هذه المقالة هي ترجمة لمقال توماس نيلز ،
كيف تشعر بتعلم
علوم البيانات في عام 2019
رؤية الغابة (العشوائية) من خلال الأشجار (القرارات)
توماس نيلد
تابع 4 فبراير
10 دقائق للقراءة
كان مصدر إلهام ما يلي مقالًا عن
شعور تعلم JavaScript في 2016. لا تأخذ هذه المادة على محمل الجد. هذا هجاء ، لذلك لا تعاملها على أنها نصيحة الحياة. مثل كل النصائح ، بعضها مفيد ، وبعضها غبي. هذا النص مجرد رأي مشابه جدا لتعريف علم البيانات.
سمعت ذلك للحصول على المشورة - لك. شكرا لمقابلتي ، وشكرا على القهوة. أنت تعرف علم البيانات ، أليس كذلك؟
حسنا ، نعم ، أنا أعلم. في العام الماضي ، ذهبت إلى PyData و O'Reilly Strata (مؤتمرات حول تحليل البيانات - تقريبًا لكل منهما). وفي حسابي ، يوجد نموذجان.
نعم ، سمعت أنه في الأسبوع الماضي كان لديك عرض تقديمي رائع حول التعلم الآلي لشركتنا. قال زميلي إنه كان مفيدًا للغاية.
أوه ، القط والكلب مصور الصورة؟ نعم شكرا
باختصار ، قررت أنه لا يمكنني تجاهل علم البيانات والذكاء الاصطناعي والتعلم الآلي . عملت كمحلل ومستشار لسنوات عديدة ، وأعدت ترتيب الأرقام في Excel ، وأوجد جداول ومخططات محورية. لكن في كل وقت صادفت مقالات تقول إن الذكاء الاصطناعى سيتولى وظائف ، حتى بالنسبة للعمال ذوي الياقات البيضاء مثلي.
هذا كل ما يتطلبه الأمر لتصبح عالم بيانات واثقًا (اعتبارًا من 2013). قابلة للتحقيق تماما ، هاه؟ ( المصدر: سوامي تشاندراسيكاران )
لقد غوغل كيف أصبح تاريخًا للعالم ، ووجدت هذه "الخطة" وتعلمت عن الأزمة الوجودية. اسمحوا لي أن أسأل ، هل أنا حقًا يجب أن أتقن كل شيء في هذا المخطط ليصبح تاريخًا للعلماء؟
سأجيب لفترة وجيزة - لا. لا أحد يستخدم هذه الخطة. هو 2013. حتى أنه لا يحتوي على TensorFlow ، ويمكن ببساطة حذف بعض المسارات الموجودة عليه. أعتقد أنه بالفعل في ذلك الوقت أصبح "علم البيانات" أكثر تعقيدًا وتخصصًا. سيكون من الأفضل استخدام نهج مختلف.
حسنا ، أفضل قليلا. لذلك يجب أن أعود إلى المدرسة على أي حال؟ قرأت في مكان ما أن العديد من التاريخ العلماء على الأقل درجة الماجستير. هل يجب أن أحصل على درجة الماجستير في علوم البيانات؟
يا رب ، لماذا تحتاج هذا؟ يجب أن تكون عمومًا حذرًا في مجالات تدريب "علم البيانات" ، والتي أعادت تصميم الدورات التدريبية "تحليلات الأعمال" إلى حد كبير. بالإضافة إلى ذلك ، يميل الأكاديميون الحديثون إلى الركب خلف الصناعة ويمكنهم تدريس التكنولوجيا التي عفا عليها الزمن. لمواكبة التطورات ، فأنت أفضل من الدراسة الذاتية في Coursera أو Stepik أو Khan Academy.
هنا هو كيف.
على الرغم من أنك إذا ذهبت إلى الكلية ، فربما بعد ذلك إلى الفيزياء أو الطرق الرياضية لعمليات البحث؟ من الصعب القول. من الغريب أن العديد من العلماء الذين عرفوا تاريخًا جيدًا جاءوا من هذه المناطق. قد تتمكن من العثور على برنامج تدريب جيد على علم البيانات. لا أعرف ، أتحدث إلى طبيب العلوم هذا ، سيخبرك بموقفه.
إذن كيف تبدأ التعليم الذاتي؟ قال شخص ما على LinkedIn إنه ينبغي على المهتمين بعلوم البيانات البدء في استكشاف Linux. ثم على تويتر ، قرأت أن شخصًا آخر أصر على أن التاريخ يجب على العلماء دراسة سكالا ، وليس بيثون أو ر.
حسنًا ، تجمد هذا الرجل على LinkedIn. بالنسبة لـ "خبير" سكالا ، إذا كنت تغوص في الهواء الطلق ، من فضلك ، ولكن ليس في هذا المجمع. ثق بي. بالفعل 2019 في الفناء. لم يكن Scala موجودًا في مجتمع علوم البيانات لفترة طويلة. وإذا كان الأمر كذلك ، لما ظهر PySpark . وبالتأكيد لا تستمع إلى محبو موسيقى الجاز مثل الشخص الذي يتحدث دائمًا عن Kotlin.
طيب! ماذا عن R؟ يبدو أن الناس يحبون ذلك.
R جيد في النمذجة الرياضية ، ولا شيء أكثر من ذلك. مع Python ، ستحصل على الكثير من استثماراتك التدريبية ويمكنك تنفيذ مجموعة واسعة من المهام ، مثل جمع البيانات وإعداد خدمات الويب.
لكن R لا يزال يحتل مكانة عالية جدًا في Tiobe ، ولديه الكثير من المتابعين والموارد. استخدمه - أضر نفسك؟
انظر ، يمكنك استخدام R. إذا كنت مهتمًا بالرياضيات ، فهذا أمر قابل للنقاش بالطبع ، لكنه أفضل ، ولكنه أفضل من ذلك ، فهو يعمل مع Tidyverse . لكن علم البيانات لا يزال كثيرًا ، أكثر بكثير من الرياضيات والإحصاء. صدقوني ، في بيثون في عام 2019 يمكنك الذهاب أبعد من ذلك بكثير.
حسنًا ، هكذا ... على ما يبدو ، بدأت أتعلم بيثون.
لن تندم.
هل بيثون معقدة؟ هل سأظل واقفة على قدميه عندما تتولى الروبوتات السيطرة عليها؟
حسنًا ، بالطبع ، بايثون لغة بسيطة إلى حد ما. مع ذلك ، يمكنك أتمتة العديد من المهام وجعل nishtyaki بارد . لكنك لا تحتاج حتى إلى بيثون. علم البيانات هو أكثر بكثير من البرامج النصية والتعلم الآلي.
ماذا تقصد؟
حسنا ، هذه مجرد أدوات. يمكنك استخدام Python للحصول على معلومات من البيانات. في بعض الأحيان ، يتطلب الأمر تعلُّمًا آليًا ، لكنه في معظم الحالات لا يتطلب ذلك. علم البيانات قد يعني ببساطة إنشاء مخطط. في الواقع ، لا تحتاج حتى إلى تعلم Python ، يمكنك فقط استخدام Tableau. يعلنون أنه يمكنهم "جعل كل شخص في مؤسستك تاريخًا للعلماء" إذا استخدموا منتجاتهم فقط.
تابلو واثقون من أنهم قادرون على حل مشكلة الموظفين من عدم وجود تاريخ العلماء.
توقف ماذا؟ لذا ، أنا فقط أشتري ترخيصًا لـ Tableau ، وهل أنا الآن تاريخ عالِم؟ حسنًا ، دعنا نتحدث عن هذا العرض التجاري بلمسة من الشك. ربما أكون جاهلًا ، لكنني أعلم أن علم البيانات لا يقوم فقط بإنشاء تصورات جميلة. يمكنني القيام بذلك في Excel أيضًا.
بالطبع ومع ذلك ، يجب على المرء أن يعترف أن هذا هو التسويق العظيم. الرسوم البيانية ممتعة ، بالطبع ، لكنها تفوت كل الألم والكثير من الوقت الذي تستغرقه لمسح البيانات ومعالجتها وتعديلها وتحميلها.
نعم ، ولهذا السبب أظن أن هناك قيمة في تعلم الكود. دعنا نتحدث عن بيثون.
انتظر لحظة ، في الواقع. ربما يجب عليك تعلم Alteryx.
ماذا؟
هناك برنامج آخر يسمى Alteryx يسمح لك بتنظيف البيانات ومعالجتها وتعديلها وتنزيلها. هذا شيء عظيم لأنه يستخدم السحب والإفلات لدمج البيانات و ...
