Der amerikanische Psychologe LL Thurstone schlug in seiner Arbeit „Ein Gesetz der vergleichenden Urteilskraft“ aus dem Jahr 1927 vor, dass Menschen, wenn sie eine Possibility aus mehreren Alternativen auswählen, diejenige auswählen, die für sie den höchsten Wert hat, auch wenn sie dieser Wahl keine bestimmte Zahl zuordnen können.

Thurstone warfare ein Pionier der „Psychometrie“ – einem Gebiet, das auf der Prämisse aufbaute, dass mentale Prozesse, die wir nicht sehen können, dennoch gemessen und quantifiziert werden können. Seine Arbeit aus dem Jahr 1927 legte den Grundstein für die sogenannten Zufallsgebrauchsmodelle, die einen mathematischen Rahmen zur Beschreibung menschlicher Präferenzen bieten – Informationen, auf die man sich wiederum verlassen kann, um Vorhersagen über verschiedene hypothetische Situationen zu treffen.

Zufällige Gebrauchsmuster (RUMs) werden so genannt, weil sie den „Nutzen“ oder Nutzen bewerten, der sich aus einer bestimmten Wahl ergeben kann – beispielsweise die Entscheidung, welches Buch aus dem Stapel Romane, den Sie aus der Bibliothek mitgebracht haben, zuerst gelesen werden soll. „Diese Modelle sind von Natur aus zufällig“, erklärt Gabriele Farina, Assistenzprofessorin am Division of Electrical Engineering and Laptop Science (EECS) des MIT und Hauptforscherin am Laboratory for Info and Determination Programs (LIDS), „weil Menschen unterschiedlich sind. Jeder hat seine eigenen Vorlieben, und selbst diese Vorlieben können von Zeit zu Zeit variieren.“ Beispielsweise kann jemand, der morgens normalerweise Kaffee statt Tee trinkt und nach dem Abendessen lieber Tee trinkt, diese Reihenfolge gelegentlich völlig durcheinander bringen.

Natürlich werden RUMs in der Regierung und in der Industrie häufig in Situationen verwendet, die weitaus schwerwiegender sind als die Auswahl eines heißen (oder eisgekühlten) Getränks. Die Modelle ermöglichen routinemäßig Vorhersagen darüber, was Menschen in sogenannten kontrafaktischen („Was-wäre-wenn“)-Szenarien tun werden, wie zum Beispiel: Wie kommen sie zur Arbeit oder zur Schule, wenn eine Hauptverkehrsstraße wegen Bauarbeiten gesperrt wird? Welche Routen und Transportmittel werden sie nutzen? Oder wenn eine Stadt plötzlich einen Glücksfall von 20 Millionen US-Greenback erhält, wie sollten diese Mittel dann ausgezahlt werden, um das Gemeinwohl zu maximieren?

Wenn man bedenkt, dass RUMs schon seit quick 100 Jahren bei uns sind und im Laufe der Zeit immer ausgefeilter geworden sind, könnte man annehmen, dass es zu diesem Zeitpunkt kaum Raum für Verbesserungen gibt. Das ist jedoch nicht der Fall.

A Papier Die im April auf der Worldwide Convention on Studying Representations in Rio de Janeiro (Brasilien) vorgestellte Studie deckte grundlegende Fakten auf, die zeigen, dass aus diesen Modellen viel mehr herausgefunden werden kann, als traditionell angenommen wurde. Der Artikel wurde von Yeshwanth Cherapanamjeri verfasst, einem ehemaligen MIT-Postdoc, der jetzt an der Nanyang Technological College in Singapur arbeitet; Farina, ebenfalls Kerndozentin am Operations Analysis Heart (ORC) des MIT; Constantinos Daskalakis, Avanessians-Professor für Informatik am MIT und Mitglied des MIT-Labors für Informatik und künstliche Intelligenz; und Sobhan Mohammadpour, ein MIT-Doktorand in Informatik mit Sitz am LIDS und EECS.

Die Ergebnisse der Gruppe sind teilweise auf einen Mangel in der Artwork und Weise zurückzuführen, wie RUMs in der Praxis üblicherweise geschätzt werden, der seit den Tagen von Thurstone besteht. Die Daten, auf denen die Modelle geschätzt werden, stammen größtenteils aus sogenannten paarweisen Vergleichen: Welches würden Sie bei der Wahl zwischen den Elementen A und B wählen – ob es sich dabei um Filme auf Netflix, Konkurrenzprodukte auf Amazon.com, auf Google veröffentlichte Nachrichten usw. handelt? Ein Grund dafür, dass dieser Ansatz so weit verbreitet ist, erklärt Daskalakis, ist, dass „es sehr schwierig ist, dem Nutzen, den man aus einem einzelnen Component zieht, eine präzise numerische Bewertung wie etwa 4,37 zuzuordnen. Zwei Dinge zu vergleichen und zu entscheiden, was einem besser gefällt, ist dagegen kognitiv viel einfacher.“ Aber darin liegt der Haken, fügt er hinzu. „Bei dieser Artwork der Beurteilung der Vorlieben von Menschen, bei der nur zwei Dinge gleichzeitig betrachtet werden, ist es unmöglich, Korrelationen zwischen den zahlreichen Auswahlmöglichkeiten zu finden.“

Die Standardmethode zur Anwendung von RUMs geht davon aus, dass die von A und B abgeleiteten Dienstprogramme unabhängig sind, sie können jedoch tatsächlich verknüpft sein, und das wäre wichtig zu wissen. Wenn jemand, der sich für ein Wahlamt bewirbt, herausfindet, dass ein potenzieller Wähler beispielsweise Waffenkontrolle befürwortet, besteht eine begründete Probability, dass dieselbe Individual auch eine staatlich geförderte Kinderbetreuung befürwortet. Ebenso magazine ein Fan von Impartial-Filmen eine Vorliebe für ausländische Filme haben, aber weniger begeistert von Hollywood-Motion-Blockbustern. „Wenn eine digitale Plattform die Existenz solcher Korrelationen ignoriert, kann sie Präferenzen nicht sehr genau einschätzen“, stellt Daskalakis fest. „Und wenn Netflix Ihnen regelmäßig eine Auswahl an Filmen zeigt, die Sie nicht interessieren, könnten Sie sich abmelden und Ihr Abonnement kündigen.“

Das MIT-Staff hat bewiesen, dass es unmöglich ist, allein aus Zwei-Wege-Vergleichen Informationen über Korrelationen zu erhalten. Korrelationen lassen sich jedoch erkennen, wenn viele Menschen drei Alternativen in der Reihenfolge ihrer Präferenz bewerten. Die gleichen Informationen können auch aus einer Kombination von Finest-of-Three- und Finest-of-Two-Auswahlmöglichkeiten gewonnen werden. In der Praxis, erklärt Mohammadpour, „würden Sie eine Gruppe von Leuten dazu bringen, drei Elemente zu bewerten. Anschließend könnten Sie die von uns entwickelte Methode nutzen, um diese einzelnen Ergebnisse in einem großen Modell zusammenzuführen, das uns ein Gesamtbild liefern kann.“

Laut Farina konzentrieren sich ihre Forschungsbemühungen auf die rechnerische Seite von RUMs, indem sie Algorithmen entwickeln, die Präferenzinformationen extrahieren und herausfinden können, wie viele Daten dafür erforderlich sind oder, was gleichbedeutend ist, wie viele Experimente durchgeführt werden müssen. Die gute Nachricht sei, sagt er, dass für diesen Zweck tatsächlich effiziente Algorithmen möglich seien. Die erforderliche Anzahl von Experimenten wächst nicht exponentiell mit der Anzahl der Elemente im Katalog oder in der Datenbank, die überprüft werden.

