การเรียนรู้ของเครื่องกับวิทยาศาสตร์ข้อมูล – การเปรียบเทียบ

เผยแพร่แล้ว: 2020-05-14

คุณรู้หรือไม่ว่าในแต่ละวันมีการสร้างข้อมูลมากกว่า 2.5 quintillion ไบต์? ตามข้อมูลของ IBM มีการคาดการณ์ว่าจำนวนงานสำหรับผู้เชี่ยวชาญด้านข้อมูลทุกคนในสหรัฐอเมริกาจะเพิ่มขึ้น 364,000 ตำแหน่งเป็น 2,720,000 ภายในปี 2020

นอกจากนี้ ยังมีการคาดการณ์ว่าภายในปี 2020 จะมีการสร้างข้อมูลประมาณ 1.7 MB ทุกๆ วินาทีสำหรับมนุษย์ทุกคนบนโลก ลองนึกภาพว่าข้อมูลนี้จะเป็นอย่างไรเมื่อสิ้นปี อีกสักเท่าไรภายในสิ้นทศวรรษนี้? ดังนั้นจึงเห็นได้ชัดว่าเราไม่สามารถจัดการข้อมูลได้อย่างมีประสิทธิภาพโดยปราศจาก วิทยาศาสตร์ข้อมูลและการเรียนรู้ของเครื่อง

คำถามยอดฮิตก็คือ เราตั้งใจจะประมวลผลข้อมูลขนาดใหญ่จำนวนนี้อย่างไร? นี่คือจุดที่ วิทยาศาสตร์ข้อมูลและการเรียนรู้ของเครื่อง เข้ามาอยู่ในภาพที่ใหญ่ขึ้น คุณควรสนใจที่จะรู้ว่าเครื่องจักรมีความสามารถในการเรียนรู้ด้วยตนเอง

ใช่ มันเป็นไปได้มากและในความเป็นจริงในยุคเทคโนโลยีที่กำลังพัฒนาอย่างรวดเร็วนี้ เช่นเดียวกับมนุษย์ เครื่องจักรสามารถจัดโครงสร้างและออกแบบมาเพื่อเรียนรู้เพิ่มเติมจากข้อมูลจำนวนมาก การเรียนรู้ของเครื่องมีความสำคัญอย่างมากเพื่อให้เครื่องสามารถเรียนรู้จากประสบการณ์ได้โดยอัตโนมัติ สิ่งนี้ทำได้โดยไม่จำเป็นต้องตั้งโปรแกรมเครื่องจักรอย่างชัดเจน

ในบทความนี้
  • นิยามวิทยาศาสตร์ข้อมูล
  • คำจำกัดความของการเรียนรู้ของเครื่อง
  • ความแตกต่างระหว่าง Data Analytics และ Data Science คืออะไร

Data Science คืออะไร

ในคำจำกัดความง่ายๆ วิทยาศาสตร์ข้อมูลเกี่ยวข้องกับการวิเคราะห์ผลลัพธ์ที่ได้รับจากข้อมูล มันสำรวจข้อมูลในรูปแบบที่ง่ายและพื้นฐานที่สุด สิ่งนี้ทำเพื่อทำความเข้าใจรูปแบบที่ซับซ้อน การอนุมานแนวโน้ม และพฤติกรรมของการบันทึกข้อมูล

วิทยาศาสตร์ข้อมูลช่วยองค์กรในการคลี่คลายข้อมูลเชิงลึกที่จำเป็นในกระบวนการตัดสินใจของธุรกิจ มันเกี่ยวข้องกับการดึงข้อมูลที่เป็นประโยชน์จากข้อมูล ในการทำเช่นนี้ Data Science ได้ปรับวิธีการอื่นๆ จำนวนหนึ่งจากสาขาต่างๆ ให้เหมาะสม

( อ่านเพิ่มเติม: Data Science คืออะไร ทุกสิ่งที่คุณจำเป็นต้องรู้)

แมชชีนเลิร์นนิงคืออะไร

แนวคิดของแมชชีนเลิร์นนิงเกี่ยวข้องกับการสอนให้เครื่องจักรเรียนรู้ด้วยตนเองโดยไม่ต้องอาศัยการแทรกแซงหรือความช่วยเหลือจากมนุษย์ มันดึงข้อมูลไปยังระบบเครื่อง

