数据科学概述

一、挑战

（一）工程实现

1. 特征提取：对于原始数据进行处理：数据清洗、数据整合、变量归一化等，转换成能被模型使用的特征；
2. 矩阵运算：使用算法来估算算法的模型参数；模型越复杂，需要估计的参数越多，在数学上对应着矩阵运算；
3. 分布式机器学习：将原本在一台机器上运行的模型，改写成能在多台机器上并行运行；

（二）模型搭建

1. 预测效果好：一个模型的预测效果取决于其假设是否被满足。模型假设就像模型的阿喀琉斯之踵。在实际生产中，假设几乎不可能完全满足，此时需要特征提取，避免那些对结果影响很大的假设。

2. 模型参数的稳定性：我们需要根据模型参数，分析变量和结果之间的关系。但是，模型参数都是估计得出的，也就是不太可靠，但是我们可以尽可能控制波动，使不可靠性控制在可接受范围内。

3. 模型结果的可解释性：也就是将模型结果运用到实际生产中。生产者不需要知道模型内部的数学原理，使用这个模型就能得到具有直观且良好的解释性的结果。将复杂深奥的模型翻译成最简单的语言。

（三）模型搭建思路

1. 数据模型：传统统计模型；
2. 算法模型：机器学习。

二、机器学习

（一）机器学习 v.s. 传统编程

研究：成年人身高(x)和体重(y)之间的关系

• 传统编程：使用网上查阅的公式：y=0.9x-90，编写代码即可；

• 机器学习：使用线性回归模型：y=ax+b，使用大量数据，估计a,b的取值；最后获得：y=0.8x-100；

也就是说：传统编程是人类自己经验的积累，然后将这些经验转换成规则/公式；机器学习则不需要提前掌握这些规则，只需要制定学习步骤（模型类型）、输入数据，计算机就能根据给定的条件自己总结经验。

（二）监督式和非监督式学习

1. 监督式学习

定义：训练数据中有标注，也就是带着正确答案训练。每次训练的目的就是不断逼近正确结果。

按照标注的类型，分为：

• 分类：标注的类型是离散的。比如区分猫狗这种动物图片识别的问题；

• 回归：标注的类型是连续的。比如上面根据身高预测体重这种问题。

2. 非监督式学习

定义：训练数据没有标注，只输入自变量x。根据用途，分成聚类和降维

• 聚类：把“距离”相近的点归于一类。这里可以拓宽为有相似特点的归于一类；

• 降维：把高维空间的数据映射到低维空间。