„Dieses Papier stellt einen entscheidenden Durchbruch dar“, kommentiert Emma Frejinger, Informatikerin an der Universität Montreal. „Es beweist mathematisch, warum die herkömmliche Datenerfassung fehlschlägt, und zeigt, dass die einfache Befragung der Benutzer nach ihren besten drei (Auswahlmöglichkeiten) die Fähigkeit freischaltet, diese leistungsstarken Modelle genau zu trainieren. Diese Erkenntnis bietet einen äußerst praktischen Fahrplan für die Erfassung besserer Daten, um genauere Optimierungen voranzutreiben.“

„Der Bau von Gebrauchsmustern wird ein sehr aktiver Bereich bleiben“, betont Daskalakis. „So wie RUMs seit den späten 1990er Jahren für die Internetwirtschaft von entscheidender Bedeutung waren, sind und bleiben sie auch in Zukunft für die Ausrichtung der KI-Modelle von entscheidender Bedeutung.“ Noch wichtiger ist, fügt er hinzu: „RUMs spielen eine zentrale Rolle für die kommerzielle Durchführbarkeit und Nützlichkeit großer Sprachmodelle (LLMs).“ Während der Schulungsphase werden die Teilnehmer in der Regel gebeten, die verschiedenen Kandidatenergebnisse dieser LLMs in eine Rangfolge zu bringen, wodurch die Modelle einen besseren Eindruck davon gewinnen können, welche Artwork von Textual content – in Bezug auf Ton, Stil und Inhalt – bevorzugt wird.

Angesichts der Tatsache, dass wir ständig „mit einem riesigen Meer an Optionen in so vielen verschiedenen Bereichen überlastet sind“, sagt Daskalakis, „kann man die Leute unmöglich bitten, alle ihre persönlichen Vorlieben für alle möglichen Szenarien mitzuteilen. Stattdessen können Sie ein Modell erstellen, das vorhersagt, was die Leute über die verschiedenen möglichen Ergebnisse denken. Und Sie müssen Ihr Modell in einem iterativen Prozess so lange verbessern und aktualisieren, bis Sie hoffentlich gute Vorhersagen treffen können.“

über den Wechsel zu Information Science im Jahr 2026?

Wenn die Antwort „Ja“ lautet, ist dieser Artikel genau das Richtige für Sie.

Ich bin Sabrine. Ich habe die letzten 10 Jahre in ganz Europa im KI-Bereich gearbeitet – von großen Unternehmen und Begin-ups bis hin zu Forschungslabors. Und wenn ich heute noch einmal von vorne beginnen müsste, würde ich mich ehrlich gesagt immer noch für dieses Fach entscheiden. Warum?

Aus den gleichen Gründen, die viele von uns hierher geführt haben: die intellektuelle Herausforderung, der Einfluss, den man haben kann, die Liebe zu Mathematik und Code und die Möglichkeit, reale Probleme zu lösen.

Aber lohnt es sich mit Blick auf das Jahr 2026 noch?

Wenn Sie durch LinkedIn scrollen, sehen Sie zwei kämpfende Groups: Das eine sagt: „Information Science ist tot“, das andere sagt, dass es dank des KI-Traits wächst.

Wenn ich mich umsehe, denke ich persönlich, dass wir immer Rechenkenntnisse brauchen werden. Wir werden immer Menschen brauchen, die Daten verstehen und Entscheidungen treffen können. Zahlen gab es schon immer überall, und warum sollten sie im Jahr 2026 verschwinden?

Allerdings hat sich der Markt verändert. Und um sich jetzt darin zurechtzufinden, benötigen Sie eine gute Führung und klare Informationen.
In diesem Artikel teile ich meine eigenen Erfahrungen aus der Arbeit in Forschung und Industrie sowie aus der Betreuung von mehr als 200 Information Scientists in den letzten Jahren.

---

Was passiert additionally jetzt auf dem Markt?

Ich werde ehrlich sein und Ihnen keinen Traum davon verkaufen.
Das Ziel besteht nicht darin, Vorurteile hervorzurufen, sondern Ihnen genügend Informationen zu geben, damit Sie Ihre eigene Entscheidung treffen können.

Ist die Jobfamilie im Bereich Information Science breiter als je zuvor?

Einer der größten Fehler junger Information Scientists besteht darin, zu denken, Information Science sei ein einziger Job.

Im Jahr 2026 ist Information Science eine große Rollenfamilie. Bevor Sie eine einzelne Codezeile schreiben, müssen Sie verstehen, wo Sie hingehören.

Die Menschen sind von KI fasziniert: wie ChatGPT spricht, wie Neuralink das Gehirn stimuliert und wie Algorithmen Gesundheit und Sicherheit beeinflussen. Aber seien wir ehrlich: Nicht alle angehenden Information Scientists werden solche Projekte aufbauen.

Für diese Rollen sind ausgeprägte angewandte Mathematik und fortgeschrittene Programmierkenntnisse erforderlich. Bedeutet das, dass Sie sie nie erreichen werden? Nein. Aber sie richten sich häufig an promovierte Personen, Informatiker und Ingenieure, die genau für diese Nischenberufe ausgebildet sind.

Nehmen wir ein reales Beispiel: ein Stellenangebot für maschinelles Lernen/Datenwissenschaftler, das ich heute (27. November) bei einem GAFAM-Unternehmen gesehen habe.

Wenn Sie sich die Beschreibung ansehen, wird nach Folgendem gefragt:

• Patente
• Erstautorenpublikationen
• Forschungsbeiträge

Hat jeder, der sich für Information Science interessiert, ein Patent oder eine Veröffentlichung? Natürlich nicht.

Aus diesem Grund müssen Sie vermeiden, sich blind zu bewegen.

Wenn Sie gerade ein Bootcamp abgeschlossen haben oder am Anfang Ihres Studiums stehen, wird die Bewerbung für Stellen, die ausdrücklich Forschungspublikationen erfordern, nur Frustration mit sich bringen. Diese sehr speziellen Stellen richten sich in der Regel an Personen mit einem fortgeschrittenen akademischen Hintergrund (Ph.D., Postdoktorand oder Informatiker).

