανικής μάθησης μπορεί επίσης να είναι υπεύθυνος για την έρευνα και την ανάπτυξη και τη συνεργασία με διαλειτουργικές ομάδες. Πρέπει επίσης να παραμένουν ενημερωμένοι με τις πιο πρόσφατες τεχνικές και τεχνολογίες μηχανικής εκμάθησης, καθώς αυτές εξελίσσονται συνεχώς.

Τώρα που γνωρίζουμε τι κάνει ένας μηχανικός μηχανικής μάθησης στην εργασία του, ας δούμε τις δεξιότητες που χρειάζεται.

2. Ποιες είναι οι δεξιότητες που πρέπει να έχει ένας μηχανικός μηχανικής εκμάθησης;

Για να γίνετε μηχανικός μηχανικής μάθησης, υπάρχουν αρκετές δεξιότητες που είναι απαραίτητες:

Ισχυρές δεξιότητες προγραμματισμού: Οι μηχανικοί μηχανικής εκμάθησης πρέπει να είναι ικανοί σε μία ή περισσότερες γλώσσες προγραμματισμού, όπως η Python. Θα πρέπει να αισθάνονται άνετα να εργάζονται με μεγάλες βάσεις κώδικα και να μπορούν να γράφουν αποτελεσματικό, καλά δομημένο κώδικα.
Χειρισμός και ανάλυση δεδομένων: Τα μοντέλα μηχανικής μάθησης εκπαιδεύονται σε μεγάλα σύνολα δεδομένων, επομένως είναι σημαντικό για τους μηχανικούς μηχανικής μάθησης να έχουν ισχυρές δεξιότητες στον χειρισμό και την ανάλυση δεδομένων. Αυτό περιλαμβάνει εργασία με εργαλεία όπως SQL, Pandas και NumPy για καθαρισμό, μετατροπή και ανάλυση δεδομένων.
Έννοιες και τεχνικές μηχανικής μάθησης: Ένας μηχανικός μηχανικής μάθησης θα πρέπει να κατανοεί καλά τις έννοιες και τις τεχνικές μηχανικής μάθησης, συμπεριλαμβανομένης της εποπτευόμενης και μη εποπτευόμενης μάθησης, των δέντρων αποφάσεων, των νευρωνικών δικτύων, των αρχιτεκτονικών μετασχηματιστών κ.λπ. Θα πρέπει επίσης να είναι εξοικειωμένος με μια ποικιλία αλγορίθμων, και να μπορείτε να επιλέξετε το καταλληλότερο για ένα δεδομένο πρόβλημα.
Στατιστικά και πιθανότητες: Τα μοντέλα μηχανικής μάθησης βασίζονται σε στατιστικές και πιθανολογικές αρχές, επομένως μια ισχυρή βάση σε αυτούς τους τομείς είναι σημαντική για τους μηχανικούς μηχανικής μάθησης. Αυτό περιλαμβάνει την κατανόηση εννοιών όπως ο έλεγχος υποθέσεων, το συμπέρασμα Bayes και οι κατανομές πιθανοτήτων.
Οπτικοποίηση δεδομένων: Η δυνατότητα αποτελεσματικής οπτικοποίησης και επικοινωνίας δεδομένων είναι μια σημαντική δεξιότητα για τους μηχανικούς μηχανικής εκμάθησης. Αυτό περιλαμβάνει τη χρήση εργαλείων όπως το Matplotlib, το Seaborn και το Tableau για τη δημιουργία σαφών και ενημερωτικών γραφημάτων και γραφημάτων.
Επίλυση προβλημάτων και κριτική σκέψη: Οι μηχανικοί μηχανικής μάθησης συχνά αντιμετωπίζουν πολύπλοκα προβλήματα που απαιτούν δημιουργικές λύσεις. Είναι σημαντικό να μπορούν να σκέφτονται κριτικά και να προσεγγίζουν τα προβλήματα με λογικό και συστηματικό τρόπο.

Για να αποκτήσει αυτές τις δεξιότητες, ένα άτομο μπορεί να ξεκινήσει παρακολουθώντας διαδικτυακά μαθήματα ή αποκτώντας πτυχίο σε έναν τομέα όπως η επιστήμη των υπολογιστών, η επιστήμη δεδομένων ή η στατιστική. Είναι επίσης σημαντικό για τους επίδοξους μηχανικούς μηχανικής εκμάθησης να αποκτήσουν πρακτική εμπειρία δουλεύοντας σε έργα και συμμετέχοντας σε hackathons ή διαδικτυακές προκλήσεις. Η δημιουργία ενός ισχυρού χαρτοφυλακίου έργων και η επίδειξη της ικανότητας εφαρμογής εννοιών μηχανικής μάθησης σε προβλήματα του πραγματικού κόσμου μπορεί να είναι πολύ χρήσιμη για την πρόσληψη ως μηχανικός μηχανικής μάθησης.

