
Thai: 
ข้อมูลไม่เกี่ยวกับการทำแบบจำลองที่มีความซับซ้อน ไม่ได้เกี่ยวกับการสร้างภาพจริงที่น่าประทับใจ
ไม่เกี่ยวกับการเขียนข้อมูลวิทยาศาสตร์ข้อมูลเกี่ยวกับการใช้ข้อมูลเพื่อสร้างผลกระทบให้กับ บริษัท ของคุณมากที่สุด
ขณะนี้ผลกระทบสามารถอยู่ในรูปแบบของหลายสิ่ง
อาจเป็นในรูปของข้อมูลเชิงลึกในรูปแบบของผลิตภัณฑ์ข้อมูลหรือในรูปแบบของคำแนะนำผลิตภัณฑ์สำหรับ บริษัท
ตอนนี้ต้องทำสิ่งเหล่านั้นแล้วคุณต้องมีเครื่องมือเช่นการทำแบบจำลองที่ซับซ้อนหรือการสร้างภาพข้อมูลหรือเขียนโค้ด
แต่โดยพื้นฐานแล้วเป็นนักวิทยาศาสตร์ข้อมูล
งานของคุณคือการแก้ปัญหาของ บริษัท ที่แท้จริงโดยใช้ข้อมูลและชนิดของเครื่องมือที่คุณใช้เราไม่สนใจ
ขณะนี้มีความเข้าใจผิดเกี่ยวกับข้อมูลวิทยาศาสตร์โดยเฉพาะอย่างยิ่งใน YouTube
และฉันคิดว่าเหตุผลนี้เป็นเพราะมีการจัดแนวผิดใหญ่ระหว่าง
สิ่งที่เป็นที่นิยมในการพูดคุยเกี่ยวกับและสิ่งที่ต้องการในอุตสาหกรรม ดังนั้นด้วยเหตุนี้ฉันต้องการทำให้ทุกสิ่งชัดเจน ผม

French: 
La Science rezrze
 
zerezrezrezrdsdsqqsdezrez
 
 
 
 
 
 
 

Polish: 
W Data science nie chodzi o tworzenie skomplikowanych modeli. Nie chodzi też o tworzenie świetnych wizualizacji
Nie chodzi również o pisanie kodu. W data science chodzi o używanie danych po to, by osiągnąć jak największy wpływ na Twoją firmę
Ten wpływ może mieć różną formę
Może przyjąć formę wglądu konsumenckiego, formę produktu stworzonego z danych lub formę rekomendacji produktów dla danej firmy
Aby stworzyć te rzeczy, potrzebujesz narzędzi takich jak tworzenie skomplikowanych modeli lub wizualizacji danych lub pisania kodu
Ale zasadniczo jako data scientist (naukowiec danych)
Twoim zadaniem jest rozwiązywanie rzeczywistych problemów firmy, za pomocą danych. A to, jakich narzędzi użyjesz, nas już nie interesuje
Istnieje więc sporo nieporozumień związanych z data science, zwłaszcza na YouTube
i uważam, że powód tego tkwi w ogromnym rozminięciu się między tym
co jest popularnym tematem do rozmowy a tym, co jest rzeczywiście potrzebne na rynku. Z tego powodu chcę wyjaśnić kilka rzeczy.

Arabic: 
لا يتعلق علم البيانات بصنع نماذج معقدة. الأمر لا يتعلق بعمل تصورات رائعة
الأمر لا يتعلق بكتابة علم بيانات الكود ، فهو يتعلق باستخدام البيانات لإنشاء أكبر قدر ممكن من التأثير لشركتك
الآن يمكن أن يكون التأثير في شكل أشياء متعددة
يمكن أن يكون في شكل رؤى في شكل منتجات البيانات أو في شكل توصيات المنتج للشركة
الآن للقيام بهذه الأشياء ، فأنت بحاجة إلى أدوات مثل صنع نماذج معقدة أو تصورات للبيانات أو كتابة التعليمات البرمجية
ولكن في الأساس كعالم البيانات
مهمتك هي حل مشاكل الشركة الحقيقية باستخدام البيانات وأي نوع من الأدوات التي تستخدمها لا يهمنا
الآن هناك الكثير من المفاهيم الخاطئة حول علم البيانات ، خاصة على YouTube
وأعتقد أن السبب في ذلك هو وجود اختلال كبير بين
ما يحظى بشعبية للحديث وما هو مطلوب في هذه الصناعة. ولهذا السبب أريد أن أوضح الأمور. أنا

English: 
Data science is not about making complicated models. It's not about making awesome visualizations
It's not about writing code data science is about using data to create as much impact as possible for your company
Now impact can be in the form of multiple things
It could be in the form of insights in the form of data products or in the form of product recommendations for a company
Now to do those things, then you need tools like making complicated models or data visualizations or writing code
But essentially as a data scientist
your job is to solve real company problems using data and what kind of tools you use we don't care
Now there's a lot of misconception about data science, especially on YouTube
and I think the reason for this is because there's a huge misalignment between
what's popular to talk about and what's needed in the industry. So because of that I want to make things clear. I

Indonesian: 
Ilmu data bukan tentang membuat model yang rumit. Ini bukan tentang membuat visualisasi yang luar biasa
Ini bukan tentang penulisan data kode, ilmu pengetahuan adalah tentang menggunakan data untuk menciptakan dampak sebanyak mungkin bagi perusahaan Anda
Sekarang dampaknya bisa dalam bentuk banyak hal
Ini bisa dalam bentuk wawasan dalam bentuk produk data atau dalam bentuk rekomendasi produk untuk perusahaan
Sekarang untuk melakukan hal-hal itu, maka Anda memerlukan alat seperti membuat model rumit atau visualisasi data atau menulis kode
Tetapi pada dasarnya sebagai ilmuwan data
tugas Anda adalah menyelesaikan masalah perusahaan yang sesungguhnya dengan menggunakan data dan alat apa yang Anda gunakan yang tidak kami pedulikan
Sekarang ada banyak kesalahpahaman tentang ilmu data, terutama di YouTube
dan saya pikir alasan untuk ini adalah karena ada ketidaksejajaran besar di antara keduanya
apa yang populer untuk dibicarakan dan apa yang dibutuhkan dalam industri ini. Jadi karena itu saya ingin memperjelas. saya

Portuguese: 
Data Science não é sobre fazer modelos complicados. Não é sobre fazer visualizações incríveis.
Não é sobre escrever código. Data Science é sobre usar dados para criar o maior impacto possível para a sua empresa.
Agora, impacto pode ser na forma de várias coisas.
Pode ser na forma de intuições, na forma de produtos de dados ou na forma de recomendações de produtos para uma empresa.
Agora, para fazer essas coisas, então você precisa de ferramentas como fazer modelos complicados, visualizações de dados ou escrever códigos.
Porém, essencialmente, como um Cientista de Dados,
o seu trabalho é resolver problemas reais de empresas usando Dados. E os tipos de ferramentas que você usa?  Nós não nos importamos.
Agora, existem muitos equívocos sobre Data Science, especialmente no YouTube.
E eu acho que a razão para isso é porque existe um desalinhamento muito grande entre
o que é popularmente falado e o que é necessário na indústria. Então, por isso, eu quero deixar as coisas claras. Eu

Spanish: 
La ciencia de datos no se trata de hacer modelos complicados. No se trata de hacer visualizaciones impresionantes
No se trata de escribir código. La ciencia se trata de usar datos para crear el mayor impacto posible para su empresa.
Ahora el impacto puede ser en forma de múltiples cosas.
Podría ser en forma de información en forma de productos de datos o en forma de recomendaciones de productos para una empresa
Ahora para hacer esas cosas, necesita herramientas como hacer modelos complicados o visualizaciones de datos o escribir código
Pero esencialmente como científico de datos.
su trabajo es resolver problemas reales de la empresa utilizando datos y qué tipo de herramientas utiliza, no nos importa
Ahora hay muchos conceptos erróneos acerca de la ciencia de datos, especialmente en YouTube
y creo que la razón de esto es porque hay una gran desalineación entre
lo que es popular para hablar y lo que se necesita en la industria. Así que por eso quiero aclarar las cosas. yo

Turkish: 
Veri bilimi karmaşık modeller yapmak ile ilgili değildir.Bu harika görselleştirme yapmaklada ilgili değildir.
Kod yazma bilimi ile ilgili değil, şirketiniz için olabildiğince fazla etki yaratıp kullanmak ile ilgilidir.
Şimdiii , etki çok fazla şey şeklinde olabilir.
Veri ürünün iç yüzü yada şirket hakkında tavsiyeler şeklinde olabilir.
Şimdi bunları yapmak için karmaşık modeller yapmak, veri analizleri yapmak yada kod yazma gibi araçlara ihtiyacınız var.
ama esasen veri bilimcisi olarak
Sizin işiniz şirketin gerçek problemlerini, veri kullanarak ve bizim ne tür araçlar kullandığımızı umursamamaktır.
Şuan özellikle youtube'da veri bilimi hakkında çok fazla yanlış fikir var
ve bence bunun nedeni aralarında büyük bir yanlış merkezlemenin olması
Sektörde hangi popüler konular konuşuluyor ve sektörün neye ihtiyacı vardı. Bu yüzden bu konuya açıklık getirmek istiyorum. Ben

Arabic: 
أنا عالم بيانات يعمل لشركة GAFA و
تؤكد تلك الشركات حقًا على استخدام البيانات لتحسين منتجاتها
لذلك هذا هو بلدي يأخذ على ما هو علم البيانات
قبل علم البيانات ، قمنا بتعريف مصطلح استخراج البيانات في مقال يسمى من التنقيب عن البيانات إلى اكتشاف المعرفة في قواعد البيانات في
1996 حيث أشار إلى العملية الشاملة لاكتشاف معلومات مفيدة من البيانات
في عام 2001 ، أراد وليام كليفلاند جلب تعدين البيانات إلى مستوى آخر
لقد فعل ذلك من خلال الجمع بين علوم الكمبيوتر واستخراج البيانات
في الأساس
لقد جعل الإحصائيات تقنية أكثر بكثير مما اعتقد أنه سيوسع من إمكانيات استخراج البيانات وينتج قوة قوية للابتكار

Turkish: 
GAFA şirketinde çalışan bir veri bilimcisiyim ve
Bu şirketler ürünlerini geliştirmek için veri kullanmaya gerçekten önem veriyorlar.
 
