डेटा साइंस

डेटा साइंस क्या है?

डेटा साइंस अनुप्रयुक्त गणित और सांख्यिकी का एक क्षेत्र है जो बड़ी मात्रा में जटिल डेटा या बड़े डेटा के आधार पर उपयोगी जानकारी प्रदान करता है ।

डेटा विज्ञान, या डेटा-संचालित विज्ञान, निर्णय लेने के उद्देश्यों के लिए डेटा के दायरे की व्याख्या करने के लिए गणना की सहायता से विभिन्न क्षेत्रों के पहलुओं को जोड़ता है।

डेटा साइंस को समझना

डेटा सेल फोन, सोशल मीडिया, ई-कॉमर्स साइटों, स्वास्थ्य सर्वेक्षण और इंटरनेट खोजों सहित विभिन्न क्षेत्रों, चैनलों और प्लेटफार्मों से तैयार किया गया है। उपलब्ध डेटा की मात्रा में वृद्धि ने बड़े डेटा के आधार पर अध्ययन के एक नए क्षेत्र के लिए द्वार खोल दिया - बड़े पैमाने पर डेटा सेट जो सभी क्षेत्रों में बेहतर परिचालन उपकरणों के निर्माण में योगदान करते हैं ।

प्रौद्योगिकी और संग्रह तकनीकों में प्रगति के कारण डेटा तक लगातार बढ़ती पहुंच संभव है। पैटर्न और व्यवहार खरीदने वाले व्यक्तियों की निगरानी की जा सकती है और एकत्रित जानकारी के आधार पर भविष्यवाणियां की जा सकती हैं।

हालांकि, लगातार बढ़ता डेटा असंरचित है और प्रभावी निर्णय लेने के लिए विश्लेषण की आवश्यकता है। यह प्रक्रिया कंपनियों के लिए जटिल और समय लेने वाली है - इसलिए, डेटा विज्ञान का उदय।

डेटा साइंस का उद्देश्य

डेटा विज्ञान, या डेटा-संचालित विज्ञान, निर्णय लेने के उद्देश्यों के लिए डेटा की व्याख्या करने के लिए बड़े डेटा और मशीन लर्निंग का उपयोग करता है।

डेटा साइंस का एक संक्षिप्त इतिहास

शब्द "डेटा साइंस" 1960 के दशक की शुरुआत से उपयोग में है, जब इसे "कंप्यूटर साइंस" के पर्यायवाची के रूप में इस्तेमाल किया गया था। बाद में, विभिन्न अनुप्रयोगों की एक श्रृंखला में उपयोग किए जाने वाले डेटा प्रोसेसिंग विधियों के सर्वेक्षण को परिभाषित करने के लिए इस शब्द को अलग बनाया गया था।

2001 में विलियम एस. क्लीवलैंड ने पहली बार "डेटा साइंस" शब्द का इस्तेमाल एक स्वतंत्र अनुशासन के संदर्भ में किया था। हार्वर्ड बिजनेस रिव्यू ने 2012 में डेटा वैज्ञानिक की भूमिका को "21 वीं सदी की सबसे कामुक नौकरी" के रूप में वर्णित करते हुए एक लेख प्रकाशित किया।

डेटा साइंस कैसे लागू होता है

डेटा विज्ञान डेटा सेट को इकट्ठा करने, प्रक्रिया करने और डेटा सेट से अंतर्दृष्टि प्राप्त करने, सेट से सार्थक डेटा निकालने और निर्णय लेने के उद्देश्यों के लिए इसकी व्याख्या करने के लिए कई विषयों के उपकरण शामिल करता है। डेटा विज्ञान क्षेत्र बनाने वाले अनुशासनात्मक क्षेत्रों में खनन, सांख्यिकी, मशीन लर्निंग, एनालिटिक्स और प्रोग्रामिंग शामिल हैं।

डेटा माइनिंग उन जटिल डेटा सेट पर एल्गोरिदम लागू करता है जो पैटर्न को प्रकट करने के लिए सेट से उपयोगी और प्रासंगिक डेटा निकालने के लिए उपयोग किए जाते हैं। सांख्यिकीय उपाय या भविष्य कहनेवाला विश्लेषिकी इस निकाले गए डेटा का उपयोग उन घटनाओं को मापने के लिए करते हैं जो भविष्य में होने वाली घटनाओं के आधार पर होती हैं जो डेटा अतीत में हुआ था।

मशीन लर्निंग एक आर्टिफिशियल इंटेलिजेंस टूल है जो बड़ी मात्रा में डेटा को प्रोसेस करता है जिसे मानव जीवन भर प्रोसेस करने में असमर्थ होगा। मशीन लर्निंग भविष्यवाणी के विश्लेषण के तहत प्रस्तुत किए गए निर्णय मॉडल को किसी घटना की संभावना से मिलान करके सही करता है जो वास्तव में एक अनुमानित समय पर हुआ था।

एल्गोरिदम का उपयोग करके मशीन सीखने के चरण से संरचित डेटा एकत्र और संसाधित करता है । विश्लेषक डेटा को एक समेकित भाषा में व्याख्या करता है, परिवर्तित करता है और सारांशित करता है जिसे निर्णय लेने वाली टीम समझ सकती है। डेटा विज्ञान व्यावहारिक रूप से सभी संदर्भों पर लागू होता है और जैसे-जैसे डेटा वैज्ञानिक की भूमिका विकसित होती है, डेटा आर्किटेक्चर, डेटा इंजीनियरिंग और डेटा प्रशासन को शामिल करने के लिए क्षेत्र का विस्तार होगा।

