IDC发布中国未来连接十大预测

"我永远都不会变得像他们一样，"你想，敬畏。"他们是如何学会做到的?"

我要告诉你一件事-他们当然不是天生的会编码，他们也不比你聪明。

在本文中，我将分解您为克服编程恐惧而可以采取的步骤。

如果您热衷于进入需要编程知识的领域(例如数据科学或软件开发)，那么克服这种恐惧对于您而言确实很重要。最重要的是，编码焦虑会阻碍您前进多年。然而，很少有人谈论这件事。

背景-我的经验
 

在上学的时候，在浏览网页时，我一直想设计自己的网站。我敢肯定，每个人都会有同样的想法-一个自己的网站或一个展示他们的工作，技能和成就的个人档案，或者一个创业/商业网站。

Web开发是最需要的技能，并且随着数字世界的快速增长，对Web开发人员的需求也在增加。
 

对Deepfake的无节制使用会破坏公众对报纸和电视的信任。数据来源必须明确，我们需要找到一种方法来确定什么可以被信任。

2. 我们都可以做数据科学吗?

2020年为我们带来了数据科学应用程序的许多发展，它使用了最近几年(某种)可用的技术，但现在使用了更多的计算能力。两个例子：

• OpenAI的生成式预训练变压器3(GPT-3)。它使用预先训练的算法生成文本。具体来说，他们已经获取了通过爬网收集的文本信息以及OpenAI选择的其他文本，包括Wikipedia的文本。您可以在此处检查一些出色的应用程序(例如，图灵测试)。
• Deepmind的AlphaFold。该团队解决了蛋白质折叠的巨大挑战，这一挑战使科学界困惑了50年。

几年前，我们可以看到数据科学的发展来自单身人士或小型创业公司。如今，由于我们处于一个阶段，我们需要大量的计算资源来训练某些模型，因此这变得更加困难。例如，Deepmind提到Alphafold，

…使用大约16个TPUv3(即128个TPUv3内核或大约相当于100-200个GPU)运行了几周…

关于OpenAI的GPT-3，

使用Tesla V100云实例训练GPT-3的成本将超过460万美元。

这是否意味着Data Science / AI的民主程度降低了?群众仍然可以使用吗?

一种解决方案是对需要较少数据才能取得良好结果的模型的开发进行更深入的研究。我们一直专注于模型的准确性/ ROC / RMSE / etc。在最近几年中，并没有太多地影响它们的效率。资源不是无限的，特别是对于业余数据科学家来说，他们也希望在不依赖大型基础架构的情况下对应用程序有所了解(=高成本，=第三方)。

另一个解决方案可以是所有人都可以使用的开源预训练模型。但是，如果所有者不完全清楚如何创建模型以及使用哪些数据，则可能属于上述问题(数据来源)。尽管如此，只要公众具有适当的透明度和开放性，他们可以参与创建这些经过预先训练的模型，我们也许可以达成共识。

2021年快乐!

（编辑：南通站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!