 
 
 
 
 
 

Indonesian: 
Saya seorang ilmuwan data yang bekerja untuk perusahaan GAFA dan
perusahaan-perusahaan itu sangat menekankan penggunaan data untuk meningkatkan produk mereka
Jadi inilah pendapat saya tentang apa itu ilmu data
Sebelum ilmu data, kami mempopulerkan istilah penambangan data dalam sebuah artikel yang disebut dari penambangan data hingga penemuan pengetahuan dalam basis data di Indonesia
1996 di mana ia merujuk pada keseluruhan proses menemukan informasi yang berguna dari data
Pada tahun 2001, William S. Cleveland ingin membawa data mining ke tingkat yang lebih tinggi
Dia melakukan itu dengan menggabungkan ilmu komputer dengan data mining
Pada dasarnya
Dia membuat statistik jauh lebih teknis yang dia yakini akan memperluas kemungkinan penambangan data dan menghasilkan kekuatan yang kuat untuk inovasi

French: 
 
 
 
 
 
 
 
 
 

Thai: 
เป็นนักวิทยาศาสตร์ข้อมูลที่ทำงานให้กับ บริษัท GAFA และ
บริษัท เหล่านั้นให้ความสำคัญกับการใช้ข้อมูลเพื่อปรับปรุงผลิตภัณฑ์ของตน
ดังนั้นนี่คือสิ่งที่ฉันใช้วิทยาศาสตร์ข้อมูล
ก่อนที่ข้อมูลวิทยาศาสตร์เราได้เผยแพร่คำว่า data mining ในบทความที่เรียกว่าจากการทำเหมืองข้อมูลไปจนถึงการค้นพบความรู้ในฐานข้อมูล
1996 ซึ่งกล่าวถึงขั้นตอนโดยรวมของการค้นพบข้อมูลที่เป็นประโยชน์จากข้อมูล
ในปี 2001 วิลเลียมเอสคลีฟแลนด์ต้องการนำข้อมูลมาทำเหมืองแร่อีกระดับหนึ่ง
เขาทำอย่างนั้นโดยรวมวิทยาการคอมพิวเตอร์กับการทำเหมืองข้อมูล
เป็นพื้น
เขาทำสถิติทางเทคนิคมากขึ้นซึ่งเขาเชื่อว่าจะขยายความเป็นไปได้ของการทำเหมืองข้อมูลและสร้างแรงที่มีประสิทธิภาพสำหรับนวัตกรรม

Polish: 
Pracuję jako data scientist dla firmy GAFA
te firmy naprawdę kładą nacisk na wykorzystywanie danych, by ulepszyć swój produkt
Więc, to jest moje podejście do określenia, czym jest data science
Przed data science, spopularyzowaliśmy termin eksploracji danych - w artykule zatytułowanym: "Od eksploracji danych po odkrywanie wiedzy w bazach danych"
w 1996, w którym został opisany ogólny proces wynajdywania przydatnych informacji z danych
W 2001, William S. Cleveland chciał wynieść eksplorację danych na kolejny poziom
Osiągnął to poprzez połączenie Informatyki z eksploracją danych
W uproszczeniu
sprawił że statystyka stała się dużo bardziej techniczna, co z kolei miało spowodować zwiększenie możliwości eksploracji danych i wyprodukowanie silnej mocy skierowanej na innowacje

Portuguese: 
sou um Cientista de Dados trabalhando para uma empresa GAFA e
essas empresas dão uma grande ênfase no uso de dados para melhorar seus produtos.
Então, essa é minha ideia do que é Data Science.
Antes de Data Science, nós popularizamos o termo Data Mining em um artigo chamado "From Data Mining to knowledge discovery in databases", em
1966. No qual é referido o processo de descobrir informação útil a partir de dados.
Em 2001, William S. Cleveland quis trazer Data Mining para um outro nível.
Ele fez isso combinando Ciência da Computação e Data Mining.
Basicamente,
ele fez a estatística muito mais técnica, a qual ele acredita que iria expandir as possibilidades de Data Mining e produziria uma poderosa fonte de inovação.

Spanish: 
Soy un científico de datos que trabaja para una empresa GAFA y
Esas compañías realmente enfatizan el uso de datos para mejorar sus productos.
Así que esta es mi opinión sobre lo que es la ciencia de datos
Antes de la ciencia de datos, popularizamos el término minería de datos en un artículo llamado desde la minería de datos al descubrimiento de conocimiento en bases de datos en
1996 en el que se refirió al proceso general de descubrimiento de información útil a partir de datos
En 2001, William S. Cleveland quería llevar la minería de datos a otro nivel.
Lo hizo combinando la informática con la minería de datos.
Básicamente
Hizo estadísticas mucho más técnicas que creía que ampliarían las posibilidades de la minería de datos y producirían una fuerza poderosa para la innovación.

English: 
am a data scientist working for a GAFA company and
those companies really emphasize on using data to improve their products
So this is my take on what is data science
Before data science, we popularized the term data mining in an article called from data mining to knowledge discovery in databases in
1996 in which it referred to the overall process of discovering useful information from data
In 2001, William S. Cleveland wanted to bring data mining to another level
He did that by combining computer science with data mining
Basically
He made statistics a lot more technical which he believed would expand the possibilities of data mining and produce a powerful force for innovation

English: 
Now you can take advantage of compute power for statistics and he called this combo data science. Around this time
this is also when web 2.0 emerged where websites are no longer just a digital pamphlet, but a medium for a shared experience
amongst millions and millions of users
These are web sites like MySpace in 2003
Facebook in 2004 and YouTube in 2005. We can now interact with these web sites
meaning we can contribute post comment like upload share
leaving our footprint in the digital landscape we call Internet and help create and shape the ecosystem
we now know and love today. And guess what?
That's a lot of data so much data, it became too much to handle using traditional technologies. So we call this Big Data.
That opened a world of possibilities in finding insights using data
But it also meant that the simplest questions require sophisticated data infrastructure just to support the handling of the data
We needed parallel computing technology like MapReduce, Hadoop, and Spark
so the rise of big data in

Polish: 
Teraz możesz wziąć zalety przetwarzania komputerowego dla statystyk i takie połączenie nazwał data science. W tym czasie
powstawało web 2.0, podczas którego strony nie były już tylko cyfrową wizytówką, ale medium dla wspólnych doświadczeń
dzielonych posród miliony i miliony użytkowników.
Były to strony takie jak MySpace w 2003
Facebook w 2004 i YouTube w 2005. Od wtedy mogliśmy wchodzić w interakcję z tymi stronami
co oznaczało, że mogliśmy wnosić swój wkład, polubiać, uploadować i udostępniać
zostawiając nasz ślad w cyfrowym świecie który nazywamy Internetem i pomagać kreować i formować ekosystem
który obecnie znamy i kochamy. I zgadnijcie co?
To jest strasznie dużo danych, tak dużo, że nie da rady ich przetwarzać korzystając z tradycyjnych technik. Więc nazywamy to Big Data
Otworzyło to świat możliwości pozwalający na znajdywanie wglądów konsumenckich
ale oznaczało to także, że najprostsze pytania wymagają złożonej infrastruktury danych tylko po to, by je utrzymywać
Potrzebowaliśmy równoległej technologi przetwarzania, takiej jak MapReduce, Hadoop czy Spark
Więc wzrost big data w

Portuguese: 
Agora você pode tomar vantagem do poder de um computador para estatística. E ele chamou isso de Combo: Data Science. Perto desse período,
isso foi também quando a Web 2.0 emergiu, onde websites não são mais só um panfleto digital, mas um meio para uma experiência de compartilhamento
entre milhões e milhões de usuários.
Esses são websites como MySpace em 2003,
Facebook em 2004 e YouTube em 2005. Agora nós podemos interagir com esses websites.
Isso significa que nós podemos contribuir, postar, comentar, curtir, fazer upload e compartilhar,
deixando uma pegada no panorama digital o qual chamamos de Internet, e ajudar a criar e formar o ecossistema
que nós conhecemos e amamos hoje. E adivinha?
Isso são muitos dados, tantos dados que tornou-se difícil de lidar com tecnologias tradicionais. Então, nós chamamos isso de Big Data.
Isso abriu um mundo de possibilidade em descobrir intuições usando dados.
Mas também, significou que a questão mais simples requer uma estrutura de dados sofisticada só para suportar o tráfego de dados.
Nós precisávamos de uma tecnologia computacional paralela como MapReduce, Hadoop and Spark.
Então, a ascensão de Big Data em

French: 
 
 
eazeazeazeazeazeazeaze
azeazezaeazea
 
 
 
 
 
 
 
 
 

Arabic: 
الآن يمكنك الاستفادة من حساب القوة للإحصاءات ودعا هذا علم البيانات التحرير والسرد. في حوالي مثل هذا الوقت
يحدث هذا أيضًا عندما ظهر الويب 2.0 حيث لم تعد المواقع الإلكترونية مجرد كتيب رقمي ، ولكنها وسيلة للتجربة المشتركة
بين الملايين والملايين من المستخدمين
هذه هي مواقع الويب مثل MySpace في عام 2003
Facebook في 2004 و YouTube في 2005. يمكننا الآن التفاعل مع هذه المواقع
مما يعني أنه يمكننا المساهمة في نشر تعليق مثل مشاركة التحميل
ترك بصمتنا في المشهد الرقمي نسميه الإنترنت وتساعد على إنشاء وتشكيل النظام البيئي
نحن نعرف الآن ونحب اليوم. وتخيل ماذا؟
هذا كثير من البيانات الكثير من البيانات ، وأصبح التعامل معها باستخدام التقنيات التقليدية أكثر من اللازم. لذلك نحن نسمي هذه البيانات الكبيرة.
هذا فتح عالم من الاحتمالات في العثور على رؤى باستخدام البيانات
ولكن هذا يعني أيضًا أن أبسط الأسئلة تتطلب بنية تحتية متطورة للبيانات فقط لدعم معالجة البيانات
نحن بحاجة إلى تكنولوجيا الحوسبة المتوازية مثل MapReduce و Hadoop و Spark
حتى ظهور البيانات الكبيرة في