Mein Rat: Seien Sie strategisch. Konzentrieren Sie sich auf Rollen, die Ihren Fähigkeiten entsprechen.
Verschwenden Sie keine Zeit damit, sich überall zu bewerben.

Nutzen Sie Ihre Energie, um ein Portfolio aufzubauen, das Ihren Zielen entspricht.

Sie müssen die verschiedenen Teilbereiche der Datenwissenschaft verstehen und auswählen, was zu Ihrem Hintergrund passt. Zum Beispiel:

• Produktdatenanalyst / Wissenschaftler: Produktlebenszyklus und Benutzeranforderungen
• Ingenieur für maschinelles Lernen: Bereitstellung von Modellen
• GenAI-Ingenieur: funktioniert auf LLMs
• Klassischer Datenwissenschaftler: Schlussfolgerung und Vorhersage

Wenn Sie sich die Rolle eines Produktdatenwissenschaftlers bei Meta ansehen, ist das technische Niveau im Vergleich zu einer Rolle als Core AI Analysis Engineer oder Senior Information Scientist oft besser an die meisten Datenwissenschaftler auf dem Markt angepasst.

Für jemanden ohne Doktortitel sind diese Rollen realistischer.

Auch wenn Sie nicht bei GAFAM arbeiten möchten, beachten Sie Folgendes:

Sie geben die Richtung vor. Was sie heute benötigen, wird morgen überall sonst zur Norm.

---

Wie wäre es nun mit Programmieren und Mathematik im Jahr 2026?

Hier ist eine kontroverse, aber ehrliche Wahrheit für 2026: Analytische und mathematische Fähigkeiten sind wichtiger als nur das Programmieren.

Warum? Quick jedes Unternehmen nutzt mittlerweile KI-Instruments, um beim Schreiben von Code zu helfen. Aber KI kann Ihre Fähigkeit nicht ersetzen:

• Traits verstehen
• Erklären Sie, woher der Wert kommt
• Entwerfen Sie ein gültiges Experiment
• Interpretieren Sie ein Modell in einem realen Kontext

Codieren ist immer noch wichtig, aber Sie können kein „Generalimporteur“ sein – jemand, der nur sklearn importiert und ausführt .match() Und .predict().

Sehr bald könnte ein KI-Agent diesen Teil für uns übernehmen.
Aber Ihre mathematischen und analytischen Fähigkeiten sind immer noch wichtig und werden es auch immer sein.

Ein einfaches Beispiel:
Sie können eine KI fragen: „Erklären Sie PCA, als wäre ich 2 Jahre alt.“

Aber Ihr wahrer Wert als Datenwissenschaftler zeigt sich, wenn Sie etwas fragen wie:

„Ich muss die Wasserproduktion meines Unternehmens in einer bestimmten Area optimieren. In dieser Area gibt es Probleme, die dazu führen, dass das Netzwerk in bestimmten Mustern nicht verfügbar ist. Ich habe Hunderte von Funktionen zu diesem Zustand des Netzwerks. Wie kann ich PCA verwenden und sicherstellen, dass die wichtigsten Variablen in dem von mir verwendeten PC dargestellt werden?“

-> Dieser menschliche Kontext ist Ihr Wert.
-> KI schreibt den Code.
-> Du bringst die Logik mit.

---

Und wie wäre es mit der Information Science-Toolbox?

Beginnen wir mit Python. Als Programmiersprache mit einer großen Daten-Group ist Python immer noch unverzichtbar und wahrscheinlich die erste Sprache, die ein zukünftiger Information Scientist lernen muss.

Das Gleiche gilt für Scikit-learn, eine klassische Bibliothek für maschinelle Lernaufgaben.

Wir können auch auf Google Traits (Ende 2025) sehen, dass:

• PyTorch ist mittlerweile beliebter als TensorFlow
• Die GenAI-Integration wächst viel schneller als klassische Bibliotheken
• Das Interesse der Datenanalysten bleibt stabil
• Die Rollen „Dateningenieur“ und „KI-Spezialist“ interessierten mehr Menschen als allgemeine Rollen als Datenwissenschaftler

Ignorieren Sie diese Muster nicht. Sie sind sehr hilfreich bei der Entscheidungsfindung.

Sie müssen flexibel bleiben.

Wenn der Markt PyTorch und GenAI will, bleiben Sie nicht nur bei Keras und altem NLP hängen.

---

Und wie sieht es mit dem neuen Stack für 2026 aus?

Hier unterscheidet sich die Roadmap 2026 von 2020.
Um heute eingestellt zu werden, müssen Sie es sein produktionsreif.

Versionskontrolle (Git): Sie werden es täglich verwenden. Und um ehrlich zu sein, ist dies eine der ersten Fähigkeiten, die Sie am Anfang erlernen müssen. Es hilft Ihnen, Ihre Projekte und alles, was Sie lernen, zu organisieren.

Egal, ob Sie ein Masterstudium oder ein Bootcamp beginnen, vergessen Sie bitte nicht, Ihr erstes GitHub-Repository zu erstellen und ein paar grundlegende Befehle zu lernen, bevor Sie fortfahren.

AutoML: Verstehen Sie, wie es funktioniert und wann Sie es verwenden sollten. Einige Unternehmen nutzen AutoML-Instruments, insbesondere für Information Scientists, die eher produktorientiert sind.

Das Instrument, an das ich denke und auf das Sie kostenlos zugreifen können, ist Dataiku. Sie haben eine großartige Akademie mit kostenlosen Zertifizierungen. Es ist eines der AutoML-Instruments, das in den letzten zwei Jahren auf dem Markt explodiert ist.
Wenn Sie nicht wissen, was AutoML ist: Es ist ein Instrument, mit dem Sie ML-Modelle erstellen können ohne Codierung. Ja, es existiert.

Erinnern Sie sich, was ich vorhin über das Codieren gesagt habe? Dies ist einer der Gründe, warum andere Fähigkeiten immer wichtiger werden, insbesondere wenn Sie ein produktorientierter Information Scientist sind.

MLOps: Notizbücher reichen nicht mehr aus. Das gilt für alle. Notebooks eignen sich intestine zum Erkunden, aber wenn Sie Ihr Modell irgendwann in der Produktion bereitstellen müssen, müssen Sie sich mit anderen Instruments vertraut machen.

Und selbst wenn Ihnen Information Engineering nicht gefällt, müssen Sie diese Instruments dennoch verstehen, damit Sie mit Information Engineers kommunizieren und zusammenarbeiten können.

Wenn ich darüber spreche, denke ich an Instruments wie Docker (Schauen Sie sich meinen Artikel an), MLflow (Hyperlink hier), Und FastAPI.