يعد Alteryx أيضًا بـ "علم البيانات" بدون رمز.
يا الله ، من فضلك توقف. لا مزيد من السحب والإفلات. أريد أن أتعلم بيثون ، وليس ألتركس أو تابلوه.
حسنا اسف كنت أحاول فقط جعل حياتك أسهل ، وتجنب الترميز. ربما فعلت هذا أيضًا لأن شركتنا اشترت تراخيص يجب أن نستخدمها. ولكن على أي حال ، لاستخدام Python ، تحتاج إلى دراسة العديد من المكتبات ، مثل Pandas لإدارة DataFrame و matplotlib لإنشاء المخططات. عموما شطب matplotlib. استخدام بلوتلي. ويستخدم d3.js وعموما أجمل بكثير.
أنا أعرف بعض الكلمات التي قلتها. ولكن ما هو DataFrame؟
حسنًا ، هذه بنية بيانات في شكل جدول به صفوف وأعمدة. يمكنك القيام بكل هذه التحولات الرائعة ، الجداول المحورية ، والتجمعات باستخدام DataFrame في Python.
انتظر ، فكيف يختلف هذا عن Excel؟ لقد كنت أفعل كل هذا منذ التخرج من الكلية. هل هذا يعني أنني بالفعل تاريخ العلماء؟
إذا شعرت بالرضا لندعو نفسك ، بالطبع. أود أن أعلن هذا العنوان المعلن في كل مرة ذهبت فيها إلى حفلة أو كتبت سيرة ذاتية.
إذن ما الذي يجعل بيثون مختلفًا عن Excel؟
يختلف Python في أنه يمكن القيام بكل شيء في كمبيوتر محمول Jupyter . يمكنك تنفيذ جميع مراحل تحليل البيانات ، ويتصور الكمبيوتر المحمول في كل خطوة. إنه يشبه كتابة قصة يمكنك مشاركتها مع الآخرين. والتواصل والقصص ، بعد كل شيء ، هي جزء مهم لعنة علم البيانات.
يبدو مثل PowerPoint. أنا أفعل هذا بالفعل. أنا مرتبك جدا.
اللهم لا. أجهزة الكمبيوتر المحمولة أكثر آلية وتحسينًا ، مما يجعل من السهل تتبع كل خطوة من خطوات التحليل. لكن إذا فكرت في الأمر ، فقد تذكرت أن بعض الأشخاص لا يحبون أجهزة الكمبيوتر المحمولة على الإطلاق ، لأن الكود الموجود فيها ليس مناسبًا جدًا لإعادة الاستخدام. من الأسهل توزيع الرمز بين الوحدات النمطية خارج أجهزة الكمبيوتر المحمولة إذا كنت بحاجة إلى تحويله إلى منتج برنامج.
حتى الآن هو علم البيانات أيضا تطوير البرمجيات؟
ربما ، ولكن دعونا لا ننخدع بهذا. هناك أشياء أكثر إلحاحًا يجب تعلمها في البداية. للقيام بعلم البيانات ، من الواضح أنك بحاجة إلى بيانات - بيانات.
بالطبع
وليس هناك ما هو أفضل للمبتدئين من جمع البيانات على الشبكة من نفس صفحات ويكيبيديا التي يمكن إلقاؤها على القرص الصلب.
مهلا ، ما الذي نحاول تحقيقه مرة أخرى؟
حسنًا ، نحاول الحصول على بعض البيانات للممارسة. سوف يوفر لنا كشط صفحات الويب وتحليلها باستخدام Beautiful Soup عددًا كبيرًا من البيانات النصية غير المهيكلة للتعامل معها.
أنا مرتبك. لقد انتهيت للتو من قراءة كتاب SQL ممتاز مكون من 130 صفحة ، واعتقدت أنني سأطلب الاستعلام عن الجداول ، وليس إلغاء الإنترنت. أليست SQL طريقة نموذجية للوصول إلى البيانات؟
حسنًا ، يمكننا القيام بالكثير من الأشياء المثيرة للاهتمام باستخدام بيانات نصية غير منظمة. يمكننا استخدامها لتصنيف الحالة المزاجية في الرسائل من الشبكات الاجتماعية أو لمعالجة اللغات الطبيعية الأخرى. يعد NoSQL مفيدًا لتخزين هذا النوع من البيانات ، لأنه يمكننا تخزين كميات هائلة من البيانات دون الحاجة إلى القلق بشأن جعلها مناسبة للتحليلات.