Indonesian: 
Sekarang Anda dapat memanfaatkan kekuatan komputasi untuk statistik dan dia menyebut ilmu data kombo ini. Sekitar waktu ini
ini juga ketika web 2.0 muncul di mana situs web tidak lagi hanya pamflet digital, tetapi media untuk pengalaman bersama
di antara jutaan dan jutaan pengguna
Ini adalah situs web seperti MySpace pada tahun 2003
Facebook pada tahun 2004 dan YouTube pada tahun 2005. Kita sekarang dapat berinteraksi dengan situs web ini
artinya kita dapat berkontribusi memposting komentar seperti mengunggah berbagi
meninggalkan jejak kami di lanskap digital yang kami sebut Internet dan membantu menciptakan dan membentuk ekosistem
kita sekarang tahu dan cinta hari ini. Dan coba tebak?
Itu banyak data begitu banyak data, itu menjadi terlalu banyak untuk ditangani menggunakan teknologi tradisional. Jadi kami menyebutnya Big Data.
Itu membuka dunia kemungkinan dalam menemukan wawasan menggunakan data
Tetapi itu juga berarti bahwa pertanyaan yang paling sederhana membutuhkan infrastruktur data yang canggih hanya untuk mendukung penanganan data
Kami membutuhkan teknologi komputasi paralel seperti MapReduce, Hadoop, dan Spark
jadi bangkitnya data besar di

Spanish: 
Ahora puede aprovechar el poder de cómputo para las estadísticas y llamó a esta combinación de datos de ciencia. Sobre esta hora
Esto es también cuando surgió la web 2.0, donde los sitios web ya no son solo un folleto digital, sino un medio para una experiencia compartida.
Entre millones y millones de usuarios.
Estos son sitios web como MySpace en 2003
Facebook en 2004 y YouTube en 2005. Ahora podemos interactuar con estos sitios web
Lo que significa que podemos contribuir post comentario como subir compartir
dejando nuestra huella en el panorama digital que llamamos Internet y ayudamos a crear y dar forma al ecosistema
Ahora sabemos y amamos hoy. ¿Y adivina qué?
Eso es mucha información, tanta información, se convirtió en demasiado para manejar el uso de tecnologías tradicionales. Así que llamamos a esto Big Data.
Eso abrió un mundo de posibilidades en la búsqueda de información usando datos.
Pero también significó que las preguntas más simples requieren una infraestructura de datos sofisticada solo para admitir el manejo de los datos.
Necesitábamos tecnología de computación paralela como MapReduce, Hadoop y Spark
por lo que el auge de los grandes datos en

Thai: 
ตอนนี้คุณสามารถใช้ประโยชน์จากการคำนวณหาค่าสถิติและเขาเรียกว่าวิทยาศาสตร์ข้อมูลผสมนี้ ประมาณคราวนี้
นี้ยังเป็นเมื่อ web 2.0 เกิดที่เว็บไซต์ไม่เพียงแค่แผ่นพับดิจิตอล แต่สื่อสำหรับประสบการณ์ร่วมกัน
ในหมู่ผู้ใช้นับล้าน ๆ ราย
เว็บไซต์เหล่านี้ ได้แก่ MySpace ในปีพ. ศ. 2546
Facebook ในปี 2004 และ YouTube ในปี 2548 ขณะนี้เราสามารถโต้ตอบกับเว็บไซต์เหล่านี้ได้แล้ว
หมายถึงเราสามารถมีส่วนร่วมในการโพสต์ความคิดเห็นเช่นแชร์การอัปโหลด
ปล่อยให้รอยเท้าของเราอยู่ในภูมิทัศน์แบบดิจิตอลที่เราเรียกว่าอินเทอร์เน็ตและช่วยในการสร้างและกำหนดระบบนิเวศ
วันนี้เรารู้จักและชื่นชอบแล้ว และคาดเดาอะไร?
นั่นเป็นข้อมูลที่มากข้อมูลมากเกินไปมันก็กลายเป็นมากเกินไปที่จะจัดการกับการใช้เทคโนโลยีแบบดั้งเดิม ดังนั้นเราจึงเรียกข้อมูลขนาดใหญ่นี้
เปิดโลกแห่งความเป็นไปได้ในการค้นหาข้อมูลเชิงลึกโดยใช้ข้อมูล
แต่ก็หมายความว่าคำถามที่ง่ายที่สุดต้องใช้โครงสร้างพื้นฐานข้อมูลที่ซับซ้อนเพื่อสนับสนุนการจัดการข้อมูล
เราต้องการเทคโนโลยีคอมพิวเตอร์แบบขนานเช่น MapReduce, Hadoop และ Spark
ดังนั้นการเพิ่มขึ้นของข้อมูลขนาดใหญ่มา

Turkish: 
 
 
 
 
 
 
 
 
 
 
 
 
 

French: 
 
 
 
 
 
 
 
 
 
 

Thai: 
2010 กระตุ้นการเพิ่มขึ้นของข้อมูลวิทยาศาสตร์เพื่อสนับสนุนความต้องการของธุรกิจเพื่อดึงข้อมูลเชิงลึกจากชุดข้อมูลที่ไม่มีโครงสร้างของพวกเขา
ดังนั้นวารสารวิทยาศาสตร์ข้อมูลอธิบายวิทยาศาสตร์ข้อมูลเป็นเกือบทุกอย่างที่มีบางอย่างที่เกี่ยวข้องกับข้อมูล
การรวบรวมแบบจำลองการวิเคราะห์ ส่วนที่สำคัญที่สุดก็คือการประยุกต์ใช้ ทุกประเภทของการใช้งาน
ใช่ทุกประเภทของโปรแกรมประยุกต์เช่นการเรียนรู้ด้วยเครื่อง
ดังนั้นในปี 2010 มีความอุดมสมบูรณ์ใหม่ของข้อมูล
มันทำให้มันเป็นไปได้ในการฝึกอบรมเครื่องด้วยวิธีการที่ขับเคลื่อนด้วยข้อมูล
มากกว่าวิธีการขับเคลื่อนความรู้ เอกสารทางทฤษฎีทั้งหมดเกี่ยวกับเครือข่ายประสาทที่เกิดขึ้นสนับสนุนเวกเตอร์เครื่องกลายเป็นไปได้
สิ่งที่สามารถเปลี่ยนวิถีชีวิตของเราและวิธีการที่เราได้สัมผัสกับสิ่งต่างๆในโลก
การเรียนรู้ลึก ๆ ไม่ใช่แนวคิดทางวิชาการในเอกสารวิทยานิพนธ์ฉบับนี้
กลายเป็นบทเรียนที่มีประโยชน์ในการเรียนรู้ของเครื่องซึ่งจะส่งผลต่อชีวิตประจำวันของเรา

English: 
2010 sparked the rise of data science to support the needs of the businesses to draw insights from their massive unstructured data sets
So then the journal of data science described data science as almost everything that has something to do with data
Collecting analyzing modeling. Yet the most important part is its applications. All sorts of applications.
Yes, all sorts of applications like machine learning
So in 2010 with the new abundance of data
it made it possible to train machines with a data-driven approach
rather than a knowledge driven approach. All the theoretical papers about recurring neural networks support vector machines became feasible
Something that can change the way we live and how we experience things in the world
Deep learning is no longer an academic concept in these thesis paper
It became a tangible useful class of machine learning that would affect our everyday lives

Turkish: 
 
 
 
 
 
 
 
 
 
 

Indonesian: 
2010 memicu munculnya ilmu data untuk mendukung kebutuhan bisnis untuk menarik wawasan dari set data besar yang tidak terstruktur
Jadi jurnal ilmu data menggambarkan ilmu data sebagai hampir semua yang ada hubungannya dengan data
Mengumpulkan pemodelan analisis. Namun yang paling penting adalah aplikasinya. Segala macam aplikasi.
Ya, semua jenis aplikasi seperti pembelajaran mesin
Jadi pada 2010 dengan banyaknya data baru
itu memungkinkan untuk melatih mesin dengan pendekatan berbasis data
daripada pendekatan berbasis pengetahuan. Semua makalah teoritis tentang jaringan saraf berulang yang mendukung mesin vektor menjadi layak
Sesuatu yang dapat mengubah cara kita hidup dan bagaimana kita mengalami hal-hal di dunia
Pembelajaran mendalam bukan lagi konsep akademis dalam makalah tesis ini
Itu menjadi kelas pembelajaran mesin yang nyata yang akan memengaruhi kehidupan kita sehari-hari

Portuguese: 
2010 alavancou a ascensão de Data Science, ajudando nas necessidades dos negócios para desenhar intuições do massivo e não estruturado conjunto de dados.
 
 
 
 
 
 
 
 
 

Polish: 
2010 spowodował zwiększenie ilości naukowców zajmujących się danymi by sprostać zapotrzebowaniu biznesu polegające na wyciąganiu wniosków z ogromnych ilości nieustrukturyzowanych zbiorów danych
Wówczas pod pojęciem data science kryło się niemal wszystko, co miało jakikolwiek związek z danymi
Zbieraniem, analizowaniem, modelowaniem. Jednak najważniejszym elementem było ich aplikowanie. Najróżniejsze sposoby aplikowania.
Tak, wszystkie sposoby aplikowania takie jak nauczanie maszynowe
więc w 2010 wraz z obfitością danych
stało się możliwe nauczanie maszyn wykorzystując podejście oparte na danych
w odróżnieniu od podejścia opartego na wiedzy. Wszystkie teoretyczne teorie dotyczące powracających sieci neuronowych, wspierających maszyn wektorowych, stały się wykonalne
Coś, co może zmienić sposób w jaki żyjemy i w jaki odbieramy świat.
Deep learning (głębokie nauczanie) już nie jest akademickim konceptem na pracy magisterskiej
Teraz, jest to namacalna, przydatna klasa uczenia maszynowego, która może przyczynić się do zmiany naszego codziennego życia

Spanish: 
2010 provocó el auge de la ciencia de datos para apoyar las necesidades de las empresas para obtener información de sus conjuntos de datos no estructurados masivos
Entonces, la revista de ciencia de datos describió la ciencia de datos como casi todo lo que tiene algo que ver con los datos.
Recopilación analizando modelos. Sin embargo, la parte más importante es sus aplicaciones. Todo tipo de aplicaciones.
Sí, todo tipo de aplicaciones como el aprendizaje automático.
Así que en 2010 con la nueva abundancia de datos.
Permitió entrenar máquinas con un enfoque basado en datos.
en lugar de un enfoque impulsado por el conocimiento. Todos los documentos teóricos sobre redes neuronales recurrentes que admiten máquinas de vectores se hicieron factibles.
Algo que puede cambiar la forma en que vivimos y cómo experimentamos las cosas en el mundo.
El aprendizaje profundo ya no es un concepto académico en este trabajo de tesis.
Se convirtió en una clase tangible útil de aprendizaje automático que afectaría nuestra vida cotidiana.