Για να μάθετε πώς να γίνετε καλός μηχανικός μηχανικής εκμάθησης, είναι σημαντικό να γνωρίζετε ποια εργαλεία χρησιμοποιούν σε τακτική βάση, ώστε να εστιάσετε τη μάθησή σας σε αυτά.

3. Ποια εργαλεία χρησιμοποιούν συχνά οι μηχανικοί μηχανικής εκμάθησης;

Ποια είναι μερικά από τα σημαντικά εργαλεία που χρειάζεται να μάθει ένας μηχανικός μηχανικής μάθησης για να είναι αποτελεσματικός στην εργασία του;

Υπάρχουν πολλά εργαλεία που χρησιμοποιούνται συνήθως από μηχανικούς μηχανικής εκμάθησης και τα συγκεκριμένα εργαλεία που είναι πιο σημαντικό να κυριαρχήσετε θα εξαρτηθούν από τη φύση της εργασίας και τις προτιμήσεις του ατόμου. Ωστόσο, εδώ είναι μερικά εργαλεία που χρησιμοποιούνται συνήθως στον τομέα της μηχανικής εκμάθησης:

Γλώσσες προγραμματισμού: Οι μηχανικοί μηχανικής εκμάθησης πρέπει συνήθως να είναι ικανοί σε μία ή περισσότερες γλώσσες προγραμματισμού, όπως η Python. Αυτές οι γλώσσες χρησιμοποιούνται για τη σύνταξη κώδικα που εφαρμόζει αλγόριθμους μηχανικής εκμάθησης και δημιουργεί μοντέλα, τις περισσότερες φορές χρησιμοποιώντας αποκλειστικές βιβλιοθήκες και πλαίσια.
Βιβλιοθήκες και πλαίσια μηχανικής μάθησης: Υπάρχουν πολλές διαθέσιμες βιβλιοθήκες και πλαίσια που διευκολύνουν τη δημιουργία μοντέλων μηχανικής μάθησης, όπως το scikit-learn, TensorFlow, PyTorch και JAX. Αυτές οι βιβλιοθήκες παρέχουν προκατασκευασμένους αλγόριθμους και λειτουργίες που μπορούν εύκολα να ενσωματωθούν σε έργα μηχανικής μάθησης.
Εργαλεία χειρισμού και ανάλυσης δεδομένων: Εργαλεία όπως SQL, Pandas, και NumPy χρησιμοποιούνται για τον χειρισμό και την ανάλυση μεγάλων συνόλων δεδομένων. Αυτά τα εργαλεία διευκολύνουν τον καθαρισμό, τον μετασχηματισμό και την προετοιμασία δεδομένων για χρήση σε μοντέλα μηχανικής εκμάθησης.
Εργαλεία οπτικοποίησης δεδομένων: Εργαλεία όπως Matplotlib, Seaborn και Το Tableau χρησιμοποιούνται για τη δημιουργία σαφών και ενημερωτικών γραφημάτων και γραφημάτων που βοηθούν στην οπτικοποίηση και την κατανόηση δεδομένων.
Πλατφόρμες υπολογιστικού νέφους: Τα μοντέλα μηχανικής εκμάθησης συχνά απαιτούν σημαντικούς υπολογιστικούς πόρους και πλατφόρμες υπολογιστικού νέφους όπως Amazon Web Services (AWS), Microsoft Azure ή Google Cloud Platform (GCP) παρέχουν πρόσβαση σε ισχυρούς υπολογιστικούς πόρους κατ' απαίτηση.
Εργαλεία συνεργασίας και διαχείρισης έργων: Οι μηχανικοί μηχανικής εκμάθησης συχνά εργάζονται σε ομάδες και μπορούν να χρησιμοποιούν εργαλεία όπως σημειωματάριο Jupyter, Google colab, GitHub και Asana για τη συνεργασία και τη διαχείριση έργων.

Εκτός από αυτά τα εργαλεία, είναι επίσης σημαντικό για τους μηχανικούς μηχανικής εκμάθησης να είναι εξοικειωμένοι με μια ποικιλία αλγορίθμων και τεχνικών μηχανικής μάθησης και να κατανοούν καλά τις στατιστικές και μαθηματικές έννοιες.

