Mengapa Ilmuwan Data Dibutuhkan Di Mana Saja? – Menuju AI — Publikasi AI dan Teknologi Terkemuka di Dunia

Pengarang: Ibrahim Israfilov

Awalnya diterbitkan di Towards AI the World’s Leading AI and Technology News and Media Company. Jika Anda sedang membangun produk atau layanan terkait AI, kami mengundang Anda untuk mempertimbangkan untuk menjadi sponsor AI. Di Towards AI, kami membantu menskalakan AI dan startup teknologi. Biarkan kami membantu Anda melepaskan teknologi Anda kepada massa.

Karir

Saya telah lama bertanya pada diri sendiri, mengapa ilmu data adalah salah satu pekerjaan terpanas abad kita? Saya menemukan jawaban atas pertanyaan ini saat mendiskusikan regresi linier dengan Ph.D. peneliti Kimia yang sedang melakukan penelitian untuk mengembangkan bioplastik. Jadi jawabannya terletak pada skalabilitas alat dan teknik yang digunakan oleh ahli statistik. Dalam kasus kami, saya akan mengambil contoh regresi linier dan kekuatannya!!!

Saya akan merumuskan ulang judul artikel sebagai “Apa kesamaan Kimia dengan Keuangan?”. Jawabannya adalah data! Masing-masing sektor memiliki data untuk dipelajari dan data tersebut dipelajari melalui alat statistik.

Bagaimana ilmuwan kimia menggunakan data dan bagaimana analis keuangan melakukannya?

Bayangkan Anda ingin mengetahui suhu reaksi bahan dan ingin menghemat energi dengan memanaskan suhu lebih sedikit dan mendapatkan hasil yang sama. Anda memiliki pengamatan relatif Anda. Anda menjalankan perangkat lunak statistik Anda (Biasanya R) untuk memplot pengamatan dan menggambar OLS (Kuadrat Terkecil Biasa: Adalah garis yang meminimalkan kesalahan antara data pengamatan dan data perkiraan.). Anda menemukan regresi linier dan membuat model linier. Kemudian Anda menemukan nilai suhu terkecil yang dapat diterima untuk mendapatkan yang sama sehingga Anda dapat menggunakan lebih sedikit energi.

Contoh lain adalah menemukan variabel apa yang memicu ekses return di pasar saham dengan regresi.

Rumus untuk mencarinya adalah Ri=α+βrm+e
Ri- Kelebihan pengembalian keamanan
– kembali ketika pasar tidak bergejolak (Intercept)
– Apakah volatilitas pasar (Slope)
rm- variabel penjelas (Faktor yang paling mempengaruhi Ri)
e- pengembalian yang tidak dapat dijelaskan (Residual)

positif B

Contoh ini menunjukkan bagaimana pengamatan terstruktur dan apa arti variabel bagi analis keuangan.

Ini adalah contoh kode yang dihasilkan R di mana kita melihat model CAPM yang digunakan dalam Manajemen Portofolio. Kami memiliki intersep (alfa). Ini adalah saat pasar tidak terpengaruh oleh pergerakan apa pun dan ini semacam zona bebas risiko. Alpha positif menarik bagi investor dan sekuritas dengan alpha positif disebut underpriced.
Kami juga memiliki rmrf (premi risiko pasar = tingkat bebas risiko pengembalian pasar yang diharapkan) yang merupakan beta kami 0,66 yang merupakan kemiringan regresi kami.
Bagi seorang investor, ini berarti ketika variabel naik sebesar 1% kita akan mendapatkan pengembalian tambahan 0,66%, dan begitu juga ketika turun sebesar 1% kita akan mendapatkan pengembalian penurunan sebesar -0,66%.

Masalah beda tapi solusinya sama

Jadi pada akhirnya, meskipun masalahnya sama sekali berbeda di setiap bidang tetapi alat yang digunakan untuk solusinya adalah sama. Mungkin, itu sebabnya data scientist adalah pekerjaan paling seksi di abad ke-21.

Catatan: Saya tidak memiliki latar belakang kimia dan tidak dapat memeriksa kebenaran informasi tentang masalah kimia yang diberikan oleh Ph.d. Jika menurut Anda harus ada koreksi yang dilakukan, beri tahu saya di komentar.

Mengapa Ilmuwan Data Dibutuhkan Di Mana Saja? awalnya diterbitkan di Towards AI on Medium, di mana orang-orang melanjutkan percakapan dengan menyoroti dan menanggapi cerita ini.

Diterbitkan melalui Menuju AI