Arabic: 
أثار عام 2010 ظهور علم البيانات لدعم احتياجات الشركات لاستخلاص رؤى من مجموعات البيانات الضخمة غير المنظمة
إذن ، وصفت مجلة علم البيانات علم البيانات على أنه كل شيء تقريبًا له علاقة بالبيانات
جمع تحليل النمذجة. بعد الجزء الأكثر أهمية هو تطبيقاتها. جميع أنواع التطبيقات.
نعم ، كل أنواع التطبيقات مثل التعلم الآلي
حتى في عام 2010 مع وفرة جديدة من البيانات
جعلت من الممكن لتدريب الآلات مع نهج يحركها البيانات
بدلا من نهج المعرفة مدفوعة. أصبحت جميع الأوراق النظرية حول الشبكات العصبية المتكررة التي تدعم الآلات المتجهة ممكنة
شيء يمكن أن يغير الطريقة التي نعيش بها وكيف نختبر الأشياء في العالم
لم يعد التعلم العميق مفهومًا أكاديميًا في ورقة البحث هذه
أصبح فئة مفيدة ملموسة من التعلم الآلي التي من شأنها أن تؤثر على حياتنا اليومية

French: 
 
 
 
 
 
 
 
 
 
 
 
 
 

Turkish: 
 
 
 
 
 
 
 
 
 
 
 
 
 

Arabic: 
لذا سيطر التعلم الآلي و الذكاء الاصطناعي على وسائل الإعلام التي تلقي بظلالها على كل الجوانب الأخرى لعلوم البيانات
مثل التحليل الاستكشافي ،
التجريب ، ... والمهارات التي نسميها عادة ذكاء الأعمال
حتى الآن الجمهور العام يفكر في علم البيانات كما
ركز الباحثون على التعلم الآلي والذكاء الاصطناعى ولكن الصناعة تقوم بتعيين علماء البيانات كمحللين
لذلك هناك اختلال هناك
سبب الاختلال هو أن نعم ، يمكن لمعظم علماء البيانات أن يعملوا على حل مشكلات فنية أكثر
لكن الشركات الكبرى مثل Google Facebook Netflix لديها الكثير من الفواكه المنخفضة المعلقة لتحسين منتجاتها بحيث لا تتطلب أيًا منها
تعلم الآلة المتقدمة أو
المعرفة الإحصائية للعثور على هذه الآثار في تحليلهم
كونك عالم بيانات جيدًا لا يتعلق بمدى تقدم نماذجك
إنها تدور حول مدى تأثيرك على عملك. أنت لست من محبي البيانات. أنت مشكلة حلال
أنت استراتيجيون. ستعطيك الشركات أكثر المشاكل غموضًا وصعوبة. ونتوقع منك أن توجه الشركة إلى الاتجاه الصحيح

Indonesian: 
Jadi pembelajaran mesin dan AI mendominasi media membayangi setiap aspek lain dari ilmu data
seperti analisis eksplorasi,
eksperimen, ... Dan keterampilan yang secara tradisional kami sebut intelijen bisnis
Jadi sekarang masyarakat umum menganggap ilmu data sebagai
peneliti berfokus pada pembelajaran mesin dan AI tetapi industri ini mempekerjakan ilmuwan data sebagai analis
Jadi ada ketidakselarasan di sana
Alasan ketidaksejajaran adalah bahwa ya, sebagian besar ilmuwan data ini mungkin dapat bekerja pada masalah yang lebih teknis
tetapi perusahaan besar seperti Google Facebook Netflix memiliki begitu banyak buah yang mudah digantung untuk meningkatkan produk mereka sehingga mereka tidak memerlukannya
pembelajaran mesin canggih atau
pengetahuan statistik untuk menemukan dampak ini dalam analisis mereka
Menjadi ilmuwan data yang baik bukan tentang seberapa canggih model Anda
Ini tentang seberapa besar dampak yang Anda dapat terhadap pekerjaan Anda. Anda bukan pembuat data. Anda adalah pemecah masalah
Anda adalah ahli strategi. Perusahaan akan memberi Anda masalah yang paling ambigu dan sulit. Dan kami mengharapkan Anda untuk memandu perusahaan ke arah yang benar

Thai: 
ดังนั้นการเรียนรู้ด้วยเครื่องและ AI จึงครองสื่อที่บดบังข้อมูลด้านวิทยาศาสตร์ทุกด้าน
เช่นการวิเคราะห์สำรวจ,
การทดลอง ... และทักษะที่เราเรียกว่าระบบธุรกิจอัจฉริยะ
ดังนั้นตอนนี้ประชาชนทั่วไปคิดว่าข้อมูลวิทยาศาสตร์เป็น
นักวิจัยเน้นการเรียนรู้ด้วยเครื่องคอมพิวเตอร์และ AI แต่อุตสาหกรรมกำลังจ้างนักวิเคราะห์ข้อมูลเป็นนักวิเคราะห์
มีความผิดพลาดที่นั่น
สาเหตุของการปรับแนวคือใช่ส่วนใหญ่นักวิทยาศาสตร์ข้อมูลเหล่านี้อาจทำงานเกี่ยวกับปัญหาทางเทคนิคมากขึ้น
แต่ บริษัท ขนาดใหญ่เช่น Google Facebook Netflix มีผลไม้แขวนต่ำมากเพื่อปรับปรุงผลิตภัณฑ์ของตนที่พวกเขาไม่จำเป็นต้องมี
การเรียนรู้เครื่องขั้นสูงหรือ
ความรู้ทางสถิติเพื่อหาผลกระทบเหล่านี้ในการวิเคราะห์ของพวกเขา
การเป็นนักวิทยาศาสตร์ข้อมูลที่ดีไม่ได้เกี่ยวกับรูปแบบของคุณเป็นอย่างไร
เกี่ยวกับผลกระทบที่คุณมีกับผลงานของคุณ คุณไม่ใช่นักวิเคราะห์ข้อมูล คุณเป็นผู้แก้ปัญหา
คุณเป็นนักยุทธศาสตร์ บริษัท จะให้ปัญหาที่คลุมเครือและยากที่สุด และเราคาดหวังให้คุณแนะนำ บริษัท ให้มีทิศทางที่ถูกต้อง

Spanish: 
Por lo tanto, el aprendizaje automático y la inteligencia artificial dominaron los medios que eclipsaban todos los demás aspectos de la ciencia de datos.
como análisis exploratorio,
experimentación, ... y habilidades que tradicionalmente llamamos inteligencia empresarial.
Así que ahora el público en general piensa en la ciencia de datos como
Los investigadores se enfocaron en el aprendizaje automático y la IA, pero la industria está contratando científicos de datos como analistas.
Así que hay una desalineación allí
La razón de la desalineación es que sí, la mayoría de estos científicos de datos probablemente pueden trabajar en problemas más técnicos
pero las grandes empresas como Google Facebook Netflix tienen tantas frutas para mejorar sus productos que no requieren ninguna.
aprendizaje automático avanzado o
Conocimiento estadístico para encontrar estos impactos en su análisis.
Ser un buen científico de datos no se trata de cuán avanzados son tus modelos
Se trata de cuánto impacto puede tener con su trabajo. No eres un cruncher de datos. Eres un solucionador de problemas
Ustedes son estrategas Las empresas te darán los problemas más ambiguos y difíciles. Y esperamos que guíe a la empresa en la dirección correcta.

Portuguese: 
 
 
 
 
 
 
 
 
 
 
 
 
 

Polish: 
Więc uczenie maszynowe i sztuczna inteligencja zdominowały media, przysłaniając każdy inny aspekt data science
choćby taki jak analiza eksploracyjna
eksperymentowanie i umiejętności które początkowo nazywaliśmy wywiadem biznesowym (business intelligence)
Teraz więc opinia powszechna myśli o data science jako
badaczach, skupionych na uczeniu maszynowym i sztucznej inteligencji, jednak rynek zatrudnia data scientists jako analityków
więc mamy tu nieporozumienie
Powód nieporozumienia jest taki, tak, że większość data scientists może prawdopodobnie pracować nad bardziej technicznymi problemami
ale wielkie firmy takie jak Google, Facebook czy Netflix, mają tak wiele nisko wiszących owoców, by poprawić swoje produkty, że nie potrzebują wdrażać żadnych
zaawansowanych metod uczenia maszynowego lub
wiedzy statystycznej, by znaleźć efekty swoich analiz
Być dobrym data scientists nie polega na tym, jak skomplikowane są Twoje modele,
ale na tym, jakie przełożenie będą miały na Twoją pracę. Nie zajmujesz się operowaniem na danych. Zajmujesz się rozwiązywaniem problemów.
Zajmujesz się strategią. Firmy dadzą Ci najbardziej zagadkowe i ciężkie problemy, a my oczekujemy że poprowadzisz je w odpowiednim kierunku

English: 
So machine learning and AI dominated the media overshadowing every other aspect of data science
like exploratory analysis,
experimentation, ... And skills we traditionally called business intelligence
So now the general public think of data science as
researchers focused on machine learning and AI but the industry is hiring data scientists as analysts
So there's a misalignment there
The reason for the misalignment is that yes, most of these data scientists can probably work on more technical problems
but big companies like Google Facebook Netflix have so many low-hanging fruits to improve their products that they don't require any
advanced machine learning or
statistical knowledge to find these impacts in their analysis
Being a good data scientist isn't about how advanced your models are
It's about how much impact you can have with your work. You're not a data cruncher. You're a problem solver
You're strategists. Companies will give you the most ambiguous and hard problems. And we expect you to guide the company to the right direction

Turkish: 
 
 
 
 

Spanish: 
Ok, ahora quiero concluir con ejemplos de la vida real de trabajos de ciencia de datos en Silicon Valley
Pero primero tengo que imprimir algunos gráficos. Así que vamos a hacer eso
(conversación no relacionada directamente con el tema)
(conversación no relacionada directamente con el tema)

Thai: 
ตกลงตอนนี้ฉันต้องการสรุปตัวอย่างงานวิทยาศาสตร์ข้อมูลใน Silicon Valley ในชีวิตจริง
แต่ก่อนอื่นฉันต้องพิมพ์แผนภูมิบางส่วน ลองไปทำกันเถอะ
(การสนทนาไม่เกี่ยวข้องโดยตรงกับหัวข้อ)
(การสนทนาไม่เกี่ยวข้องโดยตรงกับหัวข้อ)

