Dzisiejszy wpis jest związany, z postem o 3 Kluczowych Elementach. Tam podawałem sposoby na świetne modele. W dzisiejszym wpisie wykorzystam dwa potężne modele, aby pokazać sposoby na totalną porażkę jako Data Scientist.

Pierwszy model to Zasada 80/20 (zasada Pareta) mówi o tym, że 20% przyczyn powoduje około 80% rezultatów, czyli że to mniejsza część ma zdecydowany wpływ na większość wyników – niezależnie od tego, czy to wyniki pozytywne, czy negatywne.

Reguła 80/20

Drugi model to Inwersja. Próba podejścia do problemu od drugiej strony, czyli co zrobić, aby problem pogłębić. Więcej o tym modelu mówią dwa poniższe cytaty.

„Chciałbym wiedzieć gdzie umrę, żebym nigdy tam nie poszedł”
Charlie Munger

„To niesamowite jaką w długim okresie przewagę zyskują ludzie tacy jak my, czyli tacy, którzy bez przerwy starają się nie-być-głupi, zamiast bez przerwy starać się być bardzo bystrymi. Jest coś w ludowym powiedzeniu, że toną tylko mocni pływacy.”
Charlie Munger

Jaki wniosek płynie z powyższego?

Czasem wystarczy mniej wysiłku (powiedzmy 20% czasu/sił/nakładów), by unikać głupich i kardynalnych błędów niż starać się być świetnym (powiedzmy 80% czasu/sił/nakładów), aby w efekcie zwiększyć swoje szanse na sukces.

Zobaczmy więc listę Grzechów Głównych.

7 Sposobów Na Porażkę

  1. Utoń w detalach i niuansach – zagłębiaj się coraz bardziej w szczególiki tracąc z oczu główny cel.
    Alternatywa: Zawsze dąż do wartości biznesowej i głównego celu.
  2. Bądź obsesyjny na punkcie matematyki i statystyki.
    Alternatywa: Rozwijaj szerokie umiejętności komunikacyjne.
  3. Bądź człowiekiem z młotkiem, który wszystkie problemy traktuje jak gwoździe, czyli wszędzie wykorzystuj Uczenie Maszynowe.
    Alternatywa: Wiesz kiedy używać a kiedy nie używać Uczenia Maszynowego.
  4. Nieustannie optymalizuj i trać czas niewielkie poprawy wyników.
    Alternatywa: Ustalaj cele i ramy czasowe dla swoich projektów.
  5. Rozwijaj tylko techniczne umiejętności.
    Alternatywa: Zdobywaj wiedzę z dziedziny, w której się poruszasz.
  6. Podniecaj się wyszukanymi algorytmami i szukaj ciągle nowych.
    Alternatywa: Skup się na dobrym przygotowaniu danych i tworzeniu nowych atrybutów, które poprawią model.
  7. Osiądź na laurach – uznaj się za Pana i Władcę Wszechświata, który wie już wszystko.
    Alternatywa: Myśl o sobie jako o wiecznym studencie.

To jest moja lista 7 Grzechów Głównych na drodze do bycia Data Scientist.
Jaka byłaby Twoja? Podziel się w komentarzach.

Inspiracje do tego posta: