Veri bilimi ile makine öğrenimi arasındaki fark nedir?

Bu ikisi arasında fark var mıdır varsa nedir ve bunlari öğrenmek için iyi bir matematik gerekli mi?

Veri bilimi sırf hesap kitap, kıyaslama, fark çıkarımı, tahmin etme gibi başlıkları ele alır ve yüksek oranda matematiksel hesap içerir dayanak olarak.
Makine öğrenme konusunda çok fikrim yok o alan içinde değilim.

@Quantum9 matematik bilgisi ne kadar olmali.

Cok saglam matematik gerekir.

DS -> data extraction, transformation ve distribution konularini ele alir.
ML -> AI in branchidir, matematiksel modeller olusturup bunlari konfigure ederek ogrenen makineler gelistirmeyi amaclar.

Her ikisi de lisans ustu seviyedir gerekli programlama, matematik, network vs DB gereksiniminden oturu.

ML'de "hello world" olan Perceptron konseptini anlamak icin dahi CS e adim atmis ve Calculus biliyor olmaniz gerekir.

533388 dedi:

@Quantum9 matematik bilgisi ne kadar olmali.

Genişletmek için tıkla...

Perfect seviye derdi hocalarımız, baktığın veriyi baktığın an anlamanı beklemiyorlar, bekledikleri baktığın an senaryo canlanması kafanda vs. Perfect matematik şart, üstteki arkadaşta detay vermiş.

bitwise dedi:

Cok saglam matematik gerekir.

DS -> data extraction, transformation ve distribution konularini ele alir.
ML -> AI in branchidir, matematiksel modeller olusturup bunlari konfigure ederek ogrenen makineler gelistirmeyi amaclar.

Her ikisi de lisans ustu seviyedir gerekli programlama, matematik, network vs DB gereksiniminden oturu.

ML'de "hello world" olan Perceptron konseptini anlamak icin dahi CS e adim atmis ve Calculus biliyor olmaniz gerekir.

Perceptron - Wikipedia

en.wikipedia.org

Genişletmek için tıkla...

Çalıştığım yerde de eğitim alırken de, veri analizin çıktısında ki tahmini kesinlikle dayanağa bağlamamızı isterler ve bu seviye de risk aldırmazlardı. Ya risk alınmadan da her iş yapılmaz bana göre, bence birazda özgüven kırıcı bir durum. Bana göre en büyük eleştirim bu.

Quantum9 dedi:

Perfect seviye derdi hocalarımız, baktığın veriyi baktığın an anlamanı beklemiyorlar, bekledikleri baktığın an senaryo canlanması kafanda vs. Perfect matematik şart, üstteki arkadaşta detay vermiş.


Çalıştığım yerde de eğitim alırken de, veri analizin çıktısında ki tahmini kesinlikle dayanağa bağlamamızı isterler ve bu seviye de risk aldırmazlardı. Ya risk alınmadan da her iş yapılmaz bana göre, bence birazda özgüven kırıcı bir durum. Bana göre en büyük eleştirim bu.

Genişletmek için tıkla...

Tabi, yoksa hurafe yapmis olursun.

Aslinda riskin de matematiksel bir cost fonksiyonu var. Eger aldigin riskin bedeli, risk almamanin bedelinden dusukse aslinda risk almamis oluyorsun, istatiksel olarak tabi

Ucaklara pencere koymamanin ya da belirli sayida bebek can yelegi koymanin riski gibi. Bu tarz kararlari veriye bakarak vermek durumunda birileri.

Makine öğrenimi, veri bilimin alt alanıdır. Hatta derin öğrenimi de makinenin alt dalıdır. Orta düzeyde istatistik ve olasılık öğrenek veri bilimi yapabilirsin. Makine ve derin öğrenme de matematik önemi senin ne yapmak istediğine bağlı. Ben model geliştirmem, işin pratik kismini çok iyi öğreneyim, iyi tahmin gücü almak için modeller bulayım diyorsan lise matematiğiyle bile yaparsın. Ben model gelistireyim, kullanilan algoritmalarin matematiksel olarak ne ifade ettiğini anlayayım, yani tam bir ai developer olmak istiyorsan yine dedigim gibi lise matematiginden sonra kendini geliştirerek, öğrenek halledebilirsin. Yani lisans okuyarak hedefine ulaşabilirsin. Yüksek lisansta doğrusal regresyon modelini öğrenmeden ayrılan öğrenciler gördüm. Lise matematiginden kastım, benim zamanimda olan türev ve integralin her kurali ve ozelligiyle öğretilen zamanı .