Arabic: 
حسنًا ، أريد الآن أن أختتم أمثلة واقعية عن وظائف علم البيانات في وادي السيليكون
لكن أولاً يجب علي طباعة بعض الرسوم البيانية. لذلك دعونا نذهب نفعل ذلك
(محادثة لا تتعلق مباشرة بالموضوع)
(محادثة لا تتعلق مباشرة بالموضوع)

Portuguese: 
 
 
 
 

Indonesian: 
Oke, sekarang saya ingin menyimpulkan dengan contoh nyata pekerjaan sains data di Silicon Valley
Tapi pertama-tama saya harus mencetak beberapa grafik. Jadi ayo kita lakukan itu
(percakapan tidak terkait langsung dengan topik)
(percakapan tidak terkait langsung dengan topik)

Polish: 
Ok, teraz chciałem wyciągnąć wniosek z przykładu wziętego z życia pracownika data science w Silicon Valley,
ale najpierw muszę wydrukować kilka grafik. Więc zabierzmy się za to
- Jak się tutaj w ogóle znalazłeś? To jest... już tutaj nie mieszkasz - nie możesz przychodzić kiedy Ci się tylko spodoba. 
- Mogłabyś mnie zawieźć do biura?
-  Nie
- Dzięki za podwiezienie mnie 
- Zamknij się

French: 
 
 
 
 

English: 
Ok, now I want to conclude with real-life examples of data science jobs in Silicon Valley
But first I have to print some charts. So let's go do that
(conversation not directly related to the topic)
(conversation not directly related to the topic)

Turkish: 
 
 
 
 
 
 
 
 
 
 

Indonesian: 
Jadi ini adalah bagan yang sangat berguna yang memberi tahu Anda kebutuhan ilmu data. Sekarang, sudah cukup jelas
tapi terkadang kita agak melupakannya sekarang
Di bagian bawah piramida kami telah mengumpulkan Anda jelas harus mengumpulkan beberapa jenis data untuk dapat menggunakan data itu
Jadi kumpulkan menyimpan mentransformasikan semua upaya rekayasa data ini sangat penting dan sebenarnya
Ini sebenarnya cukup bagus ditangkap di media karena data besar kita berbicara tentang betapa sulitnya mengelola semua data ini
Kami berbicara tentang komputasi paralel yang artinya seperti Hadoop dan Spark
Hal-hal seperti itu. Kami tahu tentang ini. Sekarang hal yang kurang dikenal adalah barang-barang di antaranya yang ada di sini
semua yang ada di sini dan
Anehnya ini sebenarnya adalah salah satu hal yang paling penting bagi perusahaan karena Anda mencoba memberi tahu perusahaan
apa yang harus dilakukan dengan produk Anda. Jadi apa yang saya maksud dengan itu? Jadi saya seorang analitik yang memberi tahu Anda

English: 
So this is a very useful chart that tells you the needs of data science. Now, it's pretty obvious
but sometimes we kind of forget about it now
At the bottom of the pyramid we have collect you obviously have to collect some sort of data to be able to use that data
So collect storing transforming all of these data engineering effort is pretty important and it's actu-
It's actually quite captured pretty well in media because of big data we talked about how difficult it is to manage all this data
We talked about parallel computing which means like Hadoop and Spark
Stuff like that. We know about this. Now the thing that's less known is the stuff in between which is right here
everything that's here and
Surprisingly this is actually one of the most important things for companies because you're trying to tell the company
what to do with your product. So what do I mean by that? So I'm an analytics that tells you

Spanish: 
Así que este es un gráfico muy útil que le informa sobre las necesidades de la ciencia de datos. Ahora, es bastante obvio
Pero a veces nos olvidamos de eso ahora
En la parte inferior de la pirámide que hemos recopilado, obviamente tiene que recopilar algún tipo de datos para poder utilizarlos.
Por lo tanto, recolectar el almacenamiento transformando todos estos esfuerzos de ingeniería de datos es bastante importante y es activo.
En realidad, está bastante bien captado en los medios de comunicación porque de los grandes datos hablamos de lo difícil que es gestionar todos estos datos.
Hablamos de computación paralela que significa como Hadoop y Spark.
Cosas como esas. Sabemos de esto Ahora, lo que es menos conocido es la materia intermedia que está aquí
todo lo que está aquí y
Sorprendentemente, esta es en realidad una de las cosas más importantes para las empresas porque usted está tratando de decirle a la compañía
Qué hacer con tu producto. Entonces, ¿qué quiero decir con eso? Así que soy una analítica que te dice

Polish: 
Więc to są bardzo przydatne grafiki które pokazują potrzeby data science. Teraz jest to całkiem oczywiste
ale czasami o tym zapominamy
Na dole piramidy mamy "collect". Oczywistym jest, że musisz najpierw zebrać jakieś dane by móc je później użyć
Więc zbieranie, przechowywanie, transformowanie - wszystkie te wysiłki inżynierów od danych, są całkiem ważne
jest to właściwie całkiem nieźle pokazane w mediach przez big data. Mówiliśmy o tym, jak ciężko jest zarządzać tymi danymi
Mówiliśmy o przetwarzaniu równoległym, co oznacza Hadoop i Spark
tego typu rzeczy. O tym wszystkim wiemy. Teraz rzecz, która jest mniej oczywista, to ta, która jest pomiędzy - o właśnie tutaj
wszystko, co znajduje się tutaj i
zaskakująca to jest właściwie jedna z najważniejszych rzeczy dla firm, ponieważ starasz się powiedzieć firmie
co zrobić z ich produktem. Co mam przez to na myśli? Na myśli mam analitykę, która mówi Ci

French: 
 
 
 
 
 
 
 
 
 
 

Arabic: 
إذاً هذا مخطط مفيد جدًا يخبرك باحتياجات علم البيانات. الآن ، هو واضح جدا
لكن في بعض الأحيان ننسى الأمر الآن
في الجزء السفلي من الهرم الذي نجمعه ، من الواضح أنه يتعين عليك جمع نوع من البيانات لتتمكن من استخدام هذه البيانات
لذا فإن جمع تخزين تحويل كل هذه الجهود لهندسة البيانات أمر مهم للغاية وهو فعال
في الواقع يتم التقاطها بشكل جيد في الوسائط بسبب البيانات الضخمة التي تحدثنا عنها حول مدى صعوبة إدارة جميع هذه البيانات
تحدثنا عن الحوسبة المتوازية التي تعني مثل Hadoop و Spark
أشياء من هذا القبيل. نحن نعرف عن هذا. الآن الشيء الأقل شهرة هو الأشياء الموجودة هنا
كل شيء هنا و
من المدهش أن هذا هو في الواقع أحد أهم الأمور بالنسبة للشركات لأنك تحاول إخبار الشركة
ماذا تفعل مع المنتج الخاص بك. إذن ماذا أقصد بذلك؟ لذلك أنا تحليلات يخبرك

Portuguese: 
 
 
 
 
 
 
 
 
 
 

Thai: 
นี่เป็นแผนภูมิที่มีประโยชน์มากซึ่งจะบอกถึงความต้องการของข้อมูลศาสตร์ ตอนนี้ก็เห็นได้ชัดทีเดียว
แต่บางครั้งเราก็ลืมเรื่องนี้ไปแล้ว
ที่ด้านล่างของพีระมิดเราได้เก็บรวบรวมคุณชัดต้องเก็บข้อมูลบางประเภทเพื่อให้สามารถใช้ข้อมูลนั้นได้
ดังนั้นการจัดเก็บการเก็บรวบรวมการเปลี่ยนแปลงทั้งหมดของความพยายามวิศวกรรมข้อมูลเหล่านี้มีความสำคัญสวยและเป็น actu-
เป็นจริงค่อนข้างถูกจับได้ดีในสื่อเพราะข้อมูลขนาดใหญ่ที่เราพูดถึงเกี่ยวกับวิธีการที่ยากที่จะจัดการข้อมูลทั้งหมดนี้
เราพูดถึงการคำนวณแบบขนานซึ่งหมายถึงเช่น Hadoop และ Spark
เรื่องแบบนั้น เรารู้เรื่องนี้ ตอนนี้สิ่งที่ไม่ค่อยมีใครรู้จักคือสิ่งที่อยู่ตรงกลางระหว่างที่นี่
ทุกอย่างที่นี่และ
น่าแปลกใจที่นี่เป็นสิ่งที่สำคัญที่สุดสำหรับ บริษัท เพราะคุณพยายามจะบอก บริษัท
จะทำอย่างไรกับผลิตภัณฑ์ของคุณ ดังนั้นสิ่งที่ฉันหมายถึงการที่? ดังนั้นฉันจึงเป็นข้อมูลวิเคราะห์ที่จะบอกคุณ

Indonesian: 
menggunakan data wawasan seperti apa yang dapat memberi tahu saya apa yang terjadi pada pengguna saya dan kemudian metrik ini penting karena
apa yang terjadi dengan produk saya?
Anda tahu, metrik ini akan memberi tahu Anda apakah Anda berhasil atau tidak. Dan kemudian juga, Anda tentu tahu pengujian
Eksperimen yang memungkinkan Anda mengetahui, versi produk mana yang terbaik
Jadi hal-hal ini sebenarnya sangat penting tetapi tidak begitu diliput oleh media. Apa yang diliput di media
adalah bagian ini. AI, pembelajaran mendalam. Kami sudah sering mendengarnya, Anda tahu
Tetapi ketika Anda memikirkannya untuk sebuah perusahaan, untuk industri,
Ini sebenarnya bukan prioritas tertinggi atau setidaknya bukan hal yang menghasilkan hasil terbesar untuk jumlah usaha terendah
Itulah mengapa pembelajaran mendalam AI berada di atas hierarki kebutuhan dan hal-hal ini mungkin menguji analitik
mereka sebenarnya jauh lebih penting bagi industri
jadi itu sebabnya kami mempekerjakan banyak ilmuwan data yang melakukan itu. Jadi apa yang sebenarnya dilakukan oleh para ilmuwan data?
Baik itu tergantung pada perusahaan karena ukurannya
Jadi untuk pemula Anda kekurangan sumber daya

Portuguese: 
 
 
 
 
 
 
 
 
 
 
 
 
 

Turkish: 
 
 
 
 
 
 
 
 
 
 
 
 
 

