你準備好要成為一名數據科學家，積極的參加Kaggle比賽和Coursera的講座。雖然這一切都準備好了，但是一名數據科學家的實際工作與你所期望的卻是大相徑庭的。

本文研究了作為數據科學家新手的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數據科學家方面擁有20多年的經驗。本文旨在幫助你更好地為今后的實際工作做準備。

[[255094]]

1、Kaggle成才論 

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

作為Kaggle的一份子對你在很多方面都有幫助。所用到的數據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數據。

做數據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。抓取圖像或從API中收集圖像，收集Genius上的歌詞，準備解決特定問題所需的數據，然后將其提供給筆記本電腦并執行機器學習生命周期的過程。精通數據預處理無疑會使你成為一名數據科學家，并對你的公司產生立竿見影的影響。

2、神經網絡(Neural Networks)無所不能

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

神經網絡需要依賴大量的數據。如果樣本很少，那么使用決策樹或邏輯回歸模型的效果會更好。神經網絡也是一個黑匣子，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，那么你必須能夠對模型進行解釋。這對于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，了解一些它們的優缺點，并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算法。你很快就會發現，最簡單的模型，如邏輯回歸，通常是最好的模型。 

3、機器學習是產品

在過去的十年里，機器學習既受到了極大的吹捧，也受到了很大的沖擊。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。 

機器學習永遠都不應該是產品。它是一個強大的工具，用于生產滿足用戶需求的產品。機器學習可以用于讓用戶收到精準的商品推薦，也可以幫助用戶準確地識別圖像中的對象，還可以幫助企業向用戶展示有價值的廣告。

作為一名數據科學家，你需要以客戶作為目標來制定項目計劃。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%的數據大約是在過去的幾年中形成的。隨著大數據的出現，數據對機器學習從業者來說已經變得越來越重要。由于有非常多的數據需要評估，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。考慮到這些數據，一個學習算法會學習美國小姐的年齡影響特定對象命案數量的模式。然而，這兩個數據點實際上是不相關的，并且這兩個變量對其它的變量沒有任何的預測能力。

當發現數據中的關系模式時，就要應用你的領域知識。這可能是一種相關性還是因果關系呢?回答這些問題是要從數據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周期。首先，定義思想和關鍵指標。之后，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并且比較費時費力，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一文中獲得更多關于改進模型的技巧。

注意以下幾個關鍵點:

• 實踐數據處理
• 研究不同模型的優缺點
• 盡可能簡化模型
• 根據因果關系和相關性檢查你的結論
• 優化最有希望的指標