We're sunsetting PodQuest on 2025-07-28. Thank you for your support!
Export Podcast Subscriptions
Data Science masterclass with Shifra Isaacs
2025/5/28
FP&A Today
S
Shifra Isaacs
Shifra Isaacs: 我很高兴能回到我的金融本源，因为我的职业生涯实际上是从金融开始的。借助生成式AI，我们将不再有借口不成为数据科学家。理解借贷和交易的另一面，有助于数据科学家或分析师与财务利益相关者沟通。数据科学家就像律师，需要为自己的项目辩护并说明其重要性。财务建模和预测实际上是简化版的数据科学，量化分析是数据科学和金融领域中薪酬最高的工作之一。商业分析侧重于描述性分析，而数据科学更侧重于预测性分析。数据科学家需要清理数据，使其对算法具有可读性。维护是数据科学周期中最难的部分，需要设置自动化警报。Excel不适合软件工程工作流程，而软件工程强调持续集成和部署。Python for Excel 只是一个过渡状态，最终Copilot会完全集成Python。普遍的数学表达具有重要的哲学意义，因为我们有不同语言之间的翻译模型。机器学习的三种基本类型是回归、聚类和分类，学习机器学习的最佳方法是考虑你想要解决的问题类型。回归用于预测，如时间序列分析和成本预测，分类用于风险建模，如信用风险评分和抵押贷款预测。聚类可能对差异分析有用，例如客户流失预测和电子商务中的队列分析。机器学习擅长识别我们可能看不到的模式和相关性，聚类非常强大，因为它非常自主，你并没有真正告诉它该怎么想。利益相关者管理可以保护技术工作免受人工智能的自动化影响，重要的是了解模型的理论，并能够阅读输出结果。如果你不能解释或理解模型的正确和错误之处，那么使用该模型是很危险的。你需要以诚信的态度处理这些类型的问题，并知道这种分析是完全不可行的。数据科学家使用Python的方式就像高中生使用计算器一样，编程只是一种工具，重点是学习如何在SQL和Python中完成基本的Excel工作流程。尝试使用Google CoLab中的数据科学代理，这是一个适合初学者的工具。推荐多模式学习，即在熟悉的媒介和新的媒介中做同样的事情。工程中有一个伪代码的概念，即写下流程的所有步骤，然后将其映射到Python。首先应该做的是用一种新的媒介来做你已经在做的事情，GenAI应该一路回答问题，一旦你更舒服了，你想做一个新的项目。你需要能够检查你的工作，因为人工智能的问题是人们无法判断输出是否正确。数据科学家几乎从不遵循科学过程或进行严格的统计建模，人们应该具备基本的统计素养和人工智能素养。人工智能不是一个巨大的黑匣子，而是一种数学计算，数据分析师和数据科学家是你的决策支持。统计素养、人工智能素养和领域素养是最重要的，我最喜欢的Excel函数是SUMPRODUCT，因为它节省了大量的思考和步骤。
Deep Dive
Shifra clarifies the often-blurred lines between data science and business analytics, highlighting the core distinction: data science focuses on prediction, while business analytics emphasizes description and narrative.
- Data science is predictive, focusing on building models and predicting relationships.
- Business analytics is descriptive, explaining trends and crafting narratives using data.
Shownotes Transcript