2
雷鋒網(wǎng) AI 科技評論按：「數(shù)據(jù)科學(xué)家」可謂是近幾年的一大熱門職位，很多學(xué)習(xí)了數(shù)學(xué)、信息、計算機相關(guān)專業(yè)的同學(xué)都對它表示躍躍欲試。Admond Lee 學(xué)習(xí)了物理專業(yè)，曾參加瑞典歐洲核子研究中心（CERN）的物理夏令營，而今他也走上了數(shù)據(jù)科學(xué)家的道路。近期他撰文回憶了自己的數(shù)據(jù)科學(xué)家實習(xí)經(jīng)歷，雷鋒網(wǎng) AI 科技評論編譯如下。
Admond Lee：
在寫本文時，正是我在 Quantum Invention 做數(shù)據(jù)科學(xué)家實習(xí)生的倒數(shù)第二天。此刻，我坐在筆記本電腦屏幕前，再回想起過去幾個月的學(xué)習(xí)歷程，非常艱辛但充滿成就感。
旅程總有終點，但問題長存
––––你學(xué)到了什么？這就是你想要的嗎？
作為一個搞物理的人，請原諒我總是問正確的問題，以適當(dāng)?shù)幕卮饋韺で笳胬怼?/p>
事實上，作為一個數(shù)據(jù)科學(xué)家，提出正確的問題毫無疑問是重要的（后面將會解釋…）
給你們大致介紹下，這篇文章主要分為三個部分（實習(xí)前、實習(xí)期間和實習(xí)后）來講述我的實習(xí)旅程的經(jīng)歷。根據(jù)你的目前的學(xué)習(xí)階段可跳轉(zhuǎn)到任意部分。讓旅程開始吧！
謝謝您！當(dāng)我在 Medium 上發(fā)表的第一篇文章時，我情緒高漲。因為其受到了非常多人的大力支持，甚至因其特色而發(fā)表在了 towardsdatascience.com 。這真的成為我繼續(xù)與更多的人分享我的學(xué)習(xí)經(jīng)驗的動力，僅僅是因為學(xué)習(xí)樂趣，幫助他人變得更好！
我仍然清楚地記得，在 2017 年 11 月我的期末考試結(jié)束后，我開始閱讀課本，《統(tǒng)計機器學(xué)習(xí)入門—R語言的應(yīng)用》。這是我在基本和統(tǒng)計層面上第一次接觸到機器學(xué)習(xí)。
一旦我掌握了這些概念，我就開始學(xué)習(xí)一門流行的課程，那就是吳恩達(dá)在慕課上教的《機器學(xué)習(xí)》課程。一開始課程內(nèi)容并沒有大家預(yù)想的那么容易，但是吳恩達(dá)卻一直能抓住大家的注意力，盡管許多概念都很復(fù)雜，但都能被他簡化以便于理解消化，似乎沒有其他人能做到。我想這就是我真正學(xué)會機器學(xué)習(xí)的原因。我敢打賭，試一試你就會知道機器學(xué)習(xí)這個熱門詞匯并不像聽起來那么復(fù)雜。
同時，我還學(xué)習(xí)了人工智能的另一個重點領(lǐng)域––––深度學(xué)習(xí)?；仡櫼幌?，這個看似外來用語其究竟是什么含義，請看神經(jīng)網(wǎng)絡(luò)的解釋以及神經(jīng)網(wǎng)絡(luò)可用來計算任何函數(shù)。好了，如果讀完了推薦的文章之后，還像我一樣，總是需要某種可視化以了解事物是如何工作的，那就請點擊這里，按「播放」按鈕，坐下來，放松，觀察神經(jīng)網(wǎng)絡(luò)是如何用來做分類和回歸的。很酷，不是嗎？
所有的閱讀、學(xué)習(xí)和作業(yè)都為我 2017 年 12 月的實習(xí)做好了準(zhǔn)備。
我申請的 Quantum Invention 公司致力于利用其集成的移動性應(yīng)用套件、企業(yè)物流與分析平臺向消費者、企業(yè)和政府提供移動性情報。而我是第一個加入 R&D 和分析團隊的數(shù)據(jù)科學(xué)家實習(xí)生。
在接下來的幾天里，我認(rèn)識了許多同事，了解到各種行業(yè)術(shù)語，以及正在進行的令人興奮的項目。實習(xí)過程中我最喜歡的一點是信任和自由，作為實習(xí)生我可以自由選擇我感興趣的項目并全力以赴！
令我驚訝的是，我意識到我是第一個開始這個項目的人，因為以前沒有人這么做過。當(dāng)沒有人做過某事時，就需要研究，這是我感激的地方，盡管帶有不確定性和困難。為什么？僅僅因為我有機會體驗從零開始進行數(shù)據(jù)科學(xué)工作的整個流程（如果不是全部）。
請允許我列出我所經(jīng)歷過的這些工作流程，因為這些建立了我的數(shù)據(jù)科學(xué)基礎(chǔ)。我希望你在某一天發(fā)現(xiàn)它有用。
1. 了解商業(yè)問題
所選擇的項目是短期高速公路行駛時間預(yù)測?？雌饋硭坪醴浅：唵?，然而就像我說的，問正確的問題對于數(shù)據(jù)科學(xué)家來說是非常重要的。在項目最終確定之前，提出了很多問題來真正理解真實的商業(yè)問題，包括數(shù)據(jù)來源、項目的最終目標(biāo)（甚至在我離開之后）等。從本質(zhì)上講，我們的目標(biāo)是預(yù)測未來幾分鐘在新加坡高速公路的行駛時間且要比當(dāng)前的基線估計更準(zhǔn)確。