سمعت مصطلح NoSQL. فهل هي SQL؟ مكافحة SQL؟ انتظر ، أعتقد أن هذا له علاقة بالبيانات الضخمة ، أليس كذلك؟
حسنًا ، أولاً ، "البيانات الضخمة" تبدأ من عام 2016. معظم الناس لم يعودوا يستخدمون هذا المصطلح ، لذلك ليس من الجيد قول ذلك. مثل العديد من تقنيات الضجيج ، تجاوزت ذروتها من الشهرة ووجدت التطبيق في أماكن قليلة فقط. لكن NoSQL هو في الأساس نتيجة حركة "البيانات الضخمة" التي عززت منصات مثل MongoDB.
حسنًا ، ولكن من أين يأتي اسم "NoSQL"؟
NoSQL يعني "ليس SQL فقط" ويدعم بنيات البيانات خارج الجداول العلائقية. ومع ذلك ، فإن قواعد بيانات NoSQL ، كقاعدة عامة ، لا تستخدم SQL ، بل تستخدم لغة الاستعلام الخاصة بها. هنا MongoDB مقارنة بـ SQL:
يا إلهي ، هذا فظيع. إذن أنت تقول أن كل منصة NoSQL لديها لغة الاستعلام الخاصة بها؟ ما هو الخطأ في SQL؟
حصلت لك. مع SQL ، كل شيء على ما يرام ، إلا أنه بالفعل عقود من الزمن. أصبح جنون البيانات غير المهيكلة فرصة للقيام بشيء جديد وتوسيع نطاقه بطرق يتعذر الوصول إليها مسبقًا. ومع ذلك ، أعتقد أن المزيد والمزيد من الناس توصلوا إلى استنتاج مفاده أن هناك نقطة في حفظ SQL . هذا يبسط التحليلات إلى حد كبير. لقد تم خلط الكثير من تقنيات NoSQL و "البيانات الضخمة" لإضافة شكل من أشكال SQL . بعد كل شيء ، SQL لغة عالمية إلى حد ما ، حتى لو كان من الصعب على بعض الناس استخدامها.
واو ، حسنا. لذلك ، أدركت أن تعلم NoSQL بالنسبة لي ، كتاريخ للعلماء ، ليس أمرًا بالغ الأهمية ، إلا إذا تطلب عملي خلاف ذلك. هذا يبدو كأنني آمن بمعرفة SQL فقط.
كلما فكرت في الأمر أكثر ، كلما اعتقدت بنعم ، أنت على صواب ، لكن فقط حتى تنجذب إلى أن تصبح مهندس بيانات.
مهندس البيانات؟
نعم ، كان تاريخ العلماء كما لو كان مقسمًا إلى مهنتين. يعمل مهندسو البيانات مع أنظمة الإنتاج ويساعدون في جعل البيانات والنماذج مناسبة للاستخدام ، لكنهم أقل مشاركة في التعلم الآلي والنمذجة الرياضية ، والتي تظل بدورها تاريخًا للعلماء. ربما كان هذا ضروريًا ، لأن معظم الموارد البشرية والتوظيف لا يرون ما وراء عنوان "عالم التاريخ" . فكر في الأمر ، إذا كنت تريد أن تكون مهندسا للبيانات ، سأولي اهتماما خاصا لتعلم Apache Kafka وليس NoSQL. أباتشي كافكا الآن مجرد قنبلة.
الآن ، سوف يساعدك مخطط فين هذا. للحصول على لقب "عالم التاريخ" ، يجب أن تكون في مكان ما في الدائرة الرياضية / الإحصائية ، ومن الناحية المثالية ، عند التقاطع مع تخصص آخر.
علم البيانات فين المخطط
حسنًا ، ليس لدي أي فكرة الآن إذا كنت أريد أن أكون عالم بيانات أو مهندس بيانات. دعنا ننتقل فقط. لذا ، بالعودة ، لماذا نقوم بتحليل صفحات ويكيبيديا؟
حسنًا ، فهي بمثابة مدخلات لمعالجة اللغة الطبيعية ، وبمساعدتهم يمكنك القيام به ، على سبيل المثال ، برامج الدردشة.