Όπως αναφέρθηκε προηγουμένως, ο μηχανικός μηχανικής μάθησης είναι ένα παράδειγμα πολλών επαγγελμάτων που έχουν ξεπεράσει το σχετικά νέο πεδίο της μηχανικής μάθησης. Ας προσπαθήσουμε να κατανοήσουμε τις διαφορές μεταξύ των κύριων τίτλων εργασίας.

4. Ποια είναι η διαφορά μεταξύ ενός μηχανικού μηχανικής εκμάθησης και…

ένα. … Αναλυτής Δεδομένων;

Ενώ υπάρχει κάποια επικάλυψη μεταξύ των ρόλων ενός μηχανικού μηχανικής μάθησης και ενός αναλυτή δεδομένων, είναι διαφορετικά επαγγέλματα που περιλαμβάνουν διαφορετικές δεξιότητες και ευθύνες.

Ένας αναλυτής δεδομένων είναι κατά κύριο λόγο υπεύθυνος για την ανάλυση δεδομένων και την αναφορά σχετικά με τα ευρήματα για την ενημέρωση των επιχειρηματικών αποφάσεων. Αυτό μπορεί να περιλαμβάνει εργασίες όπως η συλλογή και ο καθαρισμός δεδομένων, η δημιουργία γραφημάτων και διαγραμμάτων για την οπτικοποίησή τους και η εκτέλεση στατιστικών αναλύσεων σε αυτά. Ένας αναλυτής δεδομένων μπορεί επίσης να αναπτύξει πίνακες εργαλείων ή αναφορές για να βοηθήσει τους ενδιαφερόμενους να κατανοήσουν και να χρησιμοποιήσουν τα δεδομένα.

Η εργασία ενός μηχανικού μηχανικής μάθησης περιλαμβάνει τη χρήση στατιστικών και μαθηματικών τεχνικών για τη δημιουργία μοντέλων που μπορούν να προβλέψουν με ακρίβεια τα αποτελέσματα ή να ταξινομήσουν δεδομένα με βάση μοτίβα στα δεδομένα. Μπορεί επίσης να είναι υπεύθυνοι για την έρευνα και την ανάπτυξη, τη συνεργασία με ομάδες πολλαπλών λειτουργιών και τη διαρκή ενημέρωση με τις πιο πρόσφατες τεχνικές και τεχνολογίες μηχανικής εκμάθησης.

Γενικά, οι αναλυτές δεδομένων εστιάζουν περισσότερο στην ανάλυση και την αναφορά δεδομένων, ενώ οι μηχανικοί μηχανικής μάθησης εστιάζουν περισσότερο στη δημιουργία και τη συντήρηση μοντέλων μηχανικής μάθησης. Ωστόσο, υπάρχει κάποια επικάλυψη μεταξύ των δύο ρόλων και ορισμένοι επαγγελματίες μπορεί να εργαστούν και στους δύο τομείς.

β. … Μηχανικός Λογισμικού;

Ένας μηχανικός μηχανικής μάθησης και ένας μηχανικός λογισμικού είναι και οι δύο υπεύθυνοι για το σχεδιασμό, την κατασκευή και τη συντήρηση συστημάτων υπολογιστών, αλλά έχουν διαφορετικούς τομείς εστίασης και εξειδίκευσης.

Ένας μηχανικός λογισμικού είναι υπεύθυνος για την ανάπτυξη προγραμμάτων και συστημάτων λογισμικού που ανταποκρίνονται στις ανάγκες ενός οργανισμού ή πελάτη. Αυτό μπορεί να περιλαμβάνει εργασίες όπως ο σχεδιασμός και η κατασκευή εφαρμογών, η σύνταξη κώδικα, ο έλεγχος και ο εντοπισμός σφαλμάτων προγραμμάτων και η συντήρηση και ενημέρωση των υπαρχόντων συστημάτων. Οι μηχανικοί λογισμικού μπορούν να εργαστούν σε μια ποικιλία έργων, συμπεριλαμβανομένων εφαρμογών ιστού, εφαρμογών για κινητά και λογισμικού επιτραπέζιου υπολογιστή.

Ένας μηχανικός μηχανικής μάθησης, αντίθετα, εστιάζει στην κατασκευή και τη συντήρηση μοντέλων μηχανικής μάθησης. Οι μηχανικοί μηχανικής μάθησης εργάζονται με μεγάλα σύνολα δεδομένων και χρησιμοποιούν στατιστικές και μαθηματικές τεχνικές για να δημιουργήσουν μοντέλα που μπορούν να προβλέψουν με ακρίβεια τα αποτελέσματα ή να ταξινομήσουν δεδομένα σε συγκεκριμένες κατηγορίες.

