先进的加密算法RSA你知道吗？

数据科学和机器学习就像是图中所示的矩形和正方形。机器学习是数据科学的一部分，但数据科学并不一定是机器学习，就像正方形是一种矩形，但矩形不一定是正方形一样。事实上，机器学习建模仅占数据科学家工作的5-10%，其余大部分时间基本投入在其他地方。

如果一开始便投身于机器学习，你将付出大量的时间和精力，却收获甚微。

2.若想全面理解机器学习，首先需要掌握其他几门学科的基础知识。

机器学习的核心是建立在统计、数学和概率的基础上。在学习机器学习之前，必须先掌握基本理论知识，夯实理论基础。例如：

• 线性回归是大部分训练营教授的第一个“机器学习算法”，但它实际上是统计方法。
• 进行主成分分析的前提是，学习矩阵和特征向量(线性代数)理念。
• 朴素贝叶斯是完全基于贝叶斯定理(概率)的机器学习模型。

因此，将上述内容归结为两点：一是学习基础知识会使学习更高级的内容变得更加轻松容易;二是通过学习基础知识，可掌握多个机器学习概念。

3. 机器学习并不能解决一切。

许多数据科学家都纠结于此，甚至包括我自己。和我最初的想法一致，大部分数据科学家认为“数据科学”和“机器学习”相辅相成，不可分割。因此，每每遇到问题，数据科学家都首先考虑以机器学习模型作为解决方案。但并非解决所有数据科学问题都需要机器学习模型。

在某些情况下，采用Excel或Pandas进行简单的分析就足以解决当前问题。

在其他情况下，某个问题或许与机器学习完全无关。可能仅需要使用脚本清理和操纵数据、构建数据管道或创建交互式仪表板即可解决，这些问题都无需机器学习。

你应该如何做?

正如上文所述，学习基础知识会让学习更高级的内容变得更加轻松容易，并掌握多个机器学习概念。我知道，如果你正在学习统计学、数学或编程基础知识，你可能会感觉自己在成为一名“数据科学家”的道路上，并未取得进步，但学习这些基础知识定会对你未来的学习大有裨益。

若想从现在开始一些切实具体的行动，可以参考以下步骤：

• 从统计入手。在数学、统计学和编程基础这三个组成部分中，个人认为统计是最重要的一环。如果你害怕学习统计，那么数据科学可能并不适合你。推荐观看佐治亚理工学院的课程《统计方法》(Statistical Methods)，或者可汗学院的视频系列(Khan Academy’s videoseries)。
• 学习Python和SQL。我个人工作中从未使用过R语言，所以对R没有太多意见。如果你是一个R型人才，推荐尝试Python和SQL。使用Python和SQL的能力越强，在数据收集、操纵和实现方面就会越容易。

除此之外，熟悉Pandas、NumPy和Scijit-learn等Python库也是一个不错的选择。而由于二叉树是许多高级机器学习算法(如XGBoost)的基础，所以也推荐大家学习。

• 学习线性代数基础。处理任何与矩阵相关的事情时，线性代数就变得极其重要。这一点在推荐系统和深度学习应用中十分常见。
• 学习数据操纵。数据操纵至少占数据科学家工作的50%。更具体地说，学习更多关于特征工程、探索性数据分析和数据准备的知识。

我的总体建议是，由于机器学习一没有充分利用时间，二无助于你成为工作中卓有成就的数据科学家，因此，以机器学习为学习重点并不可取。不过要注意的是，这是一篇个人观点十分强烈的文章，所以，取你所想，取你所益。

（编辑：鞍山站长网）

【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!