【實(shí)踐】 如何成為一位數(shù)據(jù)科學(xué)家？

數(shù)據(jù)分析

我建議應(yīng)該先自學(xué)基本的概率、統(tǒng)計(jì)，以及線性代數(shù)。你不需要學(xué)一個(gè)學(xué)期那么長的課，這些基礎(chǔ)知識(shí)就會(huì)讓你有很大收獲。有很多在線資源，比如Kahn academy視頻。（我在56.com和Kahn academy找了一下有很多英文的，也有一些中文的。）也有一些比較容易起步的書，我比較熟悉有美國英文版的“teach yourself”（自學(xué)）系列, “statistics for dummies”（傻瓜統(tǒng)計(jì)）, “probability refresher”（概率補(bǔ)習(xí)），“statistics demystified”（統(tǒng)計(jì)解惑）等等。

我其實(shí)認(rèn)為這里面其實(shí)很有商機(jī)。Kahn academy視頻(https://www./)很不錯(cuò)，因?yàn)樗鼈兌己芏?，但遺憾的是這些視頻都是英文的。我看見的中文線性代數(shù)視頻都很長。如果你能做出像Kahn academy那樣的中文視頻，我覺得是會(huì)非常受歡迎的。

我會(huì)讀Witten 和 Frank所著的《數(shù)據(jù)挖掘：實(shí)用機(jī)器學(xué)習(xí)工具與技術(shù)》，這里面涉及的數(shù)學(xué)很少，但是又對(duì)普通算法做了很好的介紹。我覺得緊接著就該讀Tan, Steinbach, 以及Kumar的《數(shù)據(jù)挖掘?qū)д摗贰?/span>

當(dāng)然，這些書都很厚，如果你想馬上就搞明白一些東西，估計(jì)就不想讀這些大部頭了。如果要把某個(gè)算法弄明白，我會(huì)在網(wǎng)上找很多教程。比如Adboost算法，我認(rèn)為多讀一些不同的教程比只讀一個(gè)，深入鉆研要好很多。

最后我覺得應(yīng)該多動(dòng)手玩玩實(shí)例。問問你自己：如果我改變這個(gè)數(shù)據(jù)，結(jié)果會(huì)是怎么樣的呢？

我完全同意，我的大部分時(shí)間都是用來做數(shù)據(jù)預(yù)處理。我會(huì)在未來加入數(shù)據(jù)預(yù)處理的內(nèi)容。我不知道這里面會(huì)不會(huì)有什么神奇的捷徑，有時(shí)候我面對(duì)的就是一堆苦活兒。我還要說：你一定要把能自動(dòng)化的都自動(dòng)化，這樣就會(huì)節(jié)省很多你未來的工作量。

對(duì)于有些人來說“算法”才是機(jī)器學(xué)習(xí)真正有趣的地方，但是機(jī)器學(xué)習(xí)里面總有一些苦活累活不那么有意思，比如數(shù)據(jù)預(yù)處理。你是怎么完成這些“不那么有趣”的工作的？

當(dāng)然，肯定有無聊的工作，所以你一定要把這部分工作自動(dòng)化，這樣你就不需要重復(fù)做這些無聊的工作了。這樣做也會(huì)讓你變成一個(gè)更好的軟件開發(fā)者。

我現(xiàn)在能想到最好的就是Scikit-learn (http:///stable/) 了。這是用Python寫的項(xiàng)目，用到了Scipy 和 Numpy。

我認(rèn)為數(shù)據(jù)科學(xué)家現(xiàn)在確實(shí)很好找工作。什么是數(shù)據(jù)科學(xué)家呢？我認(rèn)為數(shù)據(jù)科學(xué)家是介于統(tǒng)計(jì)學(xué)家和軟件工程師中間的一種工作。公司、個(gè)人、NPO，甚至運(yùn)動(dòng)隊(duì)都需要根據(jù)數(shù)據(jù)來做決策。他們需要可以分析數(shù)據(jù)的人。這需要我之前提過的兩種條件。人們不需要單純的統(tǒng)計(jì)學(xué)家，這些人可能對(duì)于爭論自己到底用不用貝葉斯定理更感興趣，人們需要的是真正能做實(shí)事的人。

