数据科学和人工智能岗位有何差别？( 二 )

人工智能

本文插图
图源：Kaleidico，摘自Unsplash .
人工智能可能是一个比数据科学更热门的话题，可以用于各行各业。我们也看到了，人工智能和数据科学、机器学习之间的很多交叉。虽然他们之间有很多共同目标与技能，但是接下来，我想重点强调这两个岗位之间的差异。
目标：
重点研究新的算法，利用现有神经网络，在大型数据集上，部署并自动化整个流程和人工智能解决方案。跟数据科学家一样，人工智能工程师也要去研究一个问题，获取数据，然后找到算法的解决方案。但是，人工智能工程师还有一些额外的工作，比如提出新算法、执行建模等等。
他们工作的重点，是在应用程序中部署这些模型，比如神经网络和深度学习实践等。这些差异也意味着这两个职位会用到不同的libraries 。比如，数据科学家可能倾向于使用sklearn ，而人工智能工程师可能更多地使用TensorFlow和PyTorch 。
所需技能：

Java, Python, 或 C++
AI 系统
使用TensorFlow ， PyTorch进行深度学习
与研究团队和工程团队合作
认知硬件要求
部署生产模型
计算机科学（Computer Science）
架构或交付云解决方案
Spark
Scala

与数据科学不同，这些技能更侧重于软件工程，以研究与部署为中心。比如，人工智能工程师可以频繁地研究深度学习和神经网络算法，而不是不用回归分析和决策树。与数据科学的另一个区别是，人工智能工程师往往要求博士学位，而数据科学家通常需要硕士学位。

本文插图
图源：Possessed Photography，摘自 Unsplash
你可以看到，这两种职位之间有很大差别。但是要记住，就像它们的职位描述有重叠一样，这两个职位本身也是如此。比如，你可能会看到“数据科学，人工智能工程师”或“机器学习/人工智能工程师”之类的职位。
总结
总的来说，从研究这些职位描述和我自己申请这类职位的经验来看，人工智能看起来比数据科学更复杂。从岗位描述中可以看到，这两个职位之间是有很多相似之处的，但实际上，这些都是由公司决定的。上文中，我们探讨了一些主要差异，也找到了数据科学与人工智能之间的一些相似之处。
下面，我再次总结一下这两个职位间的主要区别，具体如下：

数据科学家： Python ， R ，统计知识，可视化工具，适合节奏更快，更简单的案例
- 上一页
- 1
- 2
- 3
- 下一页