LLMs und RAG: Sie müssen kein Experte sein, aber Sie sollten die Grundlagen kennen: wie die LangChain-API funktioniert, wie man ein kleines Sprachmodell trainiert, was RAG bedeutet und wie man es implementiert. Dies wird Ihnen wirklich helfen, sich vom Markt abzuheben und möglicherweise weiterzukommen, wenn Sie ein Projekt erstellen müssen, das einen KI-Agenten beinhaltet.

---

Portfolio: Qualität vor Quantität

Wie können Sie in diesem schnellen und wettbewerbsintensiven Markt beweisen, dass Sie den Job erledigen können? Ich erinnere mich, dass ich vor zwei Jahren einen Artikel darüber geschrieben habe, wie man ein Portfolio erstellt, und was ich hier sagen werde, kann etwas widersprüchlich aussehen, aber lassen Sie mich das erklären. Bevor ChatGPT und KI-Instruments den Markt überschwemmten, conflict es sehr wichtig, ein Portfolio mit einer Reihe von Projekten zu haben, um Ihre unterschiedlichen Fähigkeiten wie Datenbereinigung und Datenverarbeitung zu demonstrieren. Heutzutage werden alle diese grundlegenden Schritte jedoch häufig mit dafür geeigneten KI-Instruments durchgeführt. Daher werden wir uns mehr darauf konzentrieren, etwas zu entwickeln, das Sie von anderen unterscheidet und den Personalvermittler dazu bringt, Sie kennenzulernen.

Ich würde sagen: „Burnout vermeiden. Good bauen.“

Denken Sie nicht, dass Sie 10 Projekte brauchen. Wenn Sie Scholar oder Junior sind, reichen ein oder zwei gute Projekte aus.

Nutzen Sie die Zeit, die Sie während Ihres Praktikums oder Ihres letzten Bootcamp-Projekts haben, um es aufzubauen. Bitte verwenden Sie keine einfachen Kaggle-Datensätze. Schauen Sie on-line: Sie können eine große Menge an echten Anwendungsfalldaten oder Forschungsdatensätzen finden, die häufiger in der Industrie und in Laboren zum Aufbau neuer Architekturen verwendet werden.

Wenn Ihr Ziel nicht darin besteht, tief in die technische Seite einzusteigen, können Sie dennoch andere Fähigkeiten in Ihrem Portfolio zeigen: Folien, Artikel, Erklärungen dazu, wie Sie über den Geschäftswert dachten, welche Ergebnisse Sie erzielt haben und wie diese Ergebnisse in der Realität genutzt werden können. Ihr Portfolio hängt von der gewünschten Stelle ab.

• Wenn Ihr Ziel eher mathematisch orientiert ist, möchte der Personalvermittler wahrscheinlich Ihre Literaturübersicht sehen und sehen, wie Sie die neueste Architektur auf Ihren Daten implementiert haben.
• Wenn Sie eher produktorientiert sind, würden mich Ihre Folien und die Interpretation Ihrer ML-Ergebnisse mehr interessieren als die Qualität Ihres Codes.
• Wenn Sie eher MLOps-orientiert sind, wird der Personalvermittler prüfen, wie Sie Ihr Modell in der Produktion bereitgestellt, überwacht und verfolgt haben.

Abschließend möchte ich Sie daran erinnern, dass sich der Markt schnell verändert, dies jedoch nicht das Ende von Information Science bedeutet. Es bedeutet lediglich, dass Sie sich bewusster darüber sein müssen, wo Sie hinpassen, welche Fähigkeiten Sie weiterentwickeln möchten und wie Sie sich präsentieren.

Lernen Sie weiter und erstellen Sie ein Portfolio, das wirklich widerspiegelt, wer Sie sind. Sie werden Ihren Platz finden

Wenn Ihnen dieser Artikel gefallen hat, folgen Sie mir gerne auf LinkedIn, um weitere ehrliche Einblicke in KI, Information Science und Karrieren zu erhalten.

LinkedIn: Sabrine Bendimerad
Medium: https://medium.com/@sabrine.bendimerad1

Wenn Sie ein angehender Enterprise-Analyst sind, wissen Sie das wahrscheinlich bereits Energy BI-Kenntnisse sind sehr gefragt. Wie können Sie additionally potenziellen Arbeitgebern beweisen, dass Sie tatsächlich über diese Fähigkeiten verfügen? Wie kann man sich bei einer Bewerbung von der Masse abheben? Lohnt sich eine Energy BI-Zertifizierung?

Wenn Sie Ihrem Lebenslauf ein Energy BI-Zertifikat hinzufügen, können Sie nachweisen, dass Sie über die erforderlichen Fähigkeiten verfügen. Doch was bedeutet ein Zertifikat für einen potenziellen Arbeitgeber? Kann es Ihnen tatsächlich helfen, einen Job zu finden? Additionally…

Das hängt von der Zertifizierung ab.

Was Zertifizierungen bedeuten und was nicht

Wir haben viel darüber geschrieben Zertifizierungen und wie sie oft nicht die Wirkung haben, die Lernende erhoffen. Aber da Sind Einige Instruments, bei denen eine bestimmte Zertifizierung wichtig ist, und Energy BI ist eines davon.

Gehen wir hierzu näher auf die Particulars ein. Aber lassen Sie uns zunächst unterscheiden On-line-Kurszertifizierungen Und branchenweit anerkannte Zertifizierungen.

On-line-Kurszertifizierungen

Es kann schön sein, diese Zertifikate auf LinkedIn zu teilen, aber Sie bedeuten den Arbeitgebern eigentlich nichts. Es gibt einfach zu viele – jede On-line-Lernplattform hat ihre eigene. Arbeitgeber können Ihre Fähigkeiten nicht einfach anhand zufälliger On-line-Kurszertifizierungen überprüfen.

Auf vielen On-line-Plattformen können Sie ganz einfach ein Zertifikat für einen Python-Codierungskurs erhalten, einige davon ohne Code schreiben zu müssen! Fairerweise muss man sagen, dass die Bewertung mit A number of-Alternative- oder Lückentextfragen einfacher zu skalieren ist als die Bewertung des Codes jedes Einzelnen.

Sind Energy BI-Zertifizierungen aus Kursen sinnlos?

Dies bedeutet jedoch nicht, dass nicht alle On-line-Kurse, die Zertifikate anbieten, für Sie von Wert sein können. Aber denken Sie daran, Der wahre Wert liegt in den Fähigkeiten, die Sie erwerbennicht nur das Zertifikat, das Sie am Ende erhalten. Selbst ein Zertifikat einer renommierten Universität wie Harvard oder MIT wird potenziellen Arbeitgebern nicht viel bedeuten.

Zusamenfassend, On-line-Kurse mögen hilfreich sein, aber ihre Zertifikate sind ziemlich nutzlos. Arbeitgeber können sie nicht zur Beurteilung Ihrer Kenntnisse oder Fähigkeiten verwenden und respektieren sie daher nicht.