English: 
using the data what kind of insights can tell me what are happening to my users and then metrics this is important because
what's going on with my product?
You know, these metrics will tell you if you're successful or not. And then also, you know a be testing of course
Experimentation that allows you to know, which product versions are the best
So these things are actually really important but they're not so covered in media. What's covered in media
is this part. AI, deep learning. We've heard it on and on about it, you know
But when you think about it for a company, for the industry,
It's actually not the highest priority or at least it's not the thing that yields the most result for the lowest amount of effort
That's why AI deep learning is on top of the hierarchy of needs and these things may be testing analytics
they're actually way more important for industry
so that's why we're hiring a lot of data scientists that does that. So what do data scientists actually do?
Well that depends on the company because of them as of the size
So for a start-up you kind of lack resources

Arabic: 
باستخدام البيانات ، ما نوع الرؤى التي يمكن أن تخبرني بما يحدث للمستخدمين ، ثم يعد هذا الأمر مهمًا
ما الذي يحدث مع المنتج الخاص بي؟
كما تعلمون ، ستخبرك هذه المقاييس ما إذا كنت ناجحًا أم لا. وبعد ذلك أيضًا ، أنت تعرف أن يكون اختبارًا بالطبع
التجربة التي تسمح لك بمعرفة أي إصدارات المنتج هي الأفضل
إذاً هذه الأشياء مهمة حقًا لكنها غير مغطاة في وسائل الإعلام. ما هو مغطى في وسائل الإعلام
هل هذا الجزء منظمة العفو الدولية ، التعلم العميق. لقد سمعنا ذلك وعلى ذلك ، كما تعلمون
ولكن عندما تفكر في ذلك لشركة ، للصناعة ،
إنه في الواقع ليس أولوية قصوى أو على الأقل ليس الشيء الذي يحقق أكبر نتيجة بأقل قدر من الجهد
هذا هو السبب في أن التعلم المتعمق الذكاء الاصطناعي يتصدر التسلسل الهرمي للاحتياجات وقد تكون هذه الأشياء بمثابة اختبار تحليلي
انهم في الواقع وسيلة أكثر أهمية للصناعة
لهذا السبب نحن نوظف الكثير من علماء البيانات الذين يقومون بذلك. فماذا فعل علماء البيانات في الواقع؟
حسنًا ، هذا يعتمد على الشركة بسبب حجمها
لذلك بالنسبة للشركات الناشئة ، فأنت تفتقر إلى الموارد

Polish: 
o używaniu danych, jakiego rodzaju wnioski będę mógł wyciągnąć i co się dzieje z moimi użytkownikami, następnie metryki - to jest ważne ponieważ
co się dzieje z moim produktem?
Wiecie, te metryki powiedzą Ci czy odnosisz sukces czy nie. Do tego dochodzą testy A/B,
eksperymenty, które pozwolą Ci dowiedzieć się, która z wersji produktu jest najlepsza
Więc właśnie te rzeczy są naprawdę istotne, ale nie mówi się o nich w mediach. Media mówią
o tej części. AI (sztuczna inteligencja), deep learning. Słyszeliśmy o tym w kółko
ale kiedy pomyślisz o tym pod kątem firmy, rynku,
to wychodzi, że to nie jest najwyższy priorytet lub przynajmniej nie jest to działka, która przyniesie najwięcej rezultatów, wymagając najmniejszego nakładu pracy
Dlatego właśnie AI (sztuczna inteligencja), deep learning, są na górze hierarchii potrzeb, a te rzeczy: testy A/B, analityka,
są dużo bardziej ważne dla rynku.
Stąd właśnie, zatrudniamy sporą ilość data scientists którzy się tym zajmują. Więc co data scientists (naukowcy danych) właściwie robią?
Cóż, to zależy od firmy, często od jej wielkości
Np. dla start-up'u, raczej brakuje Ci ludzi

Spanish: 
usando los datos, qué tipo de información me puede decir qué están sucediendo a mis usuarios y luego métricas, esto es importante porque
¿Qué está pasando con mi producto?
Ya sabes, estas métricas te dirán si tienes éxito o no. Y entonces también, sabes una prueba, por supuesto
Experimentación que le permite saber qué versiones de productos son las mejores.
Entonces estas cosas son realmente importantes pero no están tan cubiertas en los medios. Lo que se cubre en los medios
es esta parte IA, aprendizaje profundo. Lo hemos escuchado una y otra vez, sabes
Pero cuando lo piensas para una empresa, para la industria,
En realidad no es la prioridad más alta o al menos no es lo que produce el mayor resultado con la menor cantidad de esfuerzo
Es por eso que el aprendizaje profundo de AI está en la parte superior de la jerarquía de necesidades y estas cosas pueden ser analíticas de prueba
En realidad son mucho más importantes para la industria.
Por eso es que estamos contratando a muchos científicos de datos que hacen eso. Entonces, ¿qué hacen realmente los científicos de datos?
Bueno, eso depende de la compañía por su tamaño.
Así que para empezar, te faltan recursos.

French: 
 
 
 
 
 
 
 
 
 
 
 
 
 

Thai: 
โดยใช้ข้อมูลประเภทข้อมูลเชิงลึกที่สามารถบอกได้ว่าเกิดอะไรขึ้นกับผู้ใช้ของฉันแล้วเมตริกนี้มีความสำคัญเนื่องจาก
สิ่งที่เกิดขึ้นกับผลิตภัณฑ์ของฉัน
คุณรู้หรือไม่เมตริกเหล่านี้จะบอกคุณหากคุณประสบความสำเร็จหรือไม่ แล้วคุณก็รู้ว่าคุณกำลังทดสอบแน่นอน
การทดลองที่ช่วยให้คุณทราบว่าผลิตภัณฑ์รุ่นใดที่ดีที่สุด
ดังนั้นสิ่งเหล่านี้เป็นจริงที่สำคัญจริงๆ แต่พวกเขาไม่ได้ครอบคลุมในสื่อ สิ่งที่ได้รับการคุ้มครองในสื่อ
เป็นส่วนนี้ AI, การเรียนรู้ลึก เราเคยได้ยินเรื่องนี้มาเรื่อย ๆ
แต่เมื่อคุณคิดเกี่ยวกับเรื่องนี้สำหรับ บริษัท สำหรับอุตสาหกรรม,
เป็นจริงไม่ใช่ความสำคัญสูงสุดหรืออย่างน้อยก็ไม่ใช่สิ่งที่ให้ผลมากที่สุดสำหรับจำนวนเงินที่น้อยที่สุดของความพยายาม
นั่นเป็นเหตุผลที่การเรียนรู้อย่างลึกซึ้งของ AI จึงอยู่ในลำดับชั้นของความต้องการและสิ่งเหล่านี้อาจเป็นการทดสอบการวิเคราะห์
พวกเขาเป็นจริงทางที่สำคัญสำหรับอุตสาหกรรม
นั่นเป็นเหตุผลว่าทำไมเราจึงต้องจ้างนักวิทยาศาสตร์ข้อมูลจำนวนมากที่ทำเช่นนั้น ดังนั้นนักวิทยาศาสตร์ข้อมูลจริงๆทำอะไร?
ดีที่ขึ้นอยู่กับ บริษัท เพราะพวกเขาเป็นของขนาด
ดังนั้นสำหรับการเริ่มต้นที่คุณชนิดของการขาดทรัพยากร

Spanish: 
Así que solo puedes tener un DS. Para que un científico de datos
Él tiene que hacer todo. Así que podrías estar viendo todo esto
siendo científicos de datos. Tal vez no estés haciendo IA o un aprendizaje profundo porque eso no es una prioridad en este momento
Pero podrías estar haciendo todo esto. Tienes que configurar toda la infraestructura de datos.
Es posible que incluso tenga que escribir algún código de software para agregar el registro y luego hacer el análisis
usted mismo, entonces tiene que construir las métricas usted mismo y tiene que hacer las pruebas A / B usted mismo. Es por eso
para las nuevas empresas si necesitan un científico de datos todo esto es
ciencia de datos, por lo que significa que tienes que hacer todo. Pero echemos un vistazo a las medianas empresas. Ahora finalmente
Tienen muchos más recursos. Pueden separar los ingenieros de datos y los científicos de datos.
Por lo general, en la colección, esto es probablemente ingeniería de software. Y
Entonces aquí, vas a tener ingenieros de datos haciendo esto. Y luego, dependiendo de si eres una empresa mediana, haces muchas cosas.
modelos de recomendación o cosas que requieren AI, entonces DS hará todo esto

French: 
 
 
 
 
 
 
 
 
 
 
 
 

Portuguese: 
 
 
 
 
 
 
 
 
 
 
 
 

Thai: 
คุณสามารถมี DS ได้เพียงชนิดเดียวเท่านั้น เพื่อให้นักวิทยาศาสตร์ข้อมูลคนหนึ่ง
เขาต้องทำทุกอย่าง ดังนั้นคุณอาจจะได้เห็นทั้งหมดนี้
เป็นนักวิทยาศาสตร์ข้อมูล บางทีคุณอาจจะไม่ได้เรียนรู้ AI หรือการเรียนรู้ลึก ๆ เพราะตอนนี้ไม่ใช่สิ่งสำคัญ
แต่คุณอาจกำลังทำสิ่งเหล่านี้ทั้งหมด คุณต้องตั้งค่าโครงสร้างพื้นฐานข้อมูลทั้งหมด
คุณอาจต้องเขียนโค้ดซอฟต์แวร์บางอย่างเพื่อเพิ่มการบันทึกและจากนั้นคุณจะต้องทำการวิเคราะห์
ตัวเองแล้วคุณจะต้องสร้างเมตริกด้วยตัวคุณเองและคุณต้องทำ A / B ด้วยตัวคุณเอง นั่นเป็นเหตุผลที่
สำหรับ startups ถ้าพวกเขาต้องการนักวิทยาศาสตร์ข้อมูลทั้งหมดนี้คือ
ข้อมูลวิทยาศาสตร์ดังนั้นนั่นหมายความว่าคุณต้องทำทุกอย่าง แต่ลองดูที่ บริษัท ขนาดกลาง ตอนนี้สุดท้าย
พวกเขามีทรัพยากรมากขึ้น พวกเขาสามารถแยกวิศวกรข้อมูลและนักวิทยาศาสตร์ข้อมูลได้
ดังนั้นมักจะอยู่ในคอลเลกชันนี้อาจเป็นวิศวกรรมซอฟต์แวร์ และ
แล้วที่นี่คุณจะมีวิศวกรข้อมูลทำเช่นนี้ แล้วขึ้นอยู่กับว่าคุณเป็น บริษัท ขนาดกลางหรือไม่มาก
โมเดลคำแนะนำหรือสิ่งที่ต้องใช้ AI แล้ว DS จะทำสิ่งเหล่านี้ทั้งหมด