นี่คือวิธีการทำงานของแมชชีนเลิร์นนิง โดยเริ่มจากการอ่านและศึกษาตัวอย่างข้อมูลที่กำหนด สิ่งนี้ทำเพื่อค้นหาข้อมูลเชิงลึกและรูปแบบที่จำเป็นและเป็นประโยชน์ ดังนั้นจึงใช้รูปแบบเหล่านี้เพื่อพัฒนาแบบจำลองที่สามารถคาดการณ์ผลลัพธ์ของเหตุการณ์ที่อาจเกิดขึ้นในอนาคตได้อย่างแม่นยำ

จากนั้นจะประเมินประสิทธิภาพของแบบจำลองโดยใช้ตัวอย่างข้อมูลที่กำหนด กระบวนการนี้จะดำเนินต่อไปจนกว่าเครื่องจะเรียนรู้โดยอัตโนมัติและเชื่อมโยงอินพุตกับเอาต์พุตที่ถูกต้อง กระบวนการทั้งหมดเหล่านี้เกิดขึ้นโดยไม่มีการแทรกแซงของมนุษย์

ความแตกต่างระหว่าง Data Science และ Machine Learning

  1. ขอบเขต

    Data Science : ขอบเขตของ data science มุ่งเน้นไปที่การสร้างข้อมูลเชิงลึกที่ได้รับจากข้อมูลที่เกี่ยวข้องกับความซับซ้อนในโลกแห่งความเป็นจริงทั้งหมด ทำให้เกิดความเข้าใจในข้อกำหนดของข้อมูล ตลอดจนกระบวนการดึงข้อมูล ท่ามกลางงานอื่นๆ

    แมชชีน เลิร์นนิง : ในทางกลับกัน แมชชีนเลิร์นนิงเกี่ยวข้องกับการจำแนกประเภทที่ถูกต้องหรือการทำนายผลลัพธ์สำหรับชุดข้อมูลใหม่ เป็นการศึกษารูปแบบของข้อมูลทางประวัติศาสตร์โดยใช้แบบจำลองทางคณิตศาสตร์

    ขอบเขตของการเรียนรู้ด้วยเครื่องมีขึ้นเฉพาะในขั้นตอนการสร้างแบบจำลองข้อมูลของวิทยาศาสตร์ข้อมูล โดยพื้นฐานแล้วมันไม่สามารถอยู่นอกวิทยาศาสตร์ข้อมูลได้อย่างมีประสิทธิภาพ

  1. ข้อมูล

    Data Science : ในแง่ของข้อมูล Data Science เป็นแนวคิดที่ใช้ในการวิเคราะห์ข้อมูลขนาดใหญ่ ศาสตร์ข้อมูลในเรื่องนี้ประกอบด้วยการล้างข้อมูล การเตรียมข้อมูล และการวิเคราะห์ข้อมูล มันสร้างข้อมูลอินพุตส่วนใหญ่ในรูปแบบของข้อมูลวัสดุสิ้นเปลืองของมนุษย์ ข้อมูลรูปแบบนี้ออกแบบมาเพื่อให้มนุษย์อ่านและประเมินผล มักใช้โครงสร้างของข้อมูลแบบตารางหรือรูปภาพ

    นอกจากนี้ ข้อมูลที่ประมวลผลในวิทยาศาสตร์ข้อมูลไม่จำเป็นต้องมีวิวัฒนาการจากเครื่องจักรหรือเป็นผลมาจากกระบวนการทางกล ช่วยในการดึง รวบรวม นำเข้า และแปลงข้อมูลจำนวนมากที่เรียกรวมกันว่าบิ๊กดาต้า

    เป็นหน้าที่ของวิทยาศาสตร์ข้อมูลที่จะนำโครงสร้างมาสู่ข้อมูลขนาดใหญ่ มันศึกษาข้อมูลขนาดใหญ่เพื่อค้นหารูปแบบที่น่าสนใจ สิ่งนี้ทำให้วิทยาศาสตร์ข้อมูลสามารถแนะนำผู้บริหารธุรกิจให้ดำเนินการเปลี่ยนแปลงที่มีประสิทธิภาพซึ่งจะปฏิวัติธุรกิจหรือองค์กร

    การเรียนรู้ของเครื่อง : จำเป็นต้องพูดถึงว่าต่างจากวิทยาศาสตร์ข้อมูลตรงที่ข้อมูลไม่ใช่จุดสนใจหลักสำหรับการเรียนรู้ของเครื่อง การเรียนรู้คือจุดสนใจหลักสำหรับการเรียนรู้ของเครื่องแทน นี่คือจุดที่ความแตกต่างที่สำคัญอีกประการหนึ่งเกิดขึ้นระหว่าง การเรียนรู้ของเครื่องกับวิทยาศาสตร์ข้อมูล

