本文研究了作為資料科學家新手的5個常見錯誤。這是由我在塞巴斯蒂安·福卡德(Dr. Sébastien Foucaud)博士的幫助下一起完成的，他在指導和領導學術界與行業領域的年輕資料科學家方面擁有20多年的經驗。本文旨在幫助你更好地為今後的實際工作做準備。

1、Kaggle成才論

Source: kaggle.com on June 30 18.

你通過參加Kaggle比賽，練習了資料科學領域的各項技能。如果你能把決策樹和神經網路結合起來那就再好不過了。說實話，作為一個數據科學家，你不需要做那麼多的模型融合。請記住，通常情況下，你將花80%的時間進行資料預處理，剩下的20%的時間用於構建模型。

對大資料的概念都是模糊不清的，大資料是什麼，能做什麼，學的時候，該按照什麼線路去學習，學完往哪方面發展，想深入瞭解

想學習的同學歡迎加入大資料學習qq群：458345782，有大量乾貨（零基礎以及進階的經典實戰）分享給大家

並且有清華大學畢業的資深大資料講師給大家免費授課，給大家分享目前國內最完整的大資料高階實戰實用學習流程體系 。

作為Kaggle的一份子對你在很多方面都有幫助。所用到的資料一般都是徹底處理過的，因此你可以花更多的時間來調整模型。但在實際工作中，則很少會出現這種情況。一旦出現這種情況，你必須用不同的格式和命名規則來收集組裝不同來源的資料。

做資料預處理這項艱苦的工作以及練習相關的技能，你將會花費80%的時間。抓取影象或從API中收集影象，收集Genius上的歌詞，準備解決特定問題所需的資料，然後將其提供給膝上型電腦並執行機器學習生命週期的過程。精通資料預處理無疑會使你成為一名資料科學家，並對你的公司產生立竿見影的影響。

2、神經網路(Neural Networks)無所不能

在計算機視覺或自然語言處理的領域，深度學習模型優於其它機器學習模型，但它們也有很明顯的不足。

神經網路需要依賴大量的資料。如果樣本很少，那麼使用決策樹或邏輯迴歸模型的效果會更好。神經網路也是一個黑匣子，眾所周知，它們很難被解釋和說明。如果產品負責人或主管經理對模型的輸出產生了質疑，那麼你必須能夠對模型進行解釋。這對於傳統模型來說要容易得多。

正如詹姆斯·勒(James Le)在一個偉大的郵件中所闡述的那樣，有許多優秀的統計學習模型，自己可以學習一下，瞭解一些它們的優缺點，並根據用例的約束來進行模型的實際應用。除非你正在計算機視覺或自然語言識別的專業領域工作，否則最成功的模型很可能就是傳統的機器學習演算法。你很快就會發現，最簡單的模型，如邏輯迴歸，通常是最好的模型。

3、機器學習是產品

在過去的十年裡，機器學習既受到了極大的吹捧，也受到了很大的衝擊。大多數的初創公司都宣稱機器學習可以解決現實中遇到的任何問題。

來源：過去5年穀歌機器學習的趨勢

機器學習永遠都不應該是產品。它是一個強大的工具，用於生產滿足使用者需求的產品。機器學習可以用於讓使用者收到精準的商品推薦，也可以幫助使用者準確地識別影象中的物件，還可以幫助企業向用戶展示有價值的廣告。

作為一名資料科學家，你需要以客戶作為目標來制定專案計劃。只有這樣，才能充分地評估機器學習是否對你有幫助。

4、混淆因果和相關

有90%的資料大約是在過去的幾年中形成的。隨著大資料的出現，資料對機器學習從業者來說已經變得越來越重要。由於有非常多的資料需要評估，學習模型也更容易發現隨機的相關性。

上圖顯示的是美國小姐的年齡和被蒸汽、熱氣和發熱物體導致的命案總人數。考慮到這些資料，一個學習演算法會學習美國小姐的年齡影響特定物件命案數量的模式。然而，這兩個資料點實際上是不相關的，並且這兩個變數對其它的變數沒有任何的預測能力。

當發現數據中的關係模式時，就要應用你的領域知識。這可能是一種相關性還是因果關係呢?回答這些問題是要從資料中得出分析結果的關鍵點。

5、優化錯誤的指標

機器學習模型通常遵循敏捷的生命週期。首先，定義思想和關鍵指標。之後，要原型化一個結果。下一步，不斷進行迭代改進，直到得到讓你滿意的關鍵指標。

構建一個機器學習模型時，請記住一定要進行手動錯誤分析。雖然這個過程很繁瑣並且比較費時費力，但是它可以幫助你在接下來的迭代中有效地改進模型。參考下面的文章，可以從Andrew Ng的Deep Learning Specialization一文中獲得更多關於改進模型的技巧。

注意以下幾個關鍵點:

實踐資料處理

研究不同模型的優缺點

儘可能簡化模型

根據因果關係和相關性檢查你的結論

優化最有希望的指標

對大資料的概念都是模糊不清的，大資料是什麼，能做什麼，學的時候，該按照什麼線路去學習，學完往哪方面發展，想深入瞭解

想學習的同學歡迎加入大資料學習qq群：458345782，有大量乾貨（零基礎以及進階的經典實戰）分享給大家

並且有清華大學畢業的資深大資料講師給大家免費授課，給大家分享目前國內最完整的大資料高階實戰實用學習流程體系 。