फास्ट फैक्ट

यूएस ब्यूरो ऑफ लेबर स्टैटिस्टिक्स के अनुसार, कंप्यूटर और सूचना अनुसंधान वैज्ञानिकों की मांग 2019 से 2029 तक 15% बढ़ने की उम्मीद है, जो अन्य व्यवसायों की तुलना में बहुत तेज है।

डेटा वैज्ञानिक

एक डेटा वैज्ञानिक कंपनी के संचालन को बेहतर बनाने के लिए, कई मामलों में बड़ी मात्रा में डेटा एकत्र, विश्लेषण और व्याख्या करता है। डेटा वैज्ञानिक पेशेवर सांख्यिकीय मॉडल विकसित करते हैं जो डेटा का विश्लेषण करते हैं और डेटा सेट में पैटर्न, रुझान और संबंधों का पता लगाते हैं। इस जानकारी का उपयोग उपभोक्ता व्यवहार की भविष्यवाणी करने या व्यवसाय और परिचालन जोखिमों की पहचान करने के लिए किया जा सकता है।

डेटा वैज्ञानिक की भूमिका अक्सर एक कहानीकार की होती है जो निर्णय लेने वालों को डेटा अंतर्दृष्टि प्रस्तुत करती है जो समझने योग्य और समस्या-समाधान के लिए लागू होती है।

डेटा साइंस टुडे

कंपनियां उपभोक्ताओं के लिए मूल्य लाने के लिए रोजमर्रा की गतिविधियों में बड़ा डेटा और डेटा विज्ञान लागू कर रही हैं। बैंकिंग संस्थान अपनी धोखाधड़ी का पता लगाने की सफलता को बढ़ाने के लिए बड़े डेटा का उपयोग कर रहे हैं। एसेट मैनेजमेंट फर्म बड़े डेटा का उपयोग किसी सुरक्षा की कीमत के एक निश्चित समय पर ऊपर या नीचे बढ़ने की संभावना का अनुमान लगाने के लिए कर रही हैं।

नेटफ्लिक्स जैसी कंपनियां अपने उपयोगकर्ताओं को कौन से उत्पाद वितरित करने के लिए निर्धारित करने के लिए बड़े डेटा का खनन करती हैं। नेटफ्लिक्स उपयोगकर्ताओं को उनके देखने के इतिहास के आधार पर वैयक्तिकृत अनुशंसाएँ बनाने के लिए एल्गोरिदम का भी उपयोग करता है। डेटा विज्ञान तेजी से विकसित हो रहा है, और इसके अनुप्रयोग भविष्य में जीवन को बदलते रहेंगे।

हाइलाइट्स

• डेटा साइंस सार्थक जानकारी निकालने और भविष्य के पैटर्न और व्यवहार की भविष्यवाणी करने के लिए मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस जैसी तकनीकों का उपयोग करता है।

• डेटा विज्ञान का क्षेत्र प्रौद्योगिकी प्रगति के रूप में बढ़ रहा है और बड़े डेटा संग्रह और विश्लेषण तकनीक अधिक परिष्कृत हो गई हैं।

• प्रौद्योगिकी में प्रगति, इंटरनेट, सोशल मीडिया और प्रौद्योगिकी के उपयोग ने सभी बड़े डेटा तक पहुंच बढ़ा दी है।

सामान्य प्रश्न

डेटा साइंस के कुछ नुकसान क्या हैं?

कैम्ब्रिज एनालिटिका जैसे कई घोटालों के आलोक में आलोचनाओं के घेरे में आ गए हैं , जहां डेटा वैज्ञानिकों द्वारा राजनीतिक परिणामों को प्रभावित करने या चुनावों को कमजोर करने के लिए व्यक्तिगत डेटा का उपयोग किया गया था।

डेटा साइंस किसके लिए उपयोगी है?

डेटा साइंस पैटर्न की पहचान कर सकता है, जो प्रतीत होता है कि असंरचित या असंबंधित डेटा से अनुमान और भविष्यवाणियां करने की अनुमति देता है। उपयोगकर्ता डेटा एकत्र करने वाली टेक कंपनियां उपयोगी या लाभदायक जानकारी के स्रोतों में एकत्रित की गई चीज़ों को बदलने के लिए तकनीकों का उपयोग कर सकती हैं।

क्या सभी विज्ञान डेटा का उपयोग नहीं करते हैं?

हां, सभी अनुभवजन्य विज्ञान डेटा एकत्र और विश्लेषण करते हैं। डेटा विज्ञान जो अलग करता है वह यह है कि यह बड़े डेटा सेट को संसाधित और विश्लेषण करने के लिए परिष्कृत कम्प्यूटेशनल विधियों और मशीन सीखने की तकनीकों का उपयोग करने में माहिर है। अक्सर, ये डेटा सेट इतने बड़े या जटिल होते हैं कि पारंपरिक तरीकों का उपयोग करके इनका ठीक से विश्लेषण नहीं किया जा सकता है।