    ในแมชชีนเลิร์นนิง ข้อมูลที่ป้อนเข้าจะถูกสร้างขึ้นและประมวลผลสำหรับการใช้อัลกอริธึมโดยเฉพาะ ตัวอย่างของการออกแบบข้อมูลเหล่านี้ภายใต้การเรียนรู้ของเครื่อง ได้แก่ การฝังคำ การปรับขนาดคุณลักษณะ การเพิ่มคุณลักษณะพหุนาม เป็นต้น

  1. ความซับซ้อนของระบบ

    Data Science : ความซับซ้อนของระบบใน Data Science เกี่ยวข้องกับองค์ประกอบที่จะมีส่วนร่วมในการจัดการข้อมูลดิบที่ไม่มีโครงสร้างที่กำลังมา มันเกี่ยวข้องกับส่วนประกอบที่เคลื่อนไหวจำนวนมากซึ่งโดยปกติกำหนดโดยระบบการซิงโครไนซ์ที่ประสานงานฟรี

    การทำงานของวิทยาศาสตร์ข้อมูลสามารถทำได้ด้วยวิธีการแบบแมนนวล อย่างไรก็ตาม สิ่งนี้จะไม่มีประสิทธิภาพเท่ากับอัลกอริธึมของเครื่อง

    การเรียนรู้ของเครื่อง : ในเกือบทุกสถานการณ์ ความซับซ้อนของระบบที่มีความโดดเด่นที่สุดที่เกี่ยวข้องกับการเรียนรู้ด้วยเครื่องคืออัลกอริธึมและแนวคิดทางคณิตศาสตร์ที่ภาคสนามสร้างขึ้น

    นอกจากนี้ โมเดลทั้งมวลมักมีโมเดลการเรียนรู้ของเครื่องหลายแบบ โมเดลเหล่านี้แต่ละแบบจะมีผลอย่างมากต่อผลลัพธ์สุดท้าย การทำงานของแมชชีนเลิร์นนิงใช้เทคนิคมากมาย เช่น การถดถอยและคลัสเตอร์ภายใต้การดูแล

    ความซับซ้อนของระบบการเรียนรู้ของเครื่องเกี่ยวข้องกับอัลกอริธึมการเรียนรู้ของเครื่องประเภทต่างๆ สิ่งที่ได้รับความนิยมมากที่สุด ได้แก่ การแยกตัวประกอบของเมทริกซ์ การกรองการทำงานร่วมกัน การจัดกลุ่ม คำแนะนำตามเนื้อหา และอื่นๆ อีกมากมาย

  1. ฐานความรู้ที่จำเป็นและชุดทักษะ

    Data Science : มันเป็นสิ่งสำคัญสำหรับนักวิทยาศาสตร์ข้อมูลที่จะมีความรู้ที่สำคัญเกี่ยวกับความเชี่ยวชาญโดเมน เขาหรือเธอจะต้องมีทักษะ ETL(1) และทักษะการทำโปรไฟล์ข้อมูล จำเป็นต้องมีความรู้ที่โดดเด่นเกี่ยวกับ SQL(2) เช่นเดียวกับความเชี่ยวชาญกับระบบ NoSQL บี

    โดยพื้นฐานแล้ว นักวิทยาศาสตร์ข้อมูลจำเป็นต้องเข้าใจและสามารถแสดงเทคนิคการรายงานและการแสดงภาพที่เป็นมาตรฐานได้ โดยทั่วไปแล้ว ผู้ที่คาดหวังในสาขาวิทยาศาสตร์ข้อมูลจะต้องทำงานเพื่อให้มีทักษะที่สำคัญในการวิเคราะห์ การเขียนโปรแกรม และความรู้เกี่ยวกับโดเมน

    การมีอาชีพที่ประสบความสำเร็จอย่างมากในฐานะนักวิทยาศาสตร์ข้อมูลต้องมีทักษะดังต่อไปนี้:

