Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
Upcoming SlideShare
Data Mining e Open Data
Data Mining e Open Data
Loading in …3
×
1 of 50

Come diventare data scientist - Paolo Pellegrini

7

Share

Download to read offline

Come diventare data scientist - Si ringrazie per le slide Paolo Pellegrini, Senior Consultant presso P4I (Partners4Innovation) e referente di tutte le progettualità relative alle tematiche Data Science e Big Data Analytics. Owner del primo gruppo in Italia dedicato dai Data Scientist.

Related Books

Free with a 30 day trial from Scribd

See all

Related Audiobooks

Free with a 30 day trial from Scribd

See all

Come diventare data scientist - Paolo Pellegrini

  1. 1. BIG DATA & DATA SCIENCE COME DIVENTARE UN DATA SCIENTIST PRIMI CONSIGLI PER STUDENTI E PERSONE ALLE PRIME ARMI Paolo Pellegrini, Senior Consultant giugno 2016
  2. 2. BIG DATA & DATA SCIENCE Perché diventare un Data Scientist? Chi è un Data Scientist? Come viene selezionato un Data Scientist? Cos’è un algoritmo? Un esempio di problema di Data Science Alcuni Tool di Data Science Dove aggiornarsi e formarsi? 1 AGENDA
  3. 3. BIG DATA & DATA SCIENCE IL 56% DELLE IMPRESE ITALIANE INDICA BIG DATA E DATA SCIENCE COME PRIMARIO SVILUPPO STRATEGICO PER IL 2016/17 2 3% 5% 6% 7% 10% 10% 17% 17% 18% 18% 25% 25% 31% 31% 40% 48% 53% 56% 0% 10% 20% 30% 40% 50% 60% Smart Manufacturing Internet of Things Smart Working Progetti commerciali web social Cyber Security Compliance e Risk Management Collaboration Storage e virtualizzazione Mobile e eCommerce Data Center Mobile Marketing e CRM Cloud pubblico e privato Consolidamento applicativo Sistemi CRM Device Mobili e Mobile Apps Sistemi ERP Dematerializzazione Big Data e Analytics
  4. 4. BIG DATA & DATA SCIENCE HARVARD, GIA’ ANNI FA, LO AVEVA DEFINITO IL LAVORO PIÙ SEXY DEL NOSTRO SECOLO…ED È ANCHE BEN REMUNERATO! 3 GOOGLE TREND «DATA SCIENTIST» AVERAGE SALARY 123,000 $
  5. 5. BIG DATA & DATA SCIENCE Perché diventare un Data Scientist? Chi è un Data Scientist? Come viene selezionato un Data Scientist? Cos’è un algoritmo? Un esempio di problema di Data Science Alcuni Tool di Data Science Dove aggiornarsi e formarsi? 4 AGENDA
  6. 6. BIG DATA & DATA SCIENCE UN DATA SCIENTIST PUÒ FARE TUTTO! 5 Nate Silver è la persona che ha cambiato il concetto di “Psephology”, usando Big Data & Data Science per predire i risultati delle elezioni Americane. Oggi, è uno dei più famosi Data Scientist al mondo
  7. 7. BIG DATA & DATA SCIENCE UN DATA SCIENTIST È UNA FIGURA FORTMENTE INTERDISCIPLINARE, CHE CONIUGA STATISTICA, PROGRAMMAZIONE E LOGICHE DI BUSINESS 6 «On any given day a team member might author a multistage processing pipeline in Python, design a hypothesis test, perform a regression analysis over data samples with R, design and implement an algorithm for some data-intensive product or service in Hadoop, or communicate the results of an analysis to other members of the organization in a clear and concise fashion» 2009 – Jeff Hammerbacher | Data Scientist @ Facebook
  8. 8. BIG DATA & DATA SCIENCE LA DIFFUSIONE NEL MONDO È SEMPRE PIÙ GRANDE, E VEDE L’ITALIA PROTAGONISTA 7 RJ Metrics on 11.400 Data Scientist profile on LinkedIn
  9. 9. BIG DATA & DATA SCIENCE I SETTORI CHE IMPIEGANO PIÙ DATA SCIENTIST SONO QUELLI MAGGIORMENTE ORIENTATI ALL’IT, MA LA DIFFUSIONE E’ SEMPRE PIÙ CAPILLARE 8 RJ Metrics on 11.400 Data Scientist profile on LinkedIn
  10. 10. BIG DATA & DATA SCIENCE LE COMPETENZE PIÙ DIFFUSE VERTONO SU LINGUAGGI E STRUMENTI COME «R» E «PYTHON» 9 RJ Metrics on 11.400 Data Scientist profile on LinkedIn
  11. 11. BIG DATA & DATA SCIENCE LE COMPETENZE MODELLISITICHE E DI PROGRAMMAZIONE SONO FONDAMENTALI PER UNA RISORSA JUNIOR 10 RJ Metrics on 11.400 Data Scientist profile on LinkedIn