Branchenweit anerkannte Zertifizierungen

Für bestimmte Werkzeuge, Es gibt branchenweit anerkannte Zertifizierungen, die von Arbeitgebern respektiert werden. Für diese Zertifizierungen müssen Sie in der Regel eine lange, standardisierte Prüfung bestehen nicht erfordern, dass Sie einen bestimmten On-line-Kurs absolvieren. Vielmehr kann sich jeder anmelden, eine Gebühr zahlen, die Prüfung ablegen und sich (bei Bestehen) zertifizieren lassen.

Beispielsweise gibt es eines für Energy BI, das Sie erhalten können. Die Zertifizierung wird von Microsoft, dem Hersteller von Energy BI, ausgestellt. Um es zu verdienen, müssen Sie bestehen ein 90-minütiger Check namens PL-300-Prüfung. Der Die Prüfung zur Microsoft Energy BI-Zertifizierung PL-300 kostet 165 US-Greenback.

Wenn Namenserkennung wichtig ist

Im Gegensatz zu den Zertifizierungen, die mit den meisten On-line-Kursen verbunden sind, Die Energy BI-Zertifizierung von Microsoft wird von Arbeitgebern anerkannt und respektiert weil sie darauf vertrauen, dass die PL-300-Prüfung streng und standardisiert ist und Ihre tatsächliche Kompetenz mit Energy BI genau prüft.

Auch wenn viele On-line-Kurszertifizierungen Ihre Zeit nicht wert sind, Microsofts Energy BI Information Analyst Affiliate-Zertifizierung Ist Dies ist aussagekräftig, weil Arbeitgeber wissen, dass Sie die branchenweit anerkannte PL-300-Prüfung bestanden haben.

Benötigen Sie eine Energy BI-Zertifizierung?

Das tust du nicht brauchen eine Zertifizierung, um einen Job mit Energy BI zu bekommen, aber Eines zu haben, kann definitiv dabei helfen, einige Türen zu öffnen.

Welche Arbeitgeber wirklich Wichtig ist, ob Sie über die nötigen Fähigkeiten für die Arbeit verfügen. Und das können Sie auf vielfältige Weise beweisen. Oftmals a großartiges Portfolio relevanter Geschäftsanalyseprojekte ist der überzeugendste Beweis dafür, dass Sie in der Lage sind, die von einem Arbeitgeber geforderte Arbeit zu leisten.

Viele Unternehmen beurteilen Bewerber jedoch immer noch anhand ihrer Lebensläufe.

Fügen Sie Ihrem Lebenslauf ein Energy BI-Zertifikat hinzu

Eine Möglichkeit, dem entgegenzuwirken, besteht darin, in Ihrem Lebenslauf eine branchenweit anerkannte Zertifizierung wie die Energy BI Information Analyst Affiliate-Zertifizierung von Microsoft vorzuweisen. Die meisten Arbeitgeber im Bereich Unternehmensanalyse sind mit der Zertifizierung vertraut und die Anforderungen der dafür erforderlichen PL-300-Prüfung. Die Möglichkeit, das Energy BI-Zertifikat in Ihren Lebenslauf aufzunehmen, gibt ihnen einen schnellen Beweis dafür, dass Sie wirklich über die Fähigkeiten verfügen, die sie benötigen.

Es gibt natürlich auch andere Möglichkeiten, Arbeitgeber mit einem Lebenslauf zu beeindrucken, und es ist durchaus möglich, einen Job als Enterprise-Analyst mit Energy BI zu bekommen, ohne eine Zertifizierung zu erhalten. Allerdings mit der Zertifizierung Ist Dies ist in diesem Fall hilfreich und daher auf jeden Fall eine Überlegung wert.

Was ist die beste Energy BI-Zertifizierung?

Microsofts Energy BI Information Analyst Affiliate-Zertifizierung ist die beste Energy BI-Zertifizierung für angehende Daten- und Geschäftsanalysten. Im Gegensatz zu Zertifikaten von On-line-Plattformen wie EdX oder Coursera erkennt die Branche diese Energy BI-Zertifizierung als aussagekräftigen Kompetenzindikator an, da sie eine formelle Prüfung (PL-300) erfordert.

Andere On-line-Programme, die Zertifikate anbieten, sind möglicherweise immer noch wertvoll, wenn es um die Lehrinhalte geht, aber was den Markennamen im Lebenslauf betrifft, Die Energy BI-Zertifizierung von Microsoft ist wirklich die einzige, die zählt.

Was deckt die PL-300-Prüfung ab?

Die PL-300-Prüfung von Microsoft ist in verschiedenen Sprachen verfügbar. Entsprechend Der offizielle Studienführer von Microsoft für die PL-300-PrüfungFolgendes wird in der englischsprachigen Model behandelt:

Aufbereitung der Daten (25–30 %)

In diesem Abschnitt testen Sie Ihre Fähigkeit, Daten in Energy BI zu importieren, auszuwerten, zu bereinigen und zu transformieren. Unter anderem müssen Sie in der Lage sein:

1. Holen Sie sich Daten aus Datenquellen
   • Identifizieren Sie eine Datenquelle und stellen Sie eine Verbindung zu ihr her
   • Wählen Sie zwischen DirectQuery, Import und Twin-Modus
2. Bereinigen Sie die Daten
   • Daten auswerten, einschließlich Datenstatistiken und Spalteneigenschaften
   • Beheben Sie Inkonsistenzen, unerwartete oder Nullwerte und Probleme mit der Datenqualität
3. Transformieren und laden Sie die Daten
   • Wählen Sie geeignete Spaltendatentypen aus
   • Abfragen zusammenführen und anhängen
   • Identifizieren und erstellen Sie geeignete Schlüssel für Beziehungen

Modellierung der Daten (25–30 %)

In diesem Abschnitt werden Ihre Kenntnisse darüber getestet, wie Sie mit Datenmodellen arbeiten und diese optimieren. Unter anderem müssen Sie in der Lage sein:

1. Entwerfen und implementieren Sie ein Datenmodell
   • Konfigurieren Sie Tabellen- und Spalteneigenschaften
   • Definieren Sie die Kardinalität und die Kreuzfilterrichtung einer Beziehung
2. Erstellen Sie Modellberechnungen mit DAX
   • Erstellen Sie einzelne Aggregationskennzahlen
   • Identifizieren Sie implizite Maßnahmen und ersetzen Sie sie durch explizite Maßnahmen
   • Erstellen Sie berechnete Tabellen
3. Optimieren Sie die Modellleistung
   • Identifizieren Sie leistungsschwache Kennzahlen, Beziehungen und Visuals mit dem Efficiency Analyzer
   • Verbessern Sie die Leistung, indem Sie optimale Datentypen auswählen

Visualisieren und Analysieren der Daten (25–30 %)

In diesem Abschnitt testen Sie Ihre Fähigkeit, mithilfe Ihres Datenmodells Visualisierungen zu erstellen, um aussagekräftige Geschäftserkenntnisse zu gewinnen. Unter anderem müssen Sie in der Lage sein:

1. Erstellen Sie Berichte
   • Formatieren und konfigurieren Sie Visualisierungen
   • Wenden Sie Slicing und Filterung an
2. Verbessern Sie Berichte hinsichtlich Benutzerfreundlichkeit und Storytelling
   • Erstellen Sie benutzerdefinierte Tooltips
   • Gruppieren und überlagern Sie visuelle Elemente mithilfe des Auswahlbereichs
   • Entwerfen Sie Berichte für cellular Geräte
3. Identifizieren Sie Muster und Traits
   • Verwenden Sie KI-Visualisierungen
   • Erkennen Sie Ausreißer und Anomalien

Bereitstellung und Wartung von Vermögenswerten (15–20 %)

In diesem Abschnitt testen Sie Ihr Wissen darüber, wie Sie Ihre Energy BI-Berichte in gemeinsam nutzbare Analyseressourcen umwandeln, die Ihr Unternehmen nutzen kann. Unter anderem müssen Sie in der Lage sein:

1. Erstellen und verwalten Sie Arbeitsbereiche und Elemente
   • Konfigurieren und aktualisieren Sie eine Workspace-App
   • Erstellen Sie Dashboards
   • Wenden Sie Vertraulichkeitsbezeichnungen auf Arbeitsbereichsinhalte an
2. Semantische Modelle verwalten
   • Identifizieren Sie, wann ein Gateway erforderlich ist
   • Bieten Sie Zugriff auf semantische Modelle

Insgesamt bewertet die PL-300-Prüfung Ihre Fähigkeit, ein Finish-to-Finish-Datenanalyseprojekt mit Energy BI abzuschließen. Es reicht nicht aus, nur die Grundlagen zu kennen; Microsoft stellt außerdem Folgendes fest:

Kandidaten für diese Prüfung sollten über Kenntnisse im Umgang mit Energy Question und im Schreiben von Ausdrücken mithilfe von Information Evaluation Expressions (DAX) verfügen. Sie wissen, wie man die Datenqualität beurteilt. Darüber hinaus verstehen Sie die Datensicherheit, einschließlich der Sicherheit auf Zeilenebene und der Datensensibilität.

Kurz gesagt: Die PL-300-Prüfung ist eine gründliche Prüfung Ihrer Energy BI-Kenntnisse. Deshalb ist es eine Zertifizierung, die von potenziellen Arbeitgebern tatsächlich respektiert wird.

So bereiten Sie sich auf die PL-300-Prüfung vor

Es gibt viele On-line-Ressourcen, die Ihnen dabei helfen können, sich kostenlos auf die Energy BI-Zertifizierungsprüfung vorzubereiten. Dabei handelt es sich jedoch in der Regel um videobasierte Vorlesungskurse, die Sie nicht zu praktischen Übungen zwingen Tun Dinge in Energy BI. Sie lernen vielleicht, wie man Fragen beantwortet, aber Sie werden keine nützlichen Erfahrungen sammeln, wenn Sie ein Energy BI-Projekt von Anfang bis Ende abschließen.

Der beste Weg, sich auf die PL-300-Prüfung vorzubereiten, besteht darin, zu lernen und Üben Sie Energy BI-Kenntnisse, indem Sie tatsächlich Energy BI-Projekte durchführen. Auf diese Weise fällt es Ihnen leichter, die Prüfung zu bestehen, und wenn Sie zertifiziert sind, verfügen Sie bereits über ein Projektportfolio, das Ihre Energy BI-Kenntnisse vertieft.

Dataquest ist interaktiv Daten mit Microsoft Energy BI analysieren Ability Path wurde in Zusammenarbeit mit Microsoft entwickelt und soll Ihnen dabei helfen, genau das zu erreichen. Es soll Ihnen zeigen, wie Sie Daten mit Microsoft Energy BI analysieren und visualisieren, indem Sie Energy BI direkt in Ihrem Browser praktisch anwenden.

OpenAI wurde kürzlich veröffentlicht o1 und o1 professional in ihren 12 Tagen OpenAI – Stay-Updates, die unbegrenzten Zugriff für 200 US-Greenback bieten ChatGPT Professional Abonnement. Angesichts der vielen Spekulationen über ihre Fähigkeiten fragte ich mich: Lohnt sich die Investition in dieses Premium-Abonnement? Um diese Frage zu beantworten, habe ich diese beiden KI-Modelle in sechs herausfordernden Aufgaben gegeneinander antreten lassen. In diesem Artikel werden ihre Stärken, Schwächen und ihre Gesamtleistung untersucht. Am Ende werden Sie eine klare Vorstellung davon haben, ob das 200-Greenback-ChatGPT-Professional-Abonnement die richtige Wahl für Sie ist oder nicht!

Herausforderung 1. Ein Zebra-Drawback lösen

Als ersten Take a look at von o1 vs. o1 professional nehme ich ein Zebra-Drawback – schwieriges Degree Webseite. Mal sehen, wer es besser knackt!

Immediate:

Lösen Sie dieses Zebra-Drawback:

o1 Antwort:

Wenn man diese Antwort als Lösung ansieht, stellt sich heraus, dass sie falsch ist:

o1 professional Antwort:

Wenn man diese Antwort als Lösung ansieht, stellt sich heraus, dass sie richtig ist:

Beobachtung:

o1 professional brauchte viel mehr Zeit als o1, um zu antworten. o1 kann das Drawback nicht lösen, während o1 professional erfolgreich ist!

Urteil:

o1 | o1 professional

Herausforderung 2: Unterschiede finden

Immediate:

Finden Sie 3 Unterschiede in den beiden Bildern:

o1 Antwort:

• Gegenstand in der Hand: Auf dem linken Bild hält sie einen Löffel. Im rechten Bild hält sie stattdessen eine Eistüte.
• Haarschmuck: Auf dem linken Bild sind ihre Haare schlicht. Auf dem rechten Bild trägt sie eine kleine rosa Schleife im Haar.
• Hintergrundobjekt: Im linken Bild steht auf dem Regal hinter ihr eine grüne Nähmaschine. Im rechten Bild wird die Nähmaschine durch einen einfachen grünen Kasten (oder Rahmen) ersetzt.

Beobachtung:

Nur der zweite Unterschied ist richtig, nämlich das fehlende Haaraccessoire, die restlichen 2 sind falsch.

o1 professional Antwort:

• Das Frisurenaccessoire des Mädchens: Auf dem rechten Bild hat sie eine rosa Schleife im Haar, die auf dem linken Bild nicht vorhanden ist.
• Was sie in ihrer Hand hält: Auf dem linken Bild hält sie einen Löffel. Im rechten Bild hält sie stattdessen eine Eistüte.
• Die Farbe der mittleren Kugel in der Eisschale: Im linken Bild ist die mittlere Kugel rosa, während sie im rechten Bild weiß geworden ist.

Beobachtung:

Nur der erste Unterschied ist richtig. Relaxation 2 ist falsch.