    • มีความรู้ด้าน Scala, SAS, Python, R.
    • ความสามารถในการประเมินฟังก์ชันการวิเคราะห์มากมาย
    • ความสามารถในการคาดการณ์ผลลัพธ์ในอนาคตตามรูปแบบของชุดข้อมูลที่ผ่านมา
    • ความรู้ที่สมเหตุสมผลเกี่ยวกับการเรียนรู้ของเครื่อง
    • ความสามารถในการทำงานกับข้อมูลที่ไม่มีโครงสร้าง ข้อมูลเหล่านี้อาจได้มาจากหลายแหล่ง เช่น โซเชียลมีเดีย วิดีโอ ฯลฯ
    • ประสบการณ์ที่ดีในการเข้ารหัสฐานข้อมูล SQL ยังเป็นข้อได้เปรียบในการเป็นที่ต้องการอย่างมากในโลกของวิทยาศาสตร์ข้อมูล อันที่จริง การวิเคราะห์ข้อมูลและการเรียนรู้ของเครื่องนับเป็นหนึ่งในวิธีการและกระบวนการจำนวนมากที่ใช้ในกิจกรรมของวิทยาศาสตร์ข้อมูล
     การเรียนรู้ของเครื่อง : ข้อกำหนดหลักสำหรับผู้เชี่ยวชาญในการเรียนรู้ของเครื่องคือพื้นฐานที่แข็งแกร่งในการทำความเข้าใจคณิตศาสตร์ จำเป็นต้องมีความรู้ที่ดีในการเขียนโปรแกรม Python/R เป็นอย่างดี ผู้เชี่ยวชาญด้านแมชชีนเลิร์นนิงควรจะสามารถจัดการกับข้อมูลกับ SQL ได้
     การสร้างภาพข้อมูลเฉพาะโมเดลยังเป็นข้อกำหนดพื้นฐานสำหรับการเรียนรู้ของเครื่องอีกด้วย ด้านล่างนี้คือไฮไลท์ของทักษะการทำงานขั้นพื้นฐานที่จะช่วยให้ผู้มีโอกาสเป็นลูกค้าก้าวหน้าอย่างมากในด้านการเรียนรู้ของเครื่อง:
    •  ความรู้เชิงลึกเกี่ยวกับการเขียนโปรแกรม
    •  ความรู้ความน่าจะเป็นและสถิติ
    •  ทักษะในการประเมินข้อมูลและการสร้างแบบจำลองข้อมูล
    •  ความรู้ความชำนาญด้านพื้นฐานคอมพิวเตอร์
    •  ความเข้าใจในการเขียนโปรแกรมในภาษาโปรแกรมเช่น Java, Lisp, R, Python เป็นต้น
  1.  ข้อกำหนดฮาร์ดแวร์:
     Data Science : ข้อกำหนดฮาร์ดแวร์ที่นี่ควรเป็นระบบที่ปรับขนาดได้ในแนวนอน เนื่องจากวิทยาศาสตร์ข้อมูลเกี่ยวข้องกับการจัดการข้อมูลขนาดใหญ่ นอกจากนี้ ฮาร์ดแวร์ในวิทยาศาสตร์ข้อมูลจะต้องมี RAM และ SSD สูง เพื่อให้แน่ใจว่าจะเอาชนะคอขวดของ I/O
     การเรียนรู้ของเครื่อง : ข้อกำหนดฮาร์ดแวร์สำหรับการเรียนรู้ของเครื่องประกอบด้วย GPU นี่เป็นสิ่งจำเป็นเพื่อดำเนินการเวกเตอร์แบบเข้มข้น นอกจากนี้ โลกของแมชชีนเลิร์นนิงกำลังพัฒนาเพื่อใช้เวอร์ชันที่มีประสิทธิภาพยิ่งขึ้น เช่น TPU
  1.  ส่วนประกอบ
     วิทยาศาสตร์ข้อมูล: เป็นที่ทราบกันดีว่าวิทยาศาสตร์ข้อมูลครอบคลุมเครือข่ายข้อมูลทั้งหมด องค์ประกอบของวิทยาศาสตร์ข้อมูลประกอบด้วย:
    •  การรวบรวมและการทำโปรไฟล์ของข้อมูล – ไปป์ไลน์ ETL (Extract Transform Load) และงานโปรไฟล์
    •  การคำนวณแบบกระจายและการประมวลผลข้อมูลที่ปรับขนาดได้
    •  ข้อมูลอัตโนมัติสำหรับคำแนะนำออนไลน์และการตรวจจับการฉ้อโกง
    •  การสำรวจและการแสดงภาพข้อมูลเพื่อสัญชาตญาณข้อมูลที่ดีที่สุด
    •  แดชบอร์ดที่กำหนดไว้ล่วงหน้าและBI
    •  ความปลอดภัยของข้อมูล การสำรองข้อมูล การกู้คืนข้อมูล และวิศวกรรมข้อมูลเพื่อให้แน่ใจว่าสามารถเข้าถึงข้อมูลทุกรูปแบบได้
    •  การเปิดใช้งานในโหมดการผลิต
    •  ตัดสินใจอัตโนมัติเพื่อรันตรรกะทางธุรกิจผ่านอัลกอริธึมการเรียนรู้ของเครื่อง
     การเรียนรู้ของเครื่อง : องค์ประกอบทั่วไปของการเรียนรู้ของเครื่องคือ:
    •  เข้าใจปัญหาเพื่อหาวิธีแก้ปัญหาที่มีประสิทธิภาพ
    •  การสำรวจข้อมูล – ผ่านการแสดงภาพข้อมูลเพื่อให้ได้สัญชาตญาณของคุณสมบัติที่จะใช้ในโมเดลการเรียนรู้ของเครื่อง
    •  การเตรียมข้อมูล – องค์ประกอบของการเรียนรู้ของเครื่องนี้เกี่ยวข้องกับการประเมินโซลูชันที่เป็นไปได้จำนวนมากสำหรับปัญหาด้านข้อมูล เพื่อให้แน่ใจว่าค่าของคุณลักษณะทั้งหมดอยู่ในช่วงเดียวกัน
    •  การสร้างแบบจำลองข้อมูลและการฝึกอบรม – องค์ประกอบนี้เกี่ยวข้องกับการเลือกข้อมูลโดยพิจารณาจากประเภทปัญหาและประเภทของชุดคุณลักษณะ
  1.  การวัดประสิทธิภาพ
     วิทยาศาสตร์ข้อมูล : จากปัจจัยนี้ การวัดประสิทธิภาพของวิทยาศาสตร์ข้อมูลไม่ได้มาตรฐาน ทั้งนี้เนื่องจากการวัดประสิทธิภาพเปลี่ยนจากกรณีไปกรณีหนึ่ง โดยปกติ มันจะเป็นการแสดงถึงขีดจำกัดพร้อมกันในการเข้าถึงข้อมูล ความสามารถในการแสดงภาพแบบโต้ตอบ คุณภาพของข้อมูล ความทันเวลาของข้อมูล ความสามารถในการสืบค้น ฯลฯ
     แมชชีนเลิ ร์นนิง : ในทางกลับกัน การวัดประสิทธิภาพในโมเดลการเรียนรู้ของเครื่องนั้นโปร่งใสอยู่เสมอ เนื่องจากแต่ละอัลกอริธึมจะมีการวัดเพื่อระบุว่าแบบจำลองมีประสิทธิภาพหรือไม่มีประสิทธิภาพเพียงใดในการอธิบายข้อมูลตัวอย่างที่ได้รับ ตัวอย่างเช่น Root Mean Square Error (RME) ถูกใช้ในการถดถอยเชิงเส้นเพื่อแสดงถึงข้อผิดพลาดในแบบจำลอง
  1.  ระเบียบวิธีการพัฒนา
     วิทยาศาสตร์ข้อมูล : ในแง่ของการพัฒนาระเบียบวิธีวิจัย โครงการวิทยาศาสตร์ข้อมูลคล้ายกับโครงการวิศวกรรมที่มีจุดสังเกตที่ชัดเจน
     แมชชีน เลิร์นนิง : อย่างไรก็ตาม การพัฒนาวิธีการของแมชชีนเลิร์นนิงมีความคล้ายคลึงกันมากกว่ารูปแบบการวิจัย เนื่องจากขั้นตอนแรกเป็นการกำหนดสมมติฐานมากกว่า ตามด้วยความพยายามในการพิสูจน์สมมติฐานด้วยข้อมูลที่มีอยู่
  1.  การสร้างภาพ
     วิทยาศาสตร์ข้อมูล : โดยทั่วไป การแสดงภาพของวิทยาศาสตร์ข้อมูลหมายถึงข้อมูลโดยตรงโดยใช้การแสดงกราฟิกทั่วไป เช่น แผนภูมิวงกลมและแผนภูมิแท่ง เป็นต้น
