機(jī)器學(xué)習(xí)工作職位需要的7項(xiàng)技能-數(shù)據(jù)分析師

機(jī)器學(xué)習(xí)經(jīng)常與人工智能緊密相連,在不考慮顯式編程的情況下,機(jī)器學(xué)習(xí)可以使計算機(jī)具備完成特定任務(wù)的能力,例如識別,診斷,規(guī)劃,機(jī)器人控制和預(yù)測等。它往往聚焦于算法創(chuàng)新,即在面對新數(shù)據(jù)時,其自身能夠發(fā)生演化。

在某種程度上,機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘很相似。它們都是通過數(shù)據(jù)來獲取模式。然而,與人類可理解的數(shù)據(jù)提取方式不同—通常是按照數(shù)據(jù)挖掘應(yīng)用的方式——機(jī)器學(xué)習(xí)主要是使用數(shù)據(jù)去提升程序本身的理解能力。機(jī)器學(xué)習(xí)程序能夠在數(shù)據(jù)中檢測出相關(guān)模式并相應(yīng)的進(jìn)行程序行為的調(diào)整。

現(xiàn)在,你是否準(zhǔn)備去了解一些獲得機(jī)器學(xué)習(xí)工作必備的技術(shù)了呢?一個優(yōu)秀的求 職者應(yīng)該對以下各方面知識都有很深的理解:算法和數(shù)學(xué)應(yīng)用,問題解決能力和分析 技巧,概率統(tǒng)計和諸如 Python/C++/R/Java 等編程語言。此外,機(jī)器學(xué)習(xí)還需要求職 者具有與生俱來的好奇心,因此,如何你從來沒有失去過自孩童時代就有的好奇心, 那么,你就能順理成章在機(jī)器學(xué)習(xí)領(lǐng)域取得成就。這里詳細(xì)的列出一個的必備的技能清單。

1. Python/C++/R/Java

如果你希望在機(jī)器學(xué)習(xí)領(lǐng)域獲得一份工作,那么在某種程度上,你很可能必須學(xué)習(xí)這里所列出的所有編程語言。C++ 能夠加速代碼執(zhí)行速度。R 在統(tǒng)計繪圖方面十分出 色,Hadoop 是以 Java 為基礎(chǔ)的,因此,你可能需要在 Java 中完成 Map/Reduce 算法。

2. Probability and Statistics（概率和統(tǒng)計)

概率和統(tǒng)計理論能夠幫助你學(xué)習(xí)算法。很多常用的模型例如樸素貝葉斯、高斯混合模型和隱馬爾可夫模型等，需要你有很好的概率和統(tǒng)計背景知識去理解。甚至你需要全身心的投入并且研究測度理論，同時需要理解一些統(tǒng)計指標(biāo)，這些指標(biāo)常作為模型評價標(biāo)準(zhǔn)，例如混淆矩陣,ROC曲線, P值等。

3. Applied Math and Algorithms(數(shù)學(xué)和算法）

對算法理論有相當(dāng)深入的認(rèn)識并且了解算法運(yùn)行的機(jī)制, 能夠幫助你對模型加以區(qū)分, 例如支持向量機(jī)模型 (譯者注:支持向量機(jī)模型包括許多不同的核函數(shù),核函數(shù)的不同, 具體模型的原理、應(yīng)用和結(jié)論也不同)。 你需要理解一些數(shù)學(xué)方法, 例如梯度下降, 凸優(yōu)化, 拉格朗格方法, 二次規(guī)劃, 偏微分方程等類似的理論和方法。同時，你也需要熟悉求和運(yùn)算[http://en.wikipedia.org/wiki/Summation]。

4. Distributed Computing（分布式計算）

大多數(shù)時候,機(jī)器學(xué)習(xí)需要處理大型的數(shù)據(jù)集。使用單機(jī)無法處理這些數(shù)據(jù),因此,你需要通過集群進(jìn)行分布式計算。像 Apache Hadoop 架構(gòu)和 Amazon 的 EC2 云服務(wù)等項(xiàng)目能夠使這一過程更加容易, 從而提高成本效益。

5. Expanding the Expertise in Unix Tools(使用Unix工具來拓寬你的專業(yè)知識)

你應(yīng)該掌握專門為以下工作而設(shè)計的Unix命令或工具: cat, grep, nd, awk, sed, sort, cut, tr 等。由于所有這些處理過程都運(yùn)行于基于linux平臺的設(shè)備, 因此, 你需要熟悉這些工具。學(xué)習(xí)并很好的使用這些工具, 會使你的工作更加輕松。

6. Learning more about Advanced Signal Processing techniques(學(xué)習(xí)一些信號處理技術(shù)）

特征提取是機(jī)器學(xué)習(xí)最重根據(jù)部分之一。不同問題需要不同的解決方案, 你可以使用非?？岬母呒壭盘柼幚硭惴?例如小波變換,剪切波變換,曲線波,輪廓波和 bandlets 變換等。學(xué)習(xí)時頻分析技術(shù),并用它來解決你的問題。如果你還不知道傅里 葉分析和卷積原理,你同樣也需要學(xué)習(xí)這些知識。二進(jìn)制碼信號處理技術(shù)是解決問題 的重要方法。

7. Other skills

(a) 提升自己:你必須時刻保持與新技術(shù)的同步以應(yīng)對將要到來的挑戰(zhàn)。這也意 味著你必須注意以下幾方面的最新動態(tài):關(guān)于這些工具理論的變更日志和會議,算 法的研究論文、博客和會議視頻等。(b) 大量閱讀。閱讀一些像 Google Map-Reduce, Google File System, Google Big Table,以及 e Unreasonable Effectiveness of Data 之類的 論文。此外,網(wǎng)上也有許多免費(fèi)的機(jī)器學(xué)習(xí)書籍,你同樣也應(yīng)該讀一讀。