Quora问答：2017年，机器学习领域哪些知识技能最具价值?

2017年，哪些机器学习领域的知识技能最具有价值?Quora上有两个回答，共提到10个最重要的机器学习技能。

来自Vladimir Novakovski的回答

对机器学习做出最大贡献的通常都是通才。

2017年出现了很多关于机器学习的炒作。许多求职者在网上学习一些深度学习的课程，这让我想起20世纪90年代，很多人不去读计算机科学教材，而去读一些号称“20天学会VBScript”的速成书籍。(其实今天依然有这样的人)

依旧重要的技能包括：

1.了解统计学、优化、建立量化模型的基本原理。

2.了解模型和数据分析是如何实际应用到产品和业务中的。

除了上述两点以外，以下几点技能在2017年也至关重要：

知道如何编写高质量的软件。 一个团队编写质量垃圾的软件，另一个团队负责完善的时代已经过去了。使用Python和R这样的编程语言和它们的软件包，可以轻松处理数据和模型，因此数据科学家和机器学习工程师应该能够具备较高水平的编程能力，并了解系统设计的基础知识。

使用大型数据集。虽然“大数据”这个术语使用的太过频繁，但数据存储的成本确实呈现急剧下降的趋势。这意味着愈来愈多的来自不同领域的数据集在处理和应用模型。

是的，一旦你对一些知识有基本的理解，并具备相应的技术水平后，了解至少一个热门领域，例如，计算机视觉和感知、深度学习、推荐引擎、NLP(自然语言处理)等，都会对你大有裨益。

来自Shivam Kohli 的回答

1.编程

这也许是数据科学家必备的最基本的技能——数据科学家的工作要比传统统计学家的工作实际得多。

编程在许多方面都很重要，包括以下三点：

编程能增强你做数据统计的能力。如果你有一大堆统计数据，但却没有办法去处理，那么你的统计知识将无用武之地。

编程能使你有分析大型数据集的能力。你在业界工作的数据集并不像样本iris数据集(Iris数据集是常用的分类实验数据集，由Fisher, 1936收集整理。)那么小可爱，你能轻松获得数以百万计甚至更多的数据。

通过编程，你可以创建更好的数据处理工具。这包括建立数据的可视化系统，创建自动分析实验的框架，以及管理公司的数据流，以便所需的数据可以手到擒来。

2.定量分析

定量分析是数据科学家必备的核心技能。数据科学的大部分内容是通过分析自然科学和实验所产生的数据来理解一个特别复杂的科学系统的行为。

定量分析技能在许多方面都很重要，包括以下三点：

试验设计和分析。特别对从事消费互联网应用的数据科学家来说很重要。数据记录的方式和实验的运行方式，为大量的实验测试各种假设提供了途径。实验分析是很可能出错的(这一点可以询问任何统计学家)，因此，在这方面，数据科学家可以提供很多帮助。

复杂型经济/增长系统建模。一些经典建模是较为常见的，如客户流失模型或客户终身价值模型。更复杂的建模，如供应和需求建模，匹配供应商和供应商之间经济最优方法，以及建模公司的增长渠道，来更好地量化分析哪些增长途径最有价值。最著名的例子是Uber的价格飙升建模。

机器学习。即使没有实现机器学习模型，对于数据科学家来说，他们也可以协助创建原型来测试假设，判定现有机器学习系统的优势和机遇。

哪些数据科学领域的人员对这项技能最有需求呢?物理学家、统计学家、经济学家、运筹学家以及更多。他们非常习惯通过自上而下的方法(模型)或自下而上的方法(数据推断)来理解复杂的系统。

3.产品直觉

产品直觉是一种技能，它与数据科学家对系统进行定量分析的能力有关。产品直觉意味着要理解生成数据科学家分析的所有数据的复杂系统。

这个技能的重要性体现在：

产生假设。一个非常了解产品的数据科学家可以用一种特定的方法改变系统的行为方式。假设基于“预感”，系统的某些方面如何表现，系统如何工作，你都要有预感。

定义度量标准。传统的分析技能包括确定主要和次要指标，以使公司跟踪特定目标成功。数据科学家需要了解产品，以便创建两个产品指标——衡量意图和衡量具有推动价值的东西。

调试分析。“难以置信”的结果常常是由于系统“令人难以置信”的特性而引起的。良好的产品直觉有助于提升产品检查速度，更快地识别可能出错的东西。

锻炼产品直觉可以使用公司的产品。如果无法试用，那么至少试着去了解那些实际使用产品的人。

4.沟通能力

这项技能很重要，有助于显著提高上述所有技能的影响力。这一点特别重要，是区别好的数据科学家和伟大的数据科学家的重要标准。

良好的沟通可以以多种方式体现，包括：

沟通见解。一些数据科学家将其称之为“讲故事”。这里最重要的是以清晰、简明和有效的方式交流见解，以便公司中的其他人能够有效地理解这些见解。

数据可视化呈现。一幅清楚明晰的图表胜过千言万语。

总体沟通。作为一名数据科学家，几乎意味着带领团队工作，包括与工程师、设计师、产品经理、运营人员以及更多的角色合作。良好的总体沟通有助于促进信任和理解，对于被委托管理数据的人来说，这是极其重要的。

5.团队合作

最后这项技能将以上4个技能连接起来。数据科学家不能孤立地存在，要依靠团队工作。以我的所见所闻，数据科学家深入公司的方方面面(至少参与产品开发环节中)时，会做得更好。

团队合作之所以重要，有很多原因，包括：

无私。这包括为他人提供帮助和指导，并将公司的使命放在自己的个人职业生涯野心之上。

不断迭代。数据科学家重视反馈，他们的大部分工作都需要与其他人进行反复迭代和反馈，以达成有影响力的解决方案。

与他人分享知识。由于数据科学职业是一个新近出现的工作，基本上没有人具备完整的技能，尤其当你需要收集所有可能有用的统计技术、框架、库、语言和工具时。由于知识可能分散在不同数据科学家及其组织中，因此对于数据科学家来说，不断地分享他们的知识、方法和成果尤其重要。

（来源：人工智能爱好者俱乐部）

—完—

想知道AI加教育领域有哪些最新研究成果？请在智能观（zhinengguanym）对话界面回复“论文”；

想要AI领域更多的干货？请在对话界面回复“干货”；

想了解更多专家的“智能观”，请在对话界面回复“观点”，去获取你想要的内容吧。

有人问：你们为什么要做智能观？为什么关注AI+教育？

我想，这不是一个选择。

当AI开始颠覆各行各业时，我们首先想到了教育。未来是我们正在为之努力的地方，教育可以影响当下，改变未来。

我们用心观察和记录教育在这个时代的蜕变；努力把前沿的动态、最新的进展、先进的观点带到你面前，希望与你一起思考和探索。我们相信，长出AI翅膀的教育，会创造出无限可能。