     การเรียนรู้ของเครื่อง : ในที่นี้ การสร้างภาพข้อมูลจะใช้เพื่อแสดงแบบจำลองทางคณิตศาสตร์ของข้อมูลตัวอย่าง ตัวอย่างเช่น อาจเกี่ยวข้องกับการแสดงภาพเมทริกซ์ที่สับสนของการจำแนกประเภทหลายคลาส โดยนัยนี้จะช่วยในการระบุอย่างรวดเร็วของบวกและเชิงลบที่ไม่จริง
  1.  ภาษา
     วิทยาศาสตร์ข้อมูล : โดยทั่วไปแล้ว โลกของวิทยาศาสตร์ข้อมูลใช้ภาษาคอมพิวเตอร์ทั่วไป เช่น SQL และภาษาคล้าย SQL เช่น Spark SQL, HiveQL เป็นต้น นอกจากนี้ วิทยาศาสตร์ข้อมูลยังใช้ภาษาสคริปต์การประมวลผลข้อมูลทั่วไป เช่น Perl, Awk, Sed และอื่นๆ มากกว่า. นอกจากนี้ ภาษาที่นิยมใช้กันในวิทยาศาสตร์ข้อมูลอีกประเภทหนึ่งคือภาษาเฉพาะของเฟรมเวิร์กและได้รับการสนับสนุนอย่างดี เช่น Java สำหรับ Hadoop และ Scale for Spark เป็นต้น
     การเรียนรู้ของเครื่อง : อีกด้านหนึ่งของเหรียญ โลกของการเรียนรู้ของเครื่องส่วนใหญ่ใช้ Python และ R เป็นภาษาคอมพิวเตอร์หลัก ในยุคปัจจุบัน Python ได้รับการยอมรับอย่างกว้างขวางว่าเป็นผู้เชี่ยวชาญด้านการเรียนรู้เชิงลึกสมัยใหม่ส่วนใหญ่หันไปใช้ Python นอกจากนี้ ยังจำเป็นต้องกล่าวถึงว่า SQL มีความจำเป็นเท่าเทียมกันในกระบวนการเรียนรู้ของเครื่อง โดยเฉพาะอย่างยิ่งในขั้นตอนการสำรวจข้อมูล 
 บทสรุป
 โดยสรุป แมชชีนเลิร์นนิงช่วยปรับปรุงกระบวนการของวิทยาศาสตร์ข้อมูล ซึ่งทำได้โดยการจัดเตรียมชุดของอัลกอริทึมที่เป็นประโยชน์สำหรับการสร้างแบบจำลองข้อมูล การสำรวจข้อมูล และการตัดสินใจ เป็นต้น วิทยาศาสตร์ข้อมูลทำหน้าที่โดยการรวมชุดของอัลกอริธึมแมชชีนเลิร์นนิงเข้าด้วยกันเพื่อคาดการณ์ผลลัพธ์ของการตัดสินใจในอนาคตได้อย่างแม่นยำ
 เท่าที่เราได้พูดถึงความ แตกต่างระหว่าง data science และ machine learning จำเป็นต้องอธิบายว่าทั้งสองสาขามีความเกี่ยวพันกัน และแต่ละสาขาก็ช่วยเหลือซึ่งกันและกันในหน้าที่ต่างๆ
 โลกของการจัดเก็บข้อมูลมีความก้าวหน้าอย่างรวดเร็ว และคุณไม่สามารถถูกทิ้งไว้ข้างหลังได้ เข้าร่วมการฝึกอบรม ด้านวิทยาศาสตร์ข้อมูลและการเรียนรู้ของเครื่อง วันนี้และเพิ่มประสิทธิภาพสาขาเหล่านี้เพื่อปรับปรุงการตัดสินใจทางธุรกิจของคุณ 
 แหล่งข้อมูลที่เป็นประโยชน์อื่นๆ:
 วิทยาศาสตร์ข้อมูลหรือวิศวกรรมซอฟต์แวร์ – การเปรียบเทียบ
 การวิเคราะห์ข้อมูลกับวิทยาศาสตร์ข้อมูล – การเปรียบเทียบ
 อะไรคือความแตกต่างระหว่าง AI และ ML
 เครื่องมือวิทยาศาสตร์ข้อมูลที่ดีที่สุดสำหรับนักวิทยาศาสตร์ข้อมูล
 25 Super Data Science Podcasts ที่คุณต้องติดตามในปี 2020
 แมชชีนเลิร์นนิงช่วยปรับปรุงกระบวนการทางธุรกิจได้อย่างไร