  12. 12. BIG DATA & DATA SCIENCE UN DATA SCIENTIST PUÒ AVERE QUALSIASI TIPO DI BACKGROUND: CONTA SOLO VOGLIA E ATTITUDINE A LAVORARE SUI DATI 11 RJ Metrics on 11.400 Data Scientist profile on LinkedIn
  13. 13. BIG DATA & DATA SCIENCE 2% 11% 14% 73% PRESTO OGNI AZIENDA AVRÀ UN DATA SCIENTIST 12 Present, with a well defined role Present, but without a well defined role Introduction planned for 2016 Possible introduction in the future Data Scientist
  14. 14. BIG DATA & DATA SCIENCE Perché diventare un Data Scientist? Chi è un Data Scientist? Come viene selezionato un Data Scientist? Cos’è un algoritmo? Un esempio di problema di Data Science Alcuni Tool di Data Science Dove aggiornarsi e formarsi? 13 AGENDA
  15. 15. BIG DATA & DATA SCIENCE PERCORSO DI VALUTAZIONE 14 Job posting Test development CV selection Test assignment Test evaluation Technical interview Data Scientist evaluation
  16. 16. BIG DATA & DATA SCIENCE PERCORSO DI VALUTAZIONE 15 Job posting Test development CV selection Test assignment Test evaluation Technical interview Data Scientist evaluation 1) You have two tables in an existing RDBMS. One contains information about the products you sell (name, size, color, etc.) The other contains images of the products in JPEG format. These tables are frequently joined in queries to your database. You would like to move this data into HBase. What is the most efficient schema design for this scenario? • Create a single table, with two column family • Create a single table, with one column family • Create two tables, with one column family 2) A sandwich shop studies the number of men, and women, that enter the shop during the lunch hour from noon to 1pm each day. They find that the number of men that enter can be modeled as a random variable with distribution Poisson(M), and likewise the number of women that enter as Poisson(W). What is likely to be the best model of the total number of customers that enter during the lunch hour? • Poisson (M+W) • Possion (M/W) • Poisson (M*W) Junion Data Scientist Selection
  17. 17. BIG DATA & DATA SCIENCE PERCORSO DI VALUTAZIONE 16 Job posting Test development CV selection Test assignment Test evaluation Technical interview Data Scientist evaluation Senior Data Scientist Selection Consegna di un Data Set, via mail o tramite piattaforme come University2Business, che i candidate devono analizzare al fine di sviluppare un modello predittivo
  18. 18. BIG DATA & DATA SCIENCE PERCORSO DI VALUTAZIONE 17 Job posting Test development CV selection Test assignment Test evaluation Technical interview Data Scientist evaluation Seguono domande generiche sulla costruzione dei modelli o discussioni di dettaglio su quando svolto nel test. Ad esempio: • Pulizia dati • Costruzione modello • Sviluppo algoritmo • … Senior Data Scientist Selection
  19. 19. BIG DATA & DATA SCIENCE PERCORSO DI VALUTAZIONE 18 Job posting Test development CV selection Test assignment Test evaluation Technical interview Data Scientist evaluation Socio- economic Statistic Business Math Soft – Role specific Soft – Business generic Computer Science
  20. 20. BIG DATA & DATA SCIENCE DESCRIZIONE DELLE COMPETENZE 19 TECHNICALSKILLS SOFT ROLESPECIFIC SOFT BUSINESSGENERIC Socio-Economiche Capacità di lettura del contesto sociale e di come questo impatti sul contesto economico Settoriali Conoscenza di processi, mercato e anticipazione degli impatti delle variabili esogene sullo specifico settore Matematiche Capacità di sistemizzare la realtà attraverso classificazioni e modelli che tengano conto delle interazioni fra gli elementi Informatiche Capacità di trattamento dell’informazione, mediante lo sviluppo di procedure automatizzate (es. algoritmi) e di un supporto HW/SW Statistiche Capacità trarre deduzioni logiche ed estrarre conoscenza dallo studio di un particolare fenomeno non deterministico Hacking Capacità di fare uso di creatività e immaginazione nella ricerca della conoscenza Storytelling Capacità di inventiva nella creazione di scenari da esplorare e di inserire le informazioni all’interno di un framework che ne facilitino la trasmissione e la comprensione all’esterno, anche attraverso capacità di sintesi e di presentazione delle informazioni Etica Capacità di fare uso coscienzioso dei dati, anche a fronte del possesso di dati sensibili Management Capacità di guida e coordinamento di un gruppo di risorse, assunzione di decisioni per garantire l'ottenimento di risultati aziendali Teamwork Capacità di operare in gruppo, attraverso spartizione di ruoli e aggregazione di competenze, al fine di raggiungere un obiettivo comune Coaching/Mentoring Capacità di formazione di risorse con meno esperienza, al fine di migliorarne le potenzialità, partendo dall’unicità dell'individuo Relazioni interpersonali Capacità di relazionarsi con altri soggetti, ponendosi nel modo opportuno a seconda di status, relazioni gerarchiche, contingenze, ecc.
  21. 21. BIG DATA & DATA SCIENCE PROFILI TIPICI 20 Junior Data Scientist Socio-Economic Statistic Business MathSoft Role Specic Soft Bsuiness Generic Computer Science Socio-Economic Statistic Business MathSoft Role Specic Soft Bsuiness Generic Computer Science Senior Data Scientist Chief Data Scientist Socio-Economic Statistic Business MathSoft Role Specic Soft Bsuiness Generic Computer Science Business Manager Socio-Economic Statistic Business MathSoft Role Specic Soft Bsuiness Generic Computer Science
  22. 22. BIG DATA & DATA SCIENCE Perché diventare un Data Scientist? Chi è un Data Scientist? Come viene selezionato un Data Scientist? Cos’è un algoritmo? Un esempio di problema di Data Science Alcuni Tool di Data Science Dove aggiornarsi e formarsi? 21 AGENDA
  23. 23. BIG DATA & DATA SCIENCE “Data is inherently dumb - Algorithms are where the real value lies. Algorithms define action” Peter Sondergaard Senior Vice President Gartner Research DAL DATO ALL’ALGORITMO 22 A graphical expression of Euclid's algorithm to find the greatest common divisor for 1599 and 650 Algorithm is a self-contained step-by-step set of operations to be performed
  24. 24. BIG DATA & DATA SCIENCE COME GLI ALGORITMI SUPPORTANO IL BUSINESS 23 INFORMATION INSIGHTS DECISION ACTION DESCRIPTIVE What happened? DIAGNOSTIC Why does it happened? PREDICTIVE What future? PRESCRIPTIVE How to react to recent events? PREEMPTIVE How to avoid bad events? DATA-DRIVEN STRATEGY Decisional Support OPTIMIZATION STRATEGY ANALYTICS STRATEGY OLD-STYLE STRATEGY +
  25. 25. BIG DATA & DATA SCIENCE • Machine learning is a subfield of computer science, that evolved from the study of pattern recognition and computational learning theory in artificial intelligence • In 1959, Arthur Samuel defined machine learning as a "Field of study that gives computers the ability to learn without being explicitly programmed“ • Machine learning explores the study and construction of algorithms that can learn from and make predictions on data. Such algorithms operate by building a model from an example training set of input observations in order to make data-driven predictions or decisions expressed as outputs rather than following strictly static program instructions • Machine learning is closely related to (and often overlaps with) computational statistics; a discipline which also focuses in prediction-making through the use of computers. It has strong ties to mathematical optimization, which delivers methods, theory and application domains to the field COME SI DIFINISCE IL «MACHINE LEARNING» 24
  26. 26. BIG DATA & DATA SCIENCE • C4.5 - Constructs a classifier in the form of a decision tree. In order to do this, C4.5 is given a set of data representing things that are already classified. This is supervised learning, since the training dataset is labeled with classes ALCUNI ESEMPI DI ALGORITMI 25