Ενώ τόσο οι μηχανικοί λογισμικού όσο και οι μηχανικοί μηχανικής εκμάθησης είναι υπεύθυνοι για την ανάπτυξη και τη συντήρηση συστημάτων υπολογιστών, οι μηχανικοί λογισμικού εστιάζουν περισσότερο στην ανάπτυξη παραδοσιακού λογισμικού, ενώ οι μηχανικοί μηχανικής μάθησης εστιάζουν στην κατασκευή και τη συντήρηση μοντέλων μηχανικής μάθησης.

γ. … ένας στατιστικολόγος;

Ένας μηχανικός μηχανικής μάθησης και ένας στατιστικολόγος είναι και οι δύο επαγγελματίες που εργάζονται με δεδομένα και χρησιμοποιούν στατιστικές και μαθηματικές τεχνικές για να αναλύσουν και να κάνουν προβλέψεις με βάση τα δεδομένα. Ωστόσο, έχουν διαφορετικούς τομείς εστίασης και εξειδίκευσης.

Ένας στατιστικολόγος είναι ένας επαγγελματίας που χρησιμοποιεί στατιστικές μεθόδους για τη συλλογή, ανάλυση και ερμηνεία δεδομένων. Οι στατιστικολόγοι μπορούν να εργάζονται σε διάφορους τομείς, συμπεριλαμβανομένων των επιχειρήσεων, των οικονομικών, της υγειονομικής περίθαλψης και της κυβέρνησης. Μπορεί να είναι υπεύθυνοι για εργασίες όπως η συλλογή και ανάλυση δεδομένων, η ανάπτυξη στατιστικών μοντέλων και η διατύπωση συστάσεων βάσει δεδομένων.

Ένας μηχανικός μηχανικής μάθησης, από την άλλη πλευρά, εστιάζει στην κατασκευή και τη συντήρηση μοντέλων μηχανικής μάθησης. Αυτά τα μοντέλα έχουν σχεδιαστεί για να αναλύουν δεδομένα, να μαθαίνουν από αυτά και να λαμβάνουν έξυπνες αποφάσεις ή προβλέψεις με βάση αυτά. Οι μηχανικοί μηχανικής μάθησης εργάζονται με μεγάλα σύνολα δεδομένων και χρησιμοποιούν στατιστικές και μαθηματικές τεχνικές για να δημιουργήσουν μοντέλα που μπορούν να προβλέψουν με ακρίβεια τα αποτελέσματα ή να ταξινομήσουν δεδομένα σε συγκεκριμένες κατηγορίες.

Τόσο οι στατιστικολόγοι όσο και οι μηχανικοί μηχανικής μάθησης εργάζονται με δεδομένα και χρησιμοποιούν στατιστικές τεχνικές. Οι στατιστικολόγοι γενικά εστιάζουν περισσότερο στην παραδοσιακή στατιστική ανάλυση και μοντελοποίηση, ενώ οι μηχανικοί μηχανικής μάθησης εστιάζουν στην κατασκευή και διατήρηση μοντέλων μηχανικής μάθησης.

δ. … ένας επιστήμονας δεδομένων;

Ένας επιστήμονας δεδομένων εφαρμόζει τεχνικές στατιστικής και μηχανικής μάθησης για την ανάλυση και την ερμηνεία πολύπλοκων δεδομένων. Είναι υπεύθυνοι για την εξαγωγή πληροφοριών από δεδομένα, τη δημιουργία μοντέλων πρόβλεψης και την κοινοποίηση των ευρημάτων τους στους ενδιαφερόμενους.

Τόσο οι μηχανικοί μηχανικής μάθησης όσο και οι επιστήμονες δεδομένων εργάζονται με δεδομένα και χρησιμοποιούν τεχνικές μηχανικής μάθησης, αλλά έχουν διαφορετικούς τομείς εστίασης και ευθύνης. Οι μηχανικοί μηχανικής μάθησης ασχολούνται κυρίως με τη δημιουργία και την ανάπτυξη μοντέλων μηχανικής μάθησης, ενώ οι επιστήμονες δεδομένων επικεντρώνονται περισσότερο στην ανάλυση και την ερμηνεία δεδομένων για την εξαγωγή πληροφοριών και τη δημιουργία μοντέλων πρόβλεψης.