English: 
So you can only kind of have one DS. So that one data scientist
he has to do everything. So you might be seeing all all this
being data scientists. Maybe you won't be doing AI or deep learning because that's not a priority right now
But you might be doing all of these. You have to set up the whole data infrastructure
You might even have to write some software code to add logging and then you have to do the analytics
yourself, then you have to build the metrics yourself, and you have to do A/B testing yourself. That's why
for startups if they need a data scientist this whole thing is
data science, so that means you have to do everything. But let's look at medium-sized companies. Now, finally
they have a lot more resources. They can separate the data engineers and the data scientists
So usually in collection, this is probably software engineering. And
then here, you're gonna have data engineers doing this. And then depending if you're medium-sized company does a lot of
recommendation models or stuff that requires AI, then DS will do all these

Polish: 
więc możesz sobie pozwolić na zatrudnienie jednego data scientists (naukowca danych). Więc ten jeden data scientists (naukowiec danych)
musi robić wszystko. Więc możesz obserwować to wszystko
jako data scientists. Może nie będziesz robić AI (sztucznej inteligencji) lub deep learning ponieważ to nie będzie na teraz priorytetem,
ale możesz robić całe to. Musisz zestawić całą infrastrukturę danych
Być może będziesz musiał napisać trochę kodu by dodać logowanie, a potem zajmiesz się analityką
sam, potem zbudujesz system do metryk a potem zajmiesz się testami A/B. Dlatego właśnie
dla startupów, jeśli potrzebują data scientist (naukowca do danych), to jest całe to
jest data science, co oznacza że musisz zajmować się wszystkim. Ale popatrzmy na firmę o średniej wielkości. Teraz, w końcu
mają dużo więcej zasobów. Mogą oddzielić data engineers (inżynierów danych) i data scientists (naukowców danych).
Więc zwykle w kolekcji, to najprawdopodobniej jest software engineering.
I potem tym, zajmą się data engineers. I potem w zależności czy Twoja średniej wielkości firma zajmuje się
modelami rekomendacji lub rzeczami które wymagają AI, to data scientists robią wszystko to.

Arabic: 
لذلك يمكنك فقط الحصول على نوع DS واحد. بحيث عالم البيانات واحد
عليه أن يفعل كل شيء. لذلك قد تكون رؤية كل هذا
كونها علماء البيانات. ربما لن تقوم بعمل الذكاء الاصطناعى أو التعلم العميق لأن هذا ليس أولوية الآن
ولكن قد تكون تفعل كل هذه. يجب عليك إعداد البنية الأساسية للبيانات بالكامل
قد تضطر حتى إلى كتابة بعض التعليمات البرمجية البرمجية لإضافة تسجيل ثم عليك القيام بالتحليلات
نفسك ، ثم عليك بناء المقاييس بنفسك ، وعليك أن تفعل A / B اختبار نفسك. لهذا
بالنسبة للشركات الناشئة إذا احتاجوا إلى عالم بيانات فإن هذا الأمر برمته
علم البيانات ، وهذا يعني أن عليك أن تفعل كل شيء. ولكن دعونا ننظر إلى الشركات المتوسطة الحجم. الان اخيرا
لديهم الكثير من الموارد. يمكنهم فصل مهندسي البيانات وعلماء البيانات
لذلك عادة في المجموعة ، وهذا ربما هندسة البرمجيات. و
ثم هنا ، سيكون لديك مهندسي بيانات يقومون بذلك. ثم حسب ما إذا كنت شركة متوسطة الحجم تفعل الكثير
نماذج التوصية أو الأشياء التي تتطلب AI ، ثم DS سوف تفعل كل هذه

Indonesian: 
Jadi Anda hanya bisa memiliki satu DS. Sehingga satu ilmuwan data
dia harus melakukan segalanya. Jadi, Anda mungkin melihat semua ini
menjadi ilmuwan data. Mungkin Anda tidak akan melakukan AI atau pembelajaran mendalam karena itu bukan prioritas saat ini
Tetapi Anda mungkin melakukan semua ini. Anda harus mengatur seluruh infrastruktur data
Anda bahkan mungkin harus menulis beberapa kode perangkat lunak untuk menambahkan pencatatan dan kemudian Anda harus melakukan analitik
sendiri, maka Anda harus membangun metrik sendiri, dan Anda harus melakukan A / B menguji diri sendiri. Itu sebabnya
untuk pemula jika mereka membutuhkan ilmuwan data semua ini
ilmu data, jadi itu berarti Anda harus melakukan segalanya. Tapi mari kita lihat perusahaan menengah. Sekarang akhirnya
mereka memiliki lebih banyak sumber daya. Mereka dapat memisahkan insinyur data dan ilmuwan data
Jadi biasanya dalam koleksi, ini mungkin rekayasa perangkat lunak. Dan
maka di sini, Anda akan meminta teknisi data melakukan ini. Dan kemudian tergantung apakah Anda perusahaan menengah banyak
model rekomendasi atau hal-hal yang membutuhkan AI, maka DS akan melakukan semua ini

Turkish: 
 
 
 
 
 
 
 
 
 
 
 
 

Spanish: 
Derecha. Así que como científico de datos, tienes que ser mucho más técnico
Es por eso que solo contratan a personas con doctorados o maestrías porque quieren que usted pueda hacer las cosas más complicadas
Así que vamos a hablar de grandes compañías ahora
Porque te estás volviendo mucho más grande.
Probablemente tenga mucho más dinero y luego podrá gastarlo más en los empleados.
Así que puedes tener muchos empleados diferentes trabajando en cosas diferentes. De esa manera
El empleado no necesita pensar en estas cosas que no quiere hacer y podrían centrarse en las cosas que están haciendo.
mejor en Por ejemplo, yo y mi gran compañía sin título
Estaría en analítica, así que podría concentrar mi trabajo en analítica y métricas y cosas por el estilo
Así que no necesito preocuparme por la ingeniería de datos o la información profunda de AI
Así que aquí está cómo se ve una gran empresa.
Sensores de registro instrumental. Todo esto es manejado por ingenieros de software
¿Derecha? Y luego aquí, limpiando y construyendo tuberías de datos.

Indonesian: 
Kanan. Jadi sebagai ilmuwan data, Anda harus jauh lebih teknis
Itu sebabnya mereka hanya mempekerjakan orang dengan gelar PhD atau master karena mereka ingin Anda dapat melakukan hal-hal yang lebih rumit
Jadi mari kita bicara tentang perusahaan besar sekarang
Karena Anda menjadi jauh lebih besar
Anda mungkin memiliki lebih banyak uang dan kemudian Anda dapat membelanjakan lebih banyak untuk karyawan
Jadi, Anda dapat memiliki banyak karyawan yang berbeda mengerjakan berbagai hal. Seperti itu
karyawan tidak perlu memikirkan hal-hal yang tidak ingin mereka lakukan dan mereka dapat fokus pada hal-hal yang mereka inginkan
terbaik di. Misalnya, saya dan perusahaan besar tanpa judul saya
Saya akan berada dalam analytics sehingga saya bisa memfokuskan pekerjaan saya pada analytics dan metrik dan hal-hal seperti itu
Jadi saya tidak perlu khawatir tentang rekayasa data atau pembelajaran mendalam AI
Jadi begini tampilannya untuk perusahaan besar
Sensor logging instrumental. Ini semua ditangani oleh insinyur perangkat lunak
Kanan? Dan kemudian di sini, membersihkan dan membangun jaringan pipa data

Thai: 
ขวา. ดังนั้นในฐานะนักวิทยาศาสตร์ข้อมูลคุณจะต้องมีความชำนาญมากขึ้น
นั่นเป็นเหตุผลที่พวกเขาจ้างเฉพาะคนที่มีปริญญาเอกหรือปริญญาโทเพราะต้องการให้คุณสามารถทำสิ่งที่ซับซ้อนมากขึ้นได้
ลองพูดคุยเกี่ยวกับ บริษัท ขนาดใหญ่ตอนนี้
เพราะคุณมีจำนวนมากขึ้น
คุณอาจมีเงินมากขึ้นและจากนั้นคุณสามารถใช้จ่ายเงินกับพนักงานได้มากขึ้น
เพื่อให้คุณสามารถมีพนักงานจำนวนมากที่แตกต่างกันทำงานในสิ่งที่แตกต่างกัน ทางนั้น
พนักงานไม่จำเป็นต้องคิดเกี่ยวกับสิ่งที่พวกเขาไม่ต้องการที่จะทำและพวกเขาสามารถมุ่งเน้นในสิ่งที่พวกเขากำลัง
ดีที่สุดที่ ตัวอย่างเช่นฉันและ บริษัท ขนาดใหญ่ที่ไม่มีชื่อของฉัน
ฉันจะอยู่ในการวิเคราะห์ดังนั้นฉันก็สามารถมุ่งเน้นการทำงานของฉันในการวิเคราะห์และตัวชี้วัดและสิ่งที่ต้องการที่
ดังนั้นฉันไม่จำเป็นต้องกังวลเกี่ยวกับวิศวกรรมข้อมูลหรือ AI สิ่งที่เรียนรู้ลึก
นี่เป็นวิธีที่ บริษัท ขนาดใหญ่มองหา
เซ็นเซอร์บันทึกการใช้เครื่องมือ ทั้งหมดนี้ถูกจัดการโดยวิศวกรซอฟต์แวร์
ขวา? แล้วที่นี่ทำความสะอาดและสร้างท่อส่งข้อมูล

French: 
 
 
 
 
 
 
 
 
 
 
 
 
 

Portuguese: 
 
 
 
 
 
 
 
 
 
 
 
 
 

English: 
Right. So as a data scientist, you have to be a lot more technical
That's why they only hire people with PhDs or masters because they want you to be able to do the more complicated things
So let's talk about large company now
Because you're getting a lot bigger
you probably have a lot more money and then you can spend it more on employees
So you can have a lot of different employees working on different things. That way
the employee does not need to think about this stuff that they don't want to do and they could focus on the things that they're
best at. For example, me and my untitled large company
I would be in analytics so I could just focus my work on analytics and metrics and stuff like that
So I don't need to worry about data engineering or AI deep learning stuff
So here's how it looks for a large company
Instrumental logging sensors. This is all handled by software engineers
Right? And then here, cleaning and building data pipelines