所以我也建議大家多動(dòng)手做一些東西。這是什么意思呢？創(chuàng)造一些項(xiàng)目，收集數(shù)據(jù)，預(yù)處理數(shù)據(jù)，然后做一些數(shù)據(jù)分析，展示數(shù)據(jù)，最后向公眾展示這些數(shù)據(jù)。如果你做了很多這樣的事情，那么你就有一個(gè)可以用來向你未來老板或者其他人展示的檔案夾。幾乎我書里的每個(gè)例子都可以用來做成一個(gè)網(wǎng)站或者智能電話app，這些都是你可以示人的資本。

人工智能的發(fā)展到了瓶頸期，而機(jī)器學(xué)習(xí)似乎是可以打破這個(gè)僵局的領(lǐng)域。你認(rèn)為是什么原因造成了機(jī)器學(xué)習(xí)這樣的發(fā)展步伐？

相比于物理學(xué)或者電氣工程這樣的學(xué)科，人工智能可能是很年輕的。一個(gè)年輕的學(xué)科中的很多課題和原則都是被不斷發(fā)現(xiàn)和精煉的。很多時(shí)候，研究項(xiàng)目被當(dāng)做事實(shí)一樣擺出來，我認(rèn)為這就是“人工智能承諾得太多，實(shí)現(xiàn)得太少”的真正原因。

我覺得這里面一個(gè)很好的例子就是很多學(xué)者想要用神經(jīng)網(wǎng)絡(luò)再造哺乳動(dòng)物大腦。這讓我想起來早些時(shí)候人們?cè)噲D通過造出外形很像鳥翅膀的翼來制造飛機(jī)，其結(jié)果只能是飛起來把自己的骨頭砸碎了。我不是要批判任何在做神經(jīng)網(wǎng)絡(luò)方面工作的人：這就是個(gè)試驗(yàn)，有一些有用的應(yīng)用，但是這些解決不了我們的問題也沒法造出有感知的機(jī)器。問題是這些試驗(yàn)被當(dāng)做了事實(shí)放在教科書里、電影里，以及新聞里，但它們還僅僅是試驗(yàn)。

回到那個(gè)飛機(jī)的例子。當(dāng)人類第一次知道動(dòng)力飛行時(shí)，他們是因?yàn)橐鉀Q一個(gè)小任務(wù)而做出來的，而不是要建造什么機(jī)器鳥。我覺得同樣的方法也促成了人工智能上的一些成功。2010-2011年的大突破：IBM的Watson計(jì)算機(jī)、Google的自動(dòng)駕駛汽車，以及iPhone的Siri語音識(shí)別，甚至還有一個(gè)公司成功地用人工智能寫出了新聞報(bào)道。這些都不是試驗(yàn)，這些都是生產(chǎn)線上的商品，被無數(shù)的人所使用。人工智能純化論者會(huì)認(rèn)為這些只是被用來完成明確任務(wù)的工具，而不是智能機(jī)器。

回到我們的問題，我認(rèn)為機(jī)器學(xué)習(xí)是很實(shí)用的工具，可以用來解決很具體的問題，但是人工智能是一個(gè)高高在上的目標(biāo)，很難達(dá)到。這也就是人工智總讓人感到失望，而機(jī)器學(xué)習(xí)總會(huì)為我們帶來驚喜的原因。

不，我不認(rèn)為深度學(xué)習(xí)會(huì)取代人工特性+機(jī)器學(xué)習(xí)。有很多領(lǐng)域，深度學(xué)習(xí)確實(shí)很擅長，比如識(shí)別圖片。但是仍然有很多領(lǐng)域現(xiàn)存算法的表現(xiàn)更勝一籌。

我不知道，也許你可以基于學(xué)術(shù)或者技術(shù)會(huì)議的論文提交來創(chuàng)造一個(gè)預(yù)測(cè)模型來告訴我下一個(gè)與研究熱點(diǎn)。

這點(diǎn)說得很對(duì)。我知道大的零售商會(huì)有一整個(gè)團(tuán)隊(duì)來做銷售的預(yù)測(cè)。如果他們真能準(zhǔn)確預(yù)測(cè)銷量，那他們就會(huì)省下一大筆錢。如果要預(yù)測(cè)一家公司的收入，我會(huì)首先用回歸+邏輯回歸。邏輯回歸讓我們可以隨時(shí)打開或關(guān)閉操作，這對(duì)于相關(guān)事情發(fā)生以及金錢入賬這樣的事來說都是一個(gè)很好的模型。

作者：CSDN博客

轉(zhuǎn)自：數(shù)據(jù)挖掘dw 微博