كيف تاي من مايكروسوفت؟ هل سيكون هذا الروبوت ذكيًا بما يكفي للتنبؤ بالمبيعات ومساعدتي في إطلاق منتجات جديدة بالقدر المناسب من المخزون؟ هل هناك خطر من أنه سيصبح حتميًا عنصريًا؟
من الناحية النظرية ، هناك. إذا كنت تطعمه بمقالات إخبارية ، فقد تتمكن من إنشاء نموذج يحدد بعض الاتجاهات ، ونتيجة لذلك ، يقدم توصيات بشأن قرارات العمل. لكن هذا صعب حقًا. فكر جيدًا ، قد لا يكون هذا هو الخيار الأفضل للبدء.
لذا ، حسناً ... قد لا تكون معالجة اللغات الطبيعية وبرامج الدردشة وبيانات النصوص غير المنظمة بالنسبة لي؟
ربما ، ولكن ضع في اعتبارك أن علم البيانات موجود في كل مكان الآن. تتعامل شركات Silicon Valley مثل Google و Facebook مع الكثير من البيانات غير المهيكلة (مثل منشورات الوسائط الاجتماعية والمقالات الإخبارية) ، ومن الواضح أن لها تأثيرًا كبيرًا على تعريف "علم البيانات". حسنًا ، يستخدم الباقون ، مثلنا ، بيانات المعاملات التجارية في شكل قواعد بيانات علائقية وتقنيات أقل إلهامًا مثل SQL.
هذا يبدو مقبولا. أفترض أنهم يكرسون مواهبهم في مجال البيانات غير المهيكلة بشكل أساسي لاستخراج رسائل المستخدم ورسائل البريد الإلكتروني والقصص لأغراض الدعاية وغيرها من الأغراض الدنيئة.
هكذا هو. كما تعلمون ، قد يبدو مصنف بايز الساذج مثيرًا للاهتمام ونوعًا ما مفيدًا لك. يمكنك أخذ النص والتنبؤ به. هذا سهل التنفيذ من البداية:
تصنيف النصوص النصية باستخدام مصنف Bayes ساذج
أنت على حق ، إنه رائع. لكن بصرف النظر عن هذا ، لا أرى أي قيمة في البيانات غير المهيكلة.
ثم المضي قدما. لذلك أنت تعمل مع البيانات الجدولية: جداول البيانات ومجموعة من الأرقام المسجلة. يبدو أنك تريد إجراء تنبؤات أو تحليل إحصائي تقريبًا.
نعم ، لقد اكتشفنا أخيرًا شيئًا ما! وأخيرا ، سوف نحل المشاكل الحقيقية. لذلك سيبدأ هذا الآن موضوع الخلايا العصبية والتعلم العميق؟
E- مثلي الجنس ، وعقد الخيول. كنت أقترح البدء بالتوزيعات الطبيعية مع الانحرافات المعيارية والمعتدلة. ربما احسب الاحتمالات بدرجة z و واحد أو اثنين من الانحدارات الخطية.
ولكن بعد ذلك مرة أخرى ، يمكنني أن أفعل كل شيء في Excel! لا استطيع
حسنا ... أم ... نعم ، هذا صحيح ، يمكنك القيام بالكثير مما سبق في Excel. ولكن عند كتابة البرامج النصية ، تحصل على المزيد من المرونة.
كيف مع VBA؟ البصرية الأساسية
حسنًا ، سأبدأ من جديد وأتظاهر أنك لم تقل ذلك. يحتوي Excel على عوامل تشغيل إحصائية رائعة ونماذج الانحدار الخطي اللائق. ولكن إذا كنت بحاجة إلى إجراء توزيع أو انحدار طبيعي منفصل لكل فئة من فئات العناصر ، فمن الأسهل بكثير كتابة نص Python ، بدلاً من إنشاء صيغ جسمية ، يمكن أن يصبح طولها متريًا للمسافة إلى القمر.
عندما تصبح متقدمًا في Excel ، فإنك تسبب الألم لكل من يعمل معك. (عندما تبرد في التفوق ، فإن كل من حولك يشعر بالألم)
يمكنك استخدام مكتبة scikit-learn الرائعة. مع ذلك سوف تحصل على فرص أكثر قوة لمختلف الانحدارات والتعلم الآلي.
