Examples of using Data scientists in English and their translations into Marathi
{-}
-
Ecclesiastic
-
Computer
Data scientists are generally excited;
The GOP needs better data scientists.
विज्ञान क्षेत्राला चांगल्या वैज्ञानिकांची गरज आहे.Data scientists are generally excited;
डेटा शास्त्रज्ञ सामान्यतः उत्साहित असतात;This second group resists an easy name, but I will call them data scientists.
या दुसरा गट सोपा नाव विरोध करतो, पण मी त्यांना डेटा शास्त्रज्ञ कॉल करेल.From data scientists, I have seen two common misunderstandings.
डेटा शास्त्रज्ञांची, मी दोन सामान्य गैरसमज पाहिले.This second group resists an easy name, but I will call them data scientists.
हा दुसरा गट एक सोपा नाव प्रतिकार करतो, परंतु मी त्यांना डेटा वैज्ञानिक म्हणतो.Many data scientists see a cool new machine learning problem.
अनेक डेटा शास्त्रज्ञ थंड नवीन मशीन लर्निंग समस्या पाहा.Thus, social researchwill be shaped by both social scientists and data scientists.
त्यामुळे सामाजिक संशोधन सामाजिक Many data scientists see a cool new machine learning problem.
बर्याच डेटा शास्त्रज्ञांना एक थंड नवीन मशीन शिकण्याची समस्या आहे.Thus, social researchwill be shaped by both social scientists and data scientists.
याप्रमाणे, सामाजिक संशोधन दोन्ही सामाजिक शास्त्रज्ञ आणि डेटा शास्त्रज्ञांद्वारे आकार घेतील.In my experience, social scientists and data scientists approach to this repurposing very differently.
अनुभव, सामाजिक Algorithmic confounding is relatively unknown to social scientists, but it is a major concern among careful data scientists.
अल्गोरिथमसंबंधी confounding सामाजिक In my experience, social scientists and data scientists tend to approach repurposing very differently.
अनुभवाप्रमाणे, सामाजिक Data scientists, on the other hand, have little systematic experience with research ethics because it is not commonly discussed in computer science and engineering.
दुसरीकडे, डेटा शास्त्रज्ञ, संशोधन नैतिकतेसह थोडे पद्धतशीर अनुभव देतात कारण सामान्यतः संगणक विज्ञान आणि अभियांत्रिकीमध्ये याविषयी चर्चा केली जात नाही.The second main solution is to do what data scientists call user-attribute inference and what social scientists call imputation.
दुसरा मुख्य उपाय डेटा शास्त्रज्ञ वापरकर्ता- गुणधर्म तर्क कोणत्या सामाजिक Optimistic: The two communities that this book engages- social scientists and data scientists- have very different styles.
आशावादी: हे पुस्तक दोन समुदायांमध्ये की गुंतलेला- सामाजिक On the other hand, data scientists are quick to point out the benefits of repurposeddata while ignoring its weaknesses.
दुसरीकडे, डेटा शास्त्रज्ञ__ वर्गावर दुर्लक्ष करताना repurposed It has been my experience that many social scientists and data scientists view these ethical issues as a swamp to be avoided.
अनेक सामाजिक On the other hand, data scientists are typically quick to point out the benefits of repurposed data while ignoring its weaknesses.
दुसरीकडे, डेटा शास्त्रज्ञ सामान्यत: द्रुतगतीने पुनर्जीवित डेटाचे फायदे दर्शवितात आणि__ कमकुवतपणाकडे दुर्लक्ष करतात.It is for social scientists that want to do more data science,and it is for data scientists that want to do more social science.
तो अधिक But, as I will show indetail in Chapter 6(Ethics) this approach seriously limited in ways that are not widely appreciated by both social scientists and data scientists.
पण, मी Chapter 6( एथिक्स)गंभीरपणे मोठ्या प्रमाणावर सामाजिक The second main solution is to do what data scientists call user-attribute inference and social scientists call imputation.
दुसरे मुख्य उपाय हे आहे की डेटा शास्त्रज्ञ जे उपयोजक- गुणधर्माचा अनुमान लावतात आणि सामाजिक Thus, rather than manually reading and labeling 11 million posts(which would be logistically impossible),they manually labeled a small number of posts and then used what data scientists would call supervised learning to estimate the categories of all the posts.
अशा प्रकारे, स्वतः वाचन आणि लेबलिंग 11 दशलक्ष पोस्ट( logistically अशक्य होईल जे) ऐवजी,ते स्वतः पोस्ट एक लहान संख्या लेबल आणि नंतर शास्त्रज्ञ पदे श्रेणी अंदाज पर्यवेक्षण शिक्षण कॉल होईल काय डेटा वापरला नाही.This contrast also captures a difference between data scientists, who tend to work with Readymades, and social scientists, who tend to work with Custommades.
या तीव्रता डाटा शास्त्रज्ञ, Readymades कार्य कल, आणि सामाजिक Optimistic: The two communities that this book engages- social scientists and data scientists- have very different backgrounds and interests.
आशावादी: हे पुस्तक जे सामाजिक- वैज्ञानिक आणि डेटा शास्त्रज्ञांकडे गुंतलेले आहेत अशा दोन समुदायांमध्ये भिन्न भिन्न पार्श्वभूमी आणि स्वारस्ये आहेत.Forbes CryptoMarkets team of data scientists and programmers are leveraging a wide range of quantitative data sources, including cryptocurrency exchanges and blockchain data sources, to clarify and present a comprehensive, real-time view of the cryptocurrency and blockchain ecosystem.
फोर्ब्स' मासिकाने CryptoMarkets डेटा शास्त्रज्ञ आणि प्रोग्रामर संघ संख्यात्मक One barrier to creating theseshared standards is that social scientists and data scientists tend to have different approaches to research ethics.
हे सामायिक केलेले मानक तयारकरण्यासाठी एक अडथळा असे आहे की सामाजिक This book is for socialscientists who want to do more data science, data scientists who want to do more social science, and anyone interested in the hybrid of these two fields.
हे पुस्तक सामाजिक शास्त्रज्ञांसाठी आहे जे अधिक Imagine that you are working as a data scientist at a tech company.
कल्पना करा की आपण एका टेक कंपनीत डेटा वैज्ञानिक म्हणून काम करीत आहात.This question wasinspired by a similar project by Justin Tenuto, a data scientist at the crowdsourcing company CrowdFlower, see“Time Magazine Really Likes Dudes”.
हा प्रश्न जस्टीनTenuto, संख्या वाढवण्यासाठी कंपनी येथे डेटा वैज्ञानिक एक समान प्रकल्प प्रेरणा होती CrowdFlower पाहू," वेळ नियतकालिक खरोखर dudes पसंती".