Sowohl o1 als auch o1 professional konnten nicht richtig antworten. Allerdings warfare o1 schneller bei der Generierung der Antwort.

Urteil:

o1 | o1 professional

Herausforderung 3: Lösen Sie ein mathematisches Drawback

In dieser Herausforderung werde ich den Modellen ein Drawback zur Berechnung unbestimmter Integrale stellen. Mal sehen, wer es lösen kann!

Immediate:

Lösen Sie dieses mathematische Drawback:

Antwort von o1 und o1 professional (gleich):

Beobachtung:

Beide Modelle lieferten die richtige Antwort, aber das o1 warfare viel schneller als o1 professional bei der Lösungsfindung.

Urteil:

o1 | o1 professional

Herausforderung 4: Artikel analysieren

Immediate:

Lesen Sie den Artikel – https://www.analyticsvidhya.com/weblog/2024/07/building-agentic-rag-systems-with-langgraph/, um den Prozess des Aufbaus einer Vektordatenbank für Wikipedia-Daten zu verstehen. Fassen Sie die wichtigsten Schritte kurz und bündig zusammen.

o1 Antwort:

o1 professional Antwort:

Beobachtung:

Die „o1 professional Antwort“ kommt der tatsächlichen Umsetzung im Artikel näher. Hier ist der Grund:

Der Artikel bietet eine viel detailliertere Schritt-für-Schritt-Implementierung, die Folgendes umfasst:

• Verwendung spezifischer Bibliotheken wie LangChain- und OpenAI-Einbettungen
• Laden von Wikipedia-Daten aus einem bestimmten Archiv
• Verwendung von Chroma als Vektordatenbank
• Implementierung erweiterter RAG-Komponenten wie:
  • Umformulierung der Abfrage
  • Einstufung der Dokumentenrelevanz
  • Integration der Websuche
  • Ein komplexer LangGraph-Workflow

Die Antwort von o1 professional fängt mehr Nuancen ein, indem sie Folgendes erwähnt:

• Spezifische Einbettungsmodelle (Satztransformatoren)
• Optionen für Vektordatenbanken
• Speicherung von Metadaten
• Abruf testen
• Integration mit einer RAG-Pipeline

Im Gegensatz dazu ist die erste „o1-Antwort“ allgemeiner gehalten und es fehlt ihr die im Artikel gezeigte technische Tiefe. Die Antwort von o1 professional kommt additionally der tatsächlichen Umsetzung des Artikels deutlich näher.

Urteil:

o1 | o1 professional

Herausforderung 5: Bilderstellung

Immediate:

Erstellen Sie ein Bild einer Katze.

o1 Antwort:

o 1 Professional-Antwort:

Beobachtung:

Sowohl o1 als auch o1 professional konnten keine Bilder generieren, was darauf hindeutet, dass beide o1-Versionen die Bildgenerierung nicht unterstützen. Als ich jedoch GPT 4o die gleiche Aufforderung gab, erhielt ich die Antwort:

Daher kann man mit Sicherheit sagen, dass nur GPT 4o sowohl o1 als auch o1 professional bei der Bilderzeugung übertrifft!

Urteil:

o1 | o1 professional

Herausforderung 6: Erstellen eines logischen Flussdiagramms

Immediate:

Erstellen Sie ein umfassendes Flussdiagramm, das das Reflexionsmuster in Agentic AI veranschaulicht.

o1 Antwort:

o1 professional Antwort:

Beide lieferten unvollständige Stream-Chats, daher beschloss ich, meine Eingabeaufforderung zu aktualisieren. Hier ist meine aktualisierte Eingabeaufforderung:

Neue Eingabeaufforderung:

Dies sind die Schritte, die zum Reflexionsmuster gehören –

• Generieren Sie die Erstausgabe
• Selbstüberprüfung/Kritik der Ausgabe
• Identifizieren Sie Fehler, Lücken oder Verbesserungsbereiche
• Verbesserungsvorschläge entwickeln
• Überarbeiten/verfeinern Sie die Ausgabe
• Wiederholen Sie die Schritte 2–5, bis ein zufriedenstellendes Ergebnis erzielt wird
• Erstellen Sie jetzt ein neues Flussdiagramm

o1 Antwort:

o1 professional Antwort:

Beobachtung:

Auch wenn der Inhalt in beiden Antworten derselbe ist, hat o1 definitiv gewonnen, indem es ein tatsächliches Flussdiagramm bereitstellte, während o1 Professional nur den richtigen Inhalt lieferte.

Urteil:

o1 | o1 professional

Ergebnistabelle: o1 vs. o1 professional

Herausforderung	Urteil
Zebra-Drawback	o1 professional hatte Erfolg, warfare aber langsamer
Finden Sie Unterschiede	Beide Modelle schnitten schlecht ab
Mathe-Drawback	Beides richtig gelöst, o1 warfare schneller
Artikel analysieren	o1 professional sorgte für mehr Tiefe
Bilderstellung	Keiner von beiden konnte Bilder generieren (GPT 4o konnte)
Erstellen eines logischen Flussdiagramms	o1 gewann durch die Erstellung eines tatsächlichen Flussdiagramms

o1 professional scheint hinsichtlich der Tiefe und Genauigkeit der Problemlösung einen leichten Vorsprung zu haben, insbesondere bei komplexen Aufgaben wie der Lösung des Zebra-Issues und der Analyse technischer Artikel. Allerdings ist o1 tendenziell schneller und schneidet bei einfacheren Aufgaben intestine ab. Das Urteil scheint zu lauten, dass o1 Professional geringfügig besser ist, insbesondere bei komplexeren oder technischen Herausforderungen, die ein tieferes Verständnis erfordern.

Lesen Sie auch: Ist das neue o1-Modell besser als GPT-4o?

Schlussbemerkung

Obwohl o1 professional bei der Lösung komplexer Probleme vielversprechend ist, ist es wichtig, Ihre spezifischen Bedürfnisse und Ihr Price range zu berücksichtigen. Für einfache bis mittelschwere Aufgaben könnten GPT-4o oder andere günstigere Alternativen ausreichen. Wenn die Lösung komplexer Probleme Priorität hat und Sie bereit sind zu investieren, könnte o1 professional ein wertvolles Device sein.

Da OpenAI diese Modelle jedoch kontinuierlich verfeinert, könnte es sinnvoll sein, auf weitere Updates zu warten, bevor man eine endgültige Entscheidung trifft. OpenAI wird dem 200-Greenback-ChatGPT-Professional-Plan in Zukunft wahrscheinlich weitere Vorteile hinzufügen.

Was denken Sie darüber? Lass es mich im Kommentarbereich unten wissen.

Bleiben Sie dran Analytics Vidhya Weblog für weitere solch tolle Updates!

Bild vom Autor

Über die Place von Datenwissenschaftlern im Jahr 2024 gibt es viele unterschiedliche Meinungen. Der zunehmende Einsatz von generativen KI-Instruments unterstützt viele Organisationen und Mitarbeiter beim Datenanalyseprozess.

