网络网站关键词,设计师招聘网,网站建设模板的,个人简历一键生成你准备好要成为一名数据科学家#xff0c;积极的参加Kaggle比赛和Coursera的讲座。虽然这一切都准备好了#xff0c;但是一名数据科学家的实际工作与你所期望的却是大相径庭的。 本文研究了作为数据科学家新手的5个常见错误。这是由我在塞巴斯蒂安福卡德#xff08;Dr. Sbas…你准备好要成为一名数据科学家积极的参加Kaggle比赛和Coursera的讲座。虽然这一切都准备好了但是一名数据科学家的实际工作与你所期望的却是大相径庭的。 本文研究了作为数据科学家新手的5个常见错误。这是由我在塞巴斯蒂安·福卡德Dr. Sébastien Foucaud博士的帮助下一起完成的他在指导和领导学术界与行业领域的年轻数据科学家方面拥有20多年的经验。本文旨在帮助你更好地为今后的实际工作做准备。 1、Kaggle成才论 你通过参加Kaggle比赛练习了数据科学领域的各项技能。如果你能把决策树和神经网络结合起来那就再好不过了。说实话作为一个数据科学家你不需要做那么多的模型融合。请记住通常情况下你将花80%的时间进行数据预处理剩下的20%的时间用于构建模型。 作为Kaggle的一份子对你在很多方面都有帮助。所用到的数据一般都是彻底处理过的因此你可以花更多的时间来调整模型。但在实际工作中则很少会出现这种情况。一旦出现这种情况你必须用不同的格式和命名规则来收集组装不同来源的数据。
做数据预处理这项艰苦的工作以及练习相关的技能你将会花费80%的时间。抓取图像或从API中收集图像收集Genius上的歌词准备解决特定问题所需的数据然后将其提供给笔记本电脑并执行机器学习生命周期的过程。精通数据预处理无疑会使你成为一名数据科学家并对你的公司产生立竿见影的影响。
2、神经网络Neural Networks无所不能
在计算机视觉或自然语言处理的领域深度学习模型优于其它机器学习模型但它们也有很明显的不足。 神经网络需要依赖大量的数据。如果样本很少那么使用决策树或逻辑回归模型的效果会更好。神经网络也是一个黑匣子众所周知它们很难被解释和说明。如果产品负责人或主管经理对模型的输出产生了质疑那么你必须能够对模型进行解释。这对于传统模型来说要容易得多。 正如詹姆斯·勒James Le在一个伟大的邮件中所阐述的那样有许多优秀的统计学习模型自己可以学习一下了解一些它们的优缺点并根据用例的约束来进行模型的实际应用。除非你正在计算机视觉或自然语言识别的专业领域工作否则最成功的模型很可能就是传统的机器学习算法。你很快就会发现最简单的模型如逻辑回归通常是最好的模型。 3、机器学习是产品
在过去的十年里机器学习既受到了极大的吹捧也受到了很大的冲击。大多数的初创公司都宣称机器学习可以解决现实中遇到的任何问题。 机器学习永远都不应该是产品。它是一个强大的工具用于生产满足用户需求的产品。机器学习可以用于让用户收到精准的商品推荐也可以帮助用户准确地识别图像中的对象还可以帮助企业向用户展示有价值的广告。
作为一名数据科学家你需要以客户作为目标来制定项目计划。只有这样才能充分地评估机器学习是否对你有帮助。
4、混淆因果和相关
有90%的数据大约是在过去的几年中形成的。随着大数据的出现数据对机器学习从业者来说已经变得越来越重要。由于有非常多的数据需要评估学习模型也更容易发现随机的相关性。 上图显示的是美国小姐的年龄和被蒸汽、热气和发热物体导致的命案总人数。考虑到这些数据一个学习算法会学习美国小姐的年龄影响特定对象命案数量的模式。然而这两个数据点实际上是不相关的并且这两个变量对其它的变量没有任何的预测能力。
当发现数据中的关系模式时就要应用你的领域知识。这可能是一种相关性还是因果关系呢回答这些问题是要从数据中得出分析结果的关键点。
5、优化错误的指标
机器学习模型通常遵循敏捷的生命周期。首先定义思想和关键指标。之后要原型化一个结果。下一步不断进行迭代改进直到得到让你满意的关键指标。 构建一个机器学习模型时请记住一定要进行手动错误分析。虽然这个过程很繁琐并且比较费时费力但是它可以帮助你在接下来的迭代中有效地改进模型。参考下面的文章可以从Andrew Ng的Deep Learning Specialization一文中获得更多关于改进模型的技巧。
注意以下几个关键点:
•实践数据处理
•研究不同模型的优缺点
•尽可能简化模型
•根据因果关系和相关性检查你的结论
•优化最有希望的指标 原文链接 本文为云栖社区原创内容未经允许不得转载。