  27. 27. BIG DATA & DATA SCIENCE • k-means - creates k groups from a set of objects so that the members of a group are more similar. It’s a popular cluster analysis technique for exploring a dataset. Most would classify k-means as unsupervised. Other than specifying the number of clusters, k-means “learns” the clusters on its own without any information about which cluster an observation belongs to k-means can be semi-supervised ALCUNI ESEMPI DI ALGORITMI 26
  28. 28. BIG DATA & DATA SCIENCE • Support vector machines - SVM teaches a hyperplane to classify data into 2 classes. At a high-level, SVM performs a similar task like C4.5 except SVM doesn’t use decision trees at all. It is a supervised learning, since a dataset is used to first teach the SVM about the classes ALCUNI ESEMPI DI ALGORITMI 27
  29. 29. BIG DATA & DATA SCIENCE • Naive Bayes - it is not a single algorithm, but a family of classification algorithms that share one common assumption: every feature of the data being classified is independent of all other features given the class. This is supervised learning, since Naive Bayes is provided a labeled training dataset in order to construct the tables ALCUNI ESEMPI DI ALGORITMI 28
  30. 30. BIG DATA & DATA SCIENCE • PCA - Principal component analysis uses an orthogonal transformation to convert a set of observations of possibly correlated variables into a set of values of linearly uncorrelated variables called principal components. The number of principal components is less than or equal to the number of original variables. The first principal component has the largest possible variance, and each succeeding component in turn has the highest variance possible under the constraint that it is orthogonal to the preceding components. The resulting vectors are an uncorrelated orthogonal basis set. The principal components are orthogonal because they are the eigenvectors of the covariance matrix, which is symmetric. PCA is sensitive to the relative scaling of the original variables. This is unsupervised learning ALCUNI ESEMPI DI ALGORITMI 29
  31. 31. BIG DATA & DATA SCIENCE PROCESSO LOGICO DI USO DEGLI ALGORITMI 30 Ricezione Dataset Analisi esplorativa dei dati Pulizia dei dati Uso di Algoritmi per trovare variabili più predittive Costruzione modello logico • Random Forest • Decision Tree • SVM • … Testing & Tunion Sviluppo algoritmo ad-hoc di supporto al business
  32. 32. BIG DATA & DATA SCIENCE Perché diventare un Data Scientist? Chi è un Data Scientist? Come viene selezionato un Data Scientist? Cos’è un algoritmo? Un esempio di problema di Data Science Alcuni Tool di Data Science Dove aggiornarsi e formarsi? 31 AGENDA
  33. 33. BIG DATA & DATA SCIENCE DATA SCIENTIST: MAGICIAN OR SUPERHERO? 32 Può un Data Scientist predire i crimini a San Francisco? Può un Data Scientist aiutare la città ad esser più sicura?
  34. 34. BIG DATA & DATA SCIENCE From 1934 to 1963, San Francisco was infamous for housing some of the world's most notorious criminals on the inescapable island of Alcatraz. Today, the city is known more for its tech scene than its criminal past. But, with rising wealth inequality, housing shortages, and a proliferation of expensive digital toys riding BART to work, there is no scarcity of crime in the city by the bay. • It’s provided a dataset of 12 years of incidents from across all of San Francisco's neighborhoods, from 1/1/2003 to 13/05/2015. • Dataset has been divided in two parts: a training set, to be used for the model development, and a test set, useful to verify the predictive algorithm. THE SAN FRANCISCO CHALLENGE 33 Given time and location, you must predict the category of crime that can occur
  35. 35. BIG DATA & DATA SCIENCE 878.049INCIDENTS WITH 39 CATEGORIES OF CRIME TRAINING SET STRUCTURE 34 For every incident is provided: • Data and time • Category • Description • Day of week • Pd District • Resolution • Address • Latitude • Longitude