Manche sagen, die Datenwissenschaft sei tot. Andere sagen, die Datenwissenschaft erlebt eine Wiedergeburt. Was sollten Sie glauben?

Das ist meine Meinung.

Daten werden mit Gold verglichen, und immer mehr Unternehmen generieren sie und wollen sie in die Hände bekommen. Man muss sich fragen, warum alle so verrückt nach Daten sind?

Bedeutet das aber, dass Unternehmen immer noch Datenwissenschaftler benötigen, wenn sie über Instruments wie ChatGPT verfügen, um ihre Daten zu bereinigen und zu analysieren? Obwohl Unternehmen und Spezialisten in ihren täglichen Aktivitäten Instruments für maschinelles Lernen und KI nutzen, ist im Datenwissenschaftsmarkt immer noch ein klares Wachstumspotenzial erkennbar.

Ist die Datenwissenschaft übersättigt?

Wir alle können zugeben, dass die Technologiebranche boomt und es immer mehr Leute gibt, die einen Weg finden, in die Branche einzusteigen. Viele Unternehmen suchen nach Fachleuten mit Webanalysefähigkeiten, Enterprise Intelligence und grundlegendem Information Engineering, die Datenwissenschaftler verfügen über diese Fähigkeiten.

Wenn Sie sich jedoch ein nicht-technisches Unternehmen ansehen, können viele dieser Aufgaben automatisiert werden, was dazu führt, dass kein Bedarf an Datenwissenschaftlern besteht. Wenn Sie jedoch mit einem eher technologieorientierten Unternehmen zusammenarbeiten, das Risikoanalysen im Finanzsektor oder Datentechnik und Kundenanalysen benötigt, haben Sie eine größere Likelihood, in Ihrer Karriere als Datenwissenschaftler.

Es hängt eher von dem Unternehmen ab, für das Sie arbeiten.

Beispiele hierfür sind Fertigung, Logistik, Gesundheitswesen und Finanzen. Diese Branchen benötigen analytische Dienstleistungen, bei denen die Kernnachfrage nach Datenwissenschaft kontinuierlich wächst. Nicht zu vergessen ist der KI-Bereich, beispielsweise die Verarbeitung natürlicher Sprache (NLP) und Pc Imaginative and prescient, die derzeit boomen.

Lohnt sich Information Science additionally?

Die einfache Antwort lautet ja. Es gibt große Chancen für diejenigen, die über die richtige Kombination aus Fähigkeiten in Analytik und KI-Modellentwicklung verfügen. US-Nachrichten und Weltbericht stufte Information Science als viertbesten Technologiejob, als siebtbesten MINT-Job und als 8. von 100 besten Jobs im Jahr 2024 ein.

Diese Zahlen unterstreichen die Nachfrage nach Information Science-Experten und wie sie für die Zukunft von Technologie und Wirtschaft von entscheidender Bedeutung sind.

Wie werde ich Datenwissenschaftler?

Wie Sie wissen, ist die Nachfrage nach Datenwissenschaftlern hoch und viele versuchen, in die Branche einzusteigen. Einige von Ihnen haben vielleicht daran gedacht, wieder an die Universität zu gehen, können aber die finanzielle Belastung nicht abschätzen.

Der Einstieg in die Tech-Branche muss nicht mehr so ​​schwer sein. Es gibt verschiedene On-line-Kurse, mit denen Sie innerhalb von Monaten und nicht Jahren den Fuß in die Tür bekommen.

Einer dieser Kurse ist DataCamps Zertifizierung als Information Scientist. Eine branchenweit anerkannte Zertifizierung, bei der Sie sicher sein können, dass Ihre Zertifizierung wertvoll ist und von großen Organisationen anerkannt wird.

In dieser Zertifizierung lernen Sie, wie Sie bei Bedarf mithilfe von maschinellem Lernen und KI große Datenmengen sammeln, analysieren und interpretieren. Mit diesem technischen Aspekt des Lernens lernen Sie auch, wie Sie die Ergebnisse Ihrer Analyse den Geschäftspartnern effektiv mitteilen.

Und das Erstaunliche daran ist, dass Sie es in 30 Tage! Nach der Registrierung haben Sie 30 Tage Zeit, um die zeitgesteuerten und praktischen Prüfungen mit allen Vorbereitungen abzuschließen, die Sie für Ihren Erfolg benötigen! Die Lernplattform bietet alles, was Sie zur Vorbereitung und zum Erreichen Ihrer Ziele benötigen.

Das Schwierigste ist, einen Job zu finden, oder? Angesichts der aktuellen Wirtschaftslage und des Arbeitsmarkts haben viele Menschen Angst, in ihre Karriere zu investieren, und ich kann Ihnen das nicht verübeln.

DataCamp bietet Ihnen jedoch exklusiven Zugang zu seiner Zertifizierungs-Neighborhood, in der Sie sich mit anderen zertifizierten Fachleuten vernetzen und Inhalte erkunden können, die unser Neighborhood-Staff speziell für Sie zusammengestellt hat. In dieser Neighborhood erfahren Sie von neuen Occasions mit Branchenexperten, was sich hervorragend zum Netzwerken eignet. Außerdem gibt es Gruppenforen, in denen Sie Fragen stellen und Suggestions zu Ihrer Arbeit und Ihrem Portfolio erhalten können. Außerdem gibt es exklusive Inhalte, die darauf zugeschnitten sind, Sie zu einem High-Datenexperten zu machen, und Ressourcen, mit denen Sie sich von der Masse abheben und bei Ihrer Jobsuche erfolgreich sein können.

Einpacken

Viele Menschen haben unterschiedliche Meinungen zum Wachstum der Datenwissenschaft auf dem aktuellen Markt. Es gibt jedoch immer noch viele, die in das Feld einsteigen, um die Nachfrage zu decken. Jede technische Rolle erfordert, dass Sie lernen und Ihre Fähigkeiten verbessern. Wenn Sie additionally als Datenwissenschaftler Fuß fassen, können Sie in andere Bereiche wie Enterprise Intelligence oder Datentechnik wechseln, die ebenfalls stark nachgefragt sind.

Nisha Arya ist Datenwissenschaftlerin, freiberufliche technische Redakteurin und Redakteurin und Neighborhood-Managerin für KDnuggets. Sie ist besonders daran interessiert, Karriereberatung oder Tutorials für die Datenwissenschaft sowie theoriebasiertes Wissen rund um die Datenwissenschaft bereitzustellen. Nisha deckt ein breites Themenspektrum ab und möchte die verschiedenen Möglichkeiten erkunden, wie künstliche Intelligenz die Langlebigkeit des menschlichen Lebens verbessern kann. Als eifrige Lernerin möchte Nisha ihr technisches Wissen und ihre Schreibfähigkeiten erweitern und gleichzeitig anderen helfen, Anleitung zu geben.