حسنا ، صحيح. لذلك ، يبدو أن المحادثة الآن تنتقل إلى مجال النمذجة الرياضية. إليكم مجموعة من مشكلات الرياضيات أمامي ، من أين أبدأ؟
حسنًا ، في النظرة التقليدية ، يعد الجبر الخطي هو العنصر الأساسي للكثير في علم البيانات ، وهو ما تحتاجه للبدء. ضرب وإضافة المصفوفات (ما يسمى بالمنتج القياسي) - هذا ما ستفعله طوال الوقت ، وهناك مفاهيم مهمة أخرى ، مثل المحددات والمتجهات الذاتية. 3Blue1Brown هي القناة الوحيدة تقريبًا حيث يمكنك العثور على تفسير حدسي للجبر الخطي.
لذلك ... الضرب / إضافة مصفوفة إلى أخرى - هذا ما سأفعله بشكل أساسي؟ يبدو حقا من العبث ومملة. هل يمكنك إعطاء مثال؟
حسنا ... تعلم الآلة! عند القيام الانحدار الخطي أو بناء الشبكة العصبية الخاصة بك ، سوف تضطر إلى مضاعفة المصفوفات والقياس مع قيم الوزن العشوائي عدة مرات.
حسنًا ، إذن المصفوفات لها علاقة بإطار البيانات؟ أنها تبدو وكأنها.
انتظر لحظة ... أعيد التفكير فيها. دعنا نعود إلى هذا البيان. في الممارسة العملية ، لا تحتاج إلى القيام الجبر الخطي.
يا هيا لك! على محمل الجد؟ لذلك يجب أن أدرس الجبر الخطي أم لا؟
في الممارسة العملية ، ربما لا تحتاج إلى تعلم الجبر الخطي. المكتبات مثل TensorFlow و scikit-learn ستعمل كل شيء من أجلك. في النهاية ، إنه متعب وممل حقًا. بالطبع ، يمكنك فهم والحصول على فكرة عن كيفية عمل هذه المكتبات. لكن الآن ، ابدأ فقط في استخدام مكتبات التعلم الآلي وتجاهل الجبر الخطي تمامًا.
انعدام الأمن يقلقني. هل يمكنني الوثوق بك؟
أظهر على الأقل القليل من الاحترام! أنا فقط أخرجتك من بركة أخرى. لا على الإطلاق.
أوه.
وحتى الآن ، حتى نسيت. أنت نفسك لا تستخدم TensorFlow. استخدمه مع Keras لأن TensorFlow أسهل بكثير في استخدامه.
إذا عدت ، فهل يرتبط الانحدار الخطي فعليًا بالتعلم الآلي؟
نعم ، يتم تضمين الانحدار الخطي في قائمة أدوات "التعلم الآلي".
رائع ، أفعل هذا طوال الوقت في Excel. هل يمكنني أيضًا أن أسمي نفسي ممارسًا للتعلم الآلي؟
* تنهد * من الناحية الفنية ، نعم. ولكن قد ترغب في توسيع آفاقك قليلا. كما تعلم ، يتألف التعلم الآلي (بغض النظر عن التكنولوجيا) من مهمتين: الانحدار والتصنيف. من الناحية الفنية ، التصنيف هو الانحدار. أشجار القرار ، والشبكات العصبية ، وطريقة متجه الدعم ، والانحدار اللوجستي ، ونعم ... الانحدار الخطي - كلها تتناسب مع المنحنيات. كل نموذج له إيجابيات وسلبيات اعتمادا على الوضع.
مهلا ، هل تعلم الآلة مجرد انحدار؟ ?
. , , , , , . — . , , 2-3 , , .
, , . — ?
. . : . , () , , . , , , , , .
.
(!)
, ? ? ?
, , , , data science . “ ” .
, . , ?
, . , . «», , .
?
, , . , . , , , .
, ?
* * - , . , , . , : , , . .
, - , , , ?
, . , . … , « », , , . , .
, — , , ? … ? «», ?
, , ( ) , , . , , .
. , DeepMind , StarCraft! ! , ?
StarCraft ?
( )
, StarCraft ?
StarCraft, - StarCraft? : StarCraft. , , .
, . , … , , -. , , — . .
- Data Science , . , .
, ? «data science», … … . .
, . .
شكرا لك . - , , Excel “data science”. , . , . - . , « », data science .
, - IBM?
?
- ?