2. 采集數(shù)據(jù)
在新項目的激勵下，我開始從數(shù)據(jù)庫和同事那里收集數(shù)據(jù)（基本上是在辦公室四處走動，詢問數(shù)據(jù)源的問題）。收集正確的數(shù)據(jù)類似于從各種不同的數(shù)據(jù)網(wǎng)站中提取數(shù)據(jù)然后進行數(shù)據(jù)預(yù)處理的情況。這是非常重要的，它能影響你在后期構(gòu)建的模型的準(zhǔn)確性。
3. 數(shù)據(jù)預(yù)處理
真實世界的數(shù)據(jù)是臟的。我們不能指望數(shù)據(jù)像 Kaggle 提供的那樣格式整潔且沒有噪聲。因此，數(shù)據(jù)預(yù)處理（其他人可能稱之為數(shù)據(jù)整理或數(shù)據(jù)清理）是非常重要的，以至于我不得不多次強調(diào)它有的重要性。它是最重要的一個階段，因為它可以占據(jù)整個工作流的 40% 到 70% 的時間，只是為了清理數(shù)據(jù)以供你的模型使用。
我喜歡數(shù)據(jù)科學(xué)的一件事是你必須對你自己誠實。當(dāng)你不知道你還不知道什么的時候，你就會開始覺得數(shù)據(jù)預(yù)處理已經(jīng)足夠干凈，并準(zhǔn)備把它用在你的模型上，此時就存在著用錯誤數(shù)據(jù)試圖建立正確模型的風(fēng)險。
換句話說，總是不斷質(zhì)疑自己，用你擁有的領(lǐng)域知識判斷數(shù)據(jù)在技術(shù)上是否是正確的，請嚴(yán)格而仔細(xì)地檢驗數(shù)據(jù)，以檢查在整個數(shù)據(jù)集中任何其他的離群值，缺失或不一致的數(shù)據(jù)。
有一次，我喂給模型的數(shù)據(jù)是錯誤的，只是因為在預(yù)處理步驟中的一個簡單錯誤，在犯了這個錯誤后我特別小心。
4. 建立模型
經(jīng)過研究，我提出了支持向量回歸（SVR）、多層感知器（MLP）、長短期記憶網(wǎng)絡(luò)（LSTM）和狀態(tài)空間神經(jīng)網(wǎng)絡(luò)（SSNN）四種模型并用在我的項目中。此處不詳細(xì)展開，你可以在許多網(wǎng)站上找到每個模型的詳細(xì)解釋的資料。
對于一個像我這種仍在學(xué)習(xí)慕客課程以及教科書的人看來，從頭開始構(gòu)建各種不同的模型是一個陡峭的學(xué)習(xí)路線。幸運的是，Scikit-learn 和 Keras（采用 Tensorflow 作為后端）算是我的一個救星，因為它們很容易讓你快速學(xué)習(xí)模型原型且是采用 Python 實現(xiàn)的。此外，我還學(xué)會了如何優(yōu)化模型及使用各種各樣的技術(shù)微調(diào)每個模型的超參數(shù)。
5. 模型的評價
為了評估每個模型的性能，我主要使用以下的一些度量：
1. 平均絕對誤差（MAE）
2. 均方誤差（MSE）
在這個階段，上述步驟 3 - 5 被重復(fù)（互換）直到確定最佳模型能夠超過基線模型的估計精度。
嗯，實習(xí)已經(jīng)印證加強了我對數(shù)據(jù)科學(xué)的熱情，我很感激我的實習(xí)工作，其確實為我將來工作帶來了一些動力。在研究和開發(fā)階段，與不同的利益相關(guān)者交談所需的溝通技巧、用數(shù)據(jù)來解決商業(yè)問題的好奇心和熱情等等方面都提高了我對此領(lǐng)域的興趣。
數(shù)據(jù)科學(xué)行業(yè)仍然很年輕，它的工作描述對我們這樣的求職者來說可能顯得模糊不清。不具備所有需要的技能是非常正常的，因為大多數(shù)工作描述是理想化的，以符合他們的最佳期望。
當(dāng)有疑問時，只要從慕課、書籍和文章（我現(xiàn)在還在做的）中學(xué)習(xí)基本原理，然后通過你自己的個人項目或?qū)嵙?xí)來運用你所學(xué)到的東西。要有耐心。學(xué)習(xí)之旅需要時間。津津有味地去開始你的學(xué)習(xí)旅程吧。因為…
旅程總有終點，但問題長存
–––– 你學(xué)到了什么？這就是你想要的嗎？
謝謝大家的閱讀。這篇文章簡短地介紹了一些關(guān)于數(shù)據(jù)科學(xué)的流程以及我的學(xué)習(xí)之旅。如果你覺得這個有用，可以自由分享給別人，或者推薦這篇文章！=）如果你有任何問題，只需添加我，讓我們在 LinkedIn 上聊天或訪問我的個人網(wǎng)站（http://admond1994.strikingly.com/ ）了解更多信息。
via towardsdatascience.com，雷鋒網(wǎng) AI 科技評論編譯整理。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