  36. 36. BIG DATA & DATA SCIENCE UN ESEMPIO DI DATA VISUALIZATION 35
  37. 37. BIG DATA & DATA SCIENCE Q1 – HOW TO ACT WITH THE DATASET? 36 • To manage Dataset are used CSV files, but also JSON. No xls! • 800.000 record is Big Data! • You can use only variables known when the model is applied Variable: Data and time, Day of week, Pd District, Address, Latitude, Longitude Variable not to be included: Description, Resolution Taget: Category
  38. 38. BIG DATA & DATA SCIENCE Manage Dataset in order to make all valid variable usable by a predictive model: • Generate an ID for every record • Verify the structure of every variable and search for data that need to be cleaned up (e.g. empty record, double space, ecc.) • Split “Date” (13/05/2015 23:53:00) into single variables (Month, Year, Hour) • Merge “Latitude” and “Longitude” to verify the presence of unique place Verify the distribution of every variable to find out the presence of “non-normal distribution” or other kind of problems to be fix STEP 1: DATA CLEANSING 37
  39. 39. BIG DATA & DATA SCIENCE STEP 2: LAUNCH THE FIRST EXPLORATIVE MODEL 38 You can use professional (and free) tools like Rapid Miner, Weka, Knime, ecc.
  40. 40. BIG DATA & DATA SCIENCE • Tool: IBM Watson • Algorithm: Decision Tree CHAID • Predictive Strength: 17% - less than 1/4 category crime is correctly predicted STEP 2: LAUNCH THE FIRST EXPLORATIVE MODEL 39 Top Predictors Decision Tree for Arson
  41. 41. BIG DATA & DATA SCIENCE Q1 – HOW TO ACT WITH THE DATASET? 40 • Data Weekend&HolidayDummy [using historical calendar holidays] • Time NightDummy, Cold/RainDummy, HotDummy, WorkingTimeDummy [using weather, sunborn/set, ecc. information] • Address StreetType [managing strings] • Other UnemploymentRateByMonth, VisitorsRateByMonth, PoupulationDensityByDistrict, HouseCostByDistrict, EducationLevelByDistrict [desk analysis] • Imagine how to transform Data variable • Imagine how to transform Time variable • Imagine how to transform Address variable • Imagine other external information to be included in the model • Try to select sources to import these information
  42. 42. BIG DATA & DATA SCIENCE STEP 3: LAUNCH THE FINAL EXPLORATIVE MODEL 41 Top Predictors • Tool: IBM Watson • Algorithm: Decision Tree CHAID • Predictive Strength: 32% - about 1/3 category crime is correctly predicted
  43. 43. BIG DATA & DATA SCIENCE Perché diventare un Data Scientist? Chi è un Data Scientist? Come viene selezionato un Data Scientist? Cos’è un algoritmo? Un esempio di problema di Data Science Alcuni Tool di Data Science Dove aggiornarsi e formarsi? 42 AGENDA
  44. 44. BIG DATA & DATA SCIENCE BIG DATA = TANTISSIME TECNOLOGIE 43
  45. 45. BIG DATA & DATA SCIENCE SCEGLIERE UN TOOL DI DATA SCIENCE 44 Linguaggi • R • Phyton Altri Tool • HP Vertica • Weka • Tableau • Neo4K COMPLETENESS OF VISION ABILITYTOEXECUTE CHALLENGERS NICHE PLAYER LEADERS VISIONARIES SAS IBM KNIME RapidMiner Microsoft Alteryx Predixion Software Alphine Data FICO Lavastorm Megaputer Prognoz Accenture Dell SAPAngoss MAGIC QUADRANT 2016 - GARTNER Pay Free LEGENDA
  46. 46. BIG DATA & DATA SCIENCE RAPID MINER: UN LABORATORIO VISUALE 45
  47. 47. BIG DATA & DATA SCIENCE IBM WATSON: UNO DEGLI STRUMENTI PIÙ FAMOSI A MENO DI 50€/MESE PER UTENTE 46
  48. 48. BIG DATA & DATA SCIENCE Perché diventare un Data Scientist? Chi è un Data Scientist? Come viene selezionato un Data Scientist? Cos’è un algoritmo? Un esempio di problema di Data Science Alcuni Tool di Data Science Dove aggiornarsi e formarsi? 47 AGENDA
  49. 49. BIG DATA & DATA SCIENCE MOOC 48
  50. 50. BIG DATA & DATA SCIENCE COME DIVENTARE UN DATA SCIENTIST PRIMI CONSIGLI PER STUDENTI E PERSONE ALLE PRIME ARMI Paolo Pellegrini, Senior Consultant giugno 2016

×