Datenwissenschaftler

Informatik- und Mathematikberufe · Berufliche Fähigkeiten & Kompetenzen · SOC 15-2051 · 51.962 Skills

Beruflicher Kontext

Diese O*NET-Aufgaben beschreiben den Beruf und geben Kontext für die SOC-Zuordnung. Sie bedeuten nicht, dass jeder aufgeführte Skill jede Aufgabe erfüllt.

Analyze, manipulate, or process large sets of data using statistical software.
Apply feature selection algorithms to models predicting outcomes of interest, such as sales, attrition, and healthcare use.
Apply sampling techniques to determine groups to be surveyed or use complete enumeration methods.

Die O*NET-Aufgaben werden in ihrer Ausgangssprache (Englisch) angezeigt. Die Aufgabendaten sind der O*NET® 29.1 Database der USDOL/ETA entnommen und werden gemäß CC BY 4.0 verwendet.

Repräsentative Quellen

Eine begrenzte Auswahl beliebter, diesem Beruf zugeordneter Skills, mit höchstens einem Skill je GitHub-Repository. Darunter folgt die vollständige Zuordnung.

Production machine-learning engineering workflow for data contracts, reproducible training, model evaluation, deployment, monitoring, and rollback. Use when building, reviewing, or hardening ML systems beyond one-off notebooks.

jupyter-notebook

NousResearch/hermes-agent

Iterative Python via live Jupyter kernel (hamelnb).

Alle zugeordneten Skills

Durchsuchen Sie die vollständige Zuordnung nach Repository-Beliebtheit oder jüngster Quellaktivität.

Namen und Beschreibungen der Skills bleiben in der vom Quell-Repository bereitgestellten Sprache.

Sortieren nach

Production machine-learning engineering workflow for data contracts, reproducible training, model evaluation, deployment, monitoring, and rollback. Use when building, reviewing, or hardening ML systems beyond one-off notebooks.

pytorch-patterns

日本語翻訳：このファイルは pytorch-patterns 用の日本語翻訳が必要です

pytorch-patterns

PyTorch深度学习模式与最佳实践，用于构建稳健、高效且可复现的训练流程、模型架构和数据加载。

Production machine-learning engineering workflow for data contracts, reproducible training, model evaluation, deployment, monitoring, and rollback. Use when building, reviewing, or hardening ML systems beyond one-off notebooks.

pytorch-patterns

PyTorch deep learning patterns and best practices for building robust, efficient, and reproducible training pipelines, model architectures, and data loading.

ml-adoption-playbook

End-to-end methodology for AI agents and software engineers to add machine learning algorithms to existing non-ML codebases. Covers problem framing, data readiness, architectural decoupling, and baseline model integration. Use when adding a machine learning capability to a codebase that has none, from problem framing through a baseline model.

Production machine-learning engineering workflow for data contracts, reproducible training, model evaluation, deployment, monitoring, and rollback. Use when building, reviewing, or hardening ML systems beyond one-off notebooks.

pytorch-patterns

PyTorch deep learning patterns and best practices for building robust, efficient, and reproducible training pipelines, model architectures, and data loading. Use when writing or reviewing PyTorch training loops, model architectures, or data loading, or when a run will not reproduce.

jupyter-notebook

NousResearch/hermes-agent

Iterative Python via live Jupyter kernel (hamelnb).

evaluating-llms-harness

NousResearch/hermes-agent

lm-eval-harness: benchmark LLMs (MMLU, GSM8K, etc.).

weights-and-biases

NousResearch/hermes-agent

W&B: log ML experiments, sweeps, model registry, dashboards.

NousResearch/hermes-agent

Train sparse autoencoders to interpret model features.