Arabic: 
حق. لذلك كعالم بيانات ، يجب أن تكون أكثر تقنية بكثير
لهذا السبب يقومون بتوظيف أشخاص يحملون شهادات الدكتوراه أو الماجستير لأنهم يريدون منك أن تكون قادرًا على القيام بالأشياء الأكثر تعقيدًا
لذلك دعونا نتحدث عن شركة كبيرة الآن
لأنك تكبر كثيرًا
ربما لديك الكثير من المال ومن ثم يمكنك إنفاق المزيد على الموظفين
لذلك يمكن أن يكون لديك الكثير من الموظفين المختلفين الذين يعملون على أشياء مختلفة. بهذه الطريقة
لا يحتاج الموظف إلى التفكير في هذه الأشياء التي لا يريدون القيام بها ويمكنهم التركيز على الأشياء التي يريدونها
الأفضل في. على سبيل المثال ، أنا وشركتي الكبيرة بدون عنوان
سأكون في التحليلات حتى أتمكن فقط من تركيز عملي على التحليلات والمقاييس وأشياء من هذا القبيل
لذلك لا داعي للقلق حول هندسة البيانات أو الذكاء الاصطناعي العميق
لذلك هنا كيف تبدو لشركة كبيرة
أجهزة استشعار تسجيل مفيدة. كل هذا يتم معالجته بواسطة مهندسي البرمجيات
حق؟ ثم هنا ، تنظيف وبناء خطوط أنابيب البيانات

Turkish: 
 
 
 
 
 
 
 
 
 
 
 
 
 

Polish: 
Tak jest. Więc jako data scientists, musisz być dużo bardziej techniczny.
Dlatego właśnie zatrudniają tylko ludzi z tytułem doktora lub magistra, gdyż chcą byś był w stanie zajmować się skomplikowanymi zadaniami.
Pomówmy teraz o dużej firmie
Ponieważ stajesz się coraz większy
zapewne masz dużo więcej pieniędzy, które możesz przeznaczyć na pracowników.
Więc możesz mieć wielu różnych pracowników pracujących nad różnymi rzeczami. Tym sposobem
pracownik nie musi myśleć o rzeczach, którymi nie chce się zajmować i mogą skupić się tylko na rzeczach, w których
są najlepsi. Np. ja i moja nienazwana duża firma
byłbym w analityce więc skupiałbym swoją pracę na analityce, metrykach i tego typu rzeczach
więc nie musiałbym się martwić o data engineering, AI (sztuczną inteligencję) lub deep learning.
Tak więc by to wyglądało dla większej firmy
Instrumentalne czujniki rejestrujące. To, jest w pełni obsługiwane przez software engineers
Prawda? I następnie tutaj, czyszczenie i budowanie strumienia danych

French: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Arabic: 
هذا هو لمهندسي البيانات. الآن هنا ، بين هذين الأمرين ، لدينا بيانات
تحليلات العلوم. هذا ما يطلق عليه
ولكن بمجرد أن نذهب إلى الذكاء الاصطناعي والتعلم العميق ، هذا هو المكان الذي لدينا
علماء البحوث
أو نسميها علم البيانات الأساسية
ويدعمهم والآن المهندسين الذين هم مهندسي التعلم الآلي. بلى
على أي حال ، هكذا باختصار ، كما ترون ، يمكن أن يكون علم البيانات كل هذا ويعتمد على الشركة التي تعمل فيها
التعريف سوف يختلف. لذا ، اسمحوا لي أن أعرف ما الذي ترغب في معرفة المزيد حول التعلم العميق AI ، أو اختبار A / B ،
التجريب ، ... اعتمادا على ما تريد أن تتعلم عنه
اترك تعليقًا لأسفل أدناه حتى أتمكن من التحدث عن ذلك أو يمكنني العثور على شخص يعرف هذا ويمكنني مشاركة
رؤى معك
لذا ، نعم ، إذا أعجبك هذا الفيديو ، فلا تنسى الإعجاب والاشتراك
إذن أجل. اتمنى ان تحظا بيوم رائع. آمل أن يكون هذا مفيدًا. ولكن نعم ، شكرا للمشاهدة
سلام.

Polish: 
jest dla data engineers. Natomiast tutaj, pomiędzy tymi dwoma rzeczami, mamy Data
Science Analytics. Tak to się nazywa.
Ale jeśli pójdziemy do AI (sztucznej inteligencji) i deep learning, to znajdziemy
research scientists (badaczy)
lub nazywamy ich data science core
i są wspierani przez inżynierów ML (machine learning)
W każdym razie, podsumowując, jak widać, data science może być wszystkim, stąd zależnie od firmy, w jakiej się znajdujesz
i ta definicja będzie się różnić. Więc proszę dajcie mi znać czego chcielibyście się więcej dowiedzieć odnośnie AI, deep learning lub testach A/B,
eksperymentowaniu. W zależności od czego chcecie się dowiedzieć
zostawcie komentarz na dole bym mógł o tym poopowiadać lub znaleźć kogoś, kto się w tym specjalizuje i będę mógł się podzielić
wnioskami z Wami.
Więc tak, jeśli film Wam się spodobał, nie zapomnijcie wcisnąć "lubię to" i "zasubskrybuj"
Więc, tak. Mam nadzieję że będziecie mieli świetny dzień. Mam również nadzieję, że film Wam się przyda. No i dzięki za oglądanie
Pozdro.

Thai: 
นี่เป็นข้อมูลสำหรับวิศวกร ตอนนี้ที่นี่ระหว่างสองสิ่งนี้เรามีข้อมูล
Analytics ทางวิทยาศาสตร์ นั่นคือสิ่งที่เรียกว่า
แต่แล้วเมื่อเราไปที่ AI และการเรียนรู้ลึก ๆ นี่คือที่ที่เรามี
นักวิจัย
หรือเราเรียกว่าแกนวิทยาศาสตร์ข้อมูล
และพวกเขาได้รับการสนับสนุนโดยวิศวกรและตอนนี้ซึ่งเป็นวิศวกรการเรียนรู้ด้วยเครื่องจักร ใช่
อย่างไรก็ตามบทสรุปที่คุณสามารถดูได้ข้อมูลวิทยาศาสตร์สามารถเป็นได้ทั้งหมดนี้และขึ้นอยู่กับว่าคุณเป็น บริษัท ใดบ้างและ
ความหมายจะแตกต่างกันไป ดังนั้นโปรดแจ้งให้เราทราบว่าคุณต้องการเรียนรู้อะไรเพิ่มเติมเกี่ยวกับการเรียนรู้อย่างลึกซึ้ง AI หรือการทดสอบ A / B,
การทดลอง ... ขึ้นอยู่กับสิ่งที่คุณต้องการเรียนรู้
ทิ้งความคิดเห็นไว้ด้านล่างเพื่อให้ฉันสามารถพูดคุยเกี่ยวกับเรื่องนี้หรือฉันสามารถหาคนที่รู้เรื่องนี้และฉันสามารถแบ่งปัน
ข้อมูลเชิงลึกกับคุณ
ดังนั้นใช่ถ้าคุณชอบวิดีโอนี้อย่าลืมที่จะชอบและสมัครสมาชิก
ดังนั้นใช่ หวังว่าคุณจะมีวันที่ยอดเยี่ยม หวังว่านี่จะเป็นประโยชน์ แต่ใช่ขอบคุณสำหรับการดู
ความสงบ.

Spanish: 
Esto es para los ingenieros de datos. Ahora aquí, entre estas dos cosas, tenemos datos.
Ciencia analítica. Así se llama
Pero una vez que vayamos a la IA y al aprendizaje profundo, aquí es donde tenemos
científicos de investigación
o lo llamamos núcleo de la ciencia de datos
y están respaldados por y ahora los ingenieros que son ingenieros de aprendizaje automático. Sí
De todos modos, en resumen, como puede ver, la ciencia de datos puede ser todo esto y depende de la compañía en la que se encuentre.
la definición variará Así que, por favor, hágame saber qué le gustaría obtener más información sobre el aprendizaje profundo de la IA o las pruebas A / B
experimentación, ... Dependiendo de lo que quieras aprender
deja un comentario abajo para que pueda hablar de ello o puedo encontrar a alguien que sepa sobre esto y puedo compartir el
ideas con usted
Así que sí, si te gusta este video, no olvides que me gusta y suscríbete
Así que sí. Espero que tengas un día maravilloso. Espero que esto haya sido útil. Pero sí, gracias por mirar
Paz.

English: 
This is for data engineers. Now here, between these two things, we have Data
Science Analytics. That's what it's called
But then once we go to the AI and deep learning, this is where we have
research scientists
or we call it data science core
and they are backed by and now engineers which are machine learning engineers. Yeah
Anyways, so in summary, as you can see, data science can be all of this and it depends what company you are in And
the definition will vary. So please let me know what you would like to learn more about AI deep learning, or A/B testing,
experimentation,... Depending on what you want to learn about
leave a comment down below so I could talk about it or I could find someone who knows about this and I can share the
insights with you
So yeah, if you like this video, don't forget to like and subscribe
So, yeah. Hope you have a wonderful day. Hope this was helpful. But yeah, thanks for watching
Peace.

Indonesian: 
Ini untuk insinyur data. Sekarang di sini, di antara dua hal ini, kami memiliki Data
Analisis Ilmu Pengetahuan. Itu namanya
Tapi begitu kita pergi ke AI dan belajar mendalam, di sinilah kita miliki
ilmuwan riset
atau kami menyebutnya inti ilmu data
dan mereka didukung oleh dan sekarang insinyur yang merupakan insinyur pembelajaran mesin. Ya
Bagaimanapun, jadi dalam ringkasan, seperti yang Anda lihat, ilmu data bisa menjadi semua ini dan itu tergantung pada perusahaan Anda
definisi akan bervariasi. Jadi tolong beri tahu saya apa yang ingin Anda pelajari lebih lanjut tentang pembelajaran mendalam AI, atau pengujian A / B,
eksperimen, ... Tergantung pada apa yang ingin Anda pelajari
tinggalkan komentar di bawah sehingga saya dapat membicarakannya atau saya dapat menemukan seseorang yang mengetahui hal ini dan saya dapat membagikannya
wawasan dengan Anda
Jadi ya, jika Anda suka video ini, jangan lupa untuk suka dan berlangganan
Jadi ya. Semoga hari Anda menyenangkan. Semoga ini bermanfaat. Tapi ya, terima kasih sudah menonton
Perdamaian.

Turkish: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Portuguese: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
