入门 | 做数据科学如烤蛋糕？不服来看

面部识别、自动驾驶、机器人统治世界？！还有那个令人毛骨悚然的机器人女孩，索菲亚。emmm…还有黑镜？

我们想知道它们都是怎么工作的。「这全是人工智能。」是的。但我们想知道更多。

数据科学、人工智能、大数据、机器学习等都是最近的热门词汇。它们大多与谷歌、苹果和亚马逊等大型科技公司有关。

幸运的是，你不用成为一名数据科学家就能对数据科学有所了解。只要你对此热爱、好奇即可。

什么是数据科学？

要事第一！

向亚马逊的聊天机器人寻求答案

数据科学使用数学和不同的机器学习方法（也称算法）来实现不同目的。

机器学习（ML）是编写计算机程序的科学和艺术，它使计算机具有了学习能力。你的计算机现在可以从它观察到的数据中学习，而不是像在传统计算机程序中那样盲目地遵循一套固定规则。你骂电脑是笨蛋的日子一去不复返了。

但是数据科学在哪里发挥作用呢？就在我们身边。Facebook 给你推荐可能认识的人、Youtube 预测股票市场价格的推荐系统，都需要数据科学。

数据科学按照一系列步骤来获得这些答案，而使用机器学习算法只是其中之一。

数据科学流程综述

我们要明白这样一个事实：无论电脑学什么，它都是从数据中学习。将数据视为配料、数据预处理视为食谱、机器学习算法视为烤箱、最终结果视为蛋糕。蛋糕的美味程度取决于原料的质量、食谱和烤箱温度设置。同样地，数据的质量非常重要，你采用的方法也是如此。

数据科学流程抽象图

数据和数据预处理

因此，第一步是收集数据并进行处理。就像你要买食材一样。

还需要确保数据与将要解决的问题相关。弄清楚需要多少数据，以及数据的形式（或格式），就像做蛋糕你要方糖还是砂糖？真实世界的数据集通常以表格形式显示，例如.xls、.csv 或.json 等。

有大量不同的算法可以帮助你进行数据清理和预处理。训练模型的数据会极大地影响模型性能。就像食谱决定蛋糕的味道。

数据集类型

数据集是以适当格式收集所有示例的集合。它可以是一个*标注的*数据集，也可以是一个*未标注的*数据集。

标注的数据集是指具有特征值及其结果的数据集。而未标注的数据集中只有特征值。

特征好比不同的食材，如：牛奶、黄油、糖和鸡蛋是四个不同的特征。这些特征的结果是一个蛋糕。是特征帮你得到结果。

这是真实数据集的样子：

用于预测房价的标注数据集

选择机器学习算法

一旦数据集准备好了，就该使用机器学习算法了。这就是把蛋糕糊放进烤箱。

数据集和标签帮助你确定使用哪种算法。就像如果你想做一些冰淇淋，你需要的不是烤箱而是冰箱。你的配料和配方也会改变。

可供选择的算法

训练、测试、预测！

只学习测试中会出现的题目，你绝对会通过测试。但遇到没见过的题，就不会考得很好了。我们希望模型即使在没见过的例子上也能表现得很好。为了确保这一点，我们采用了一种技术。

我们将数据集分为两组：训练集和测试集。通常以 7:3 的比例来划分，这样有利于训练。

我们的模型仅从训练集的例子中学习。这样划分数据集可以帮助我们评估模型表现，明确提升空间。

训练-测试分解图

测试很简单。你问，模型答，然后给模型打分。它起作用是因为你是在未见过的例子上评估模型。通过的标准取决于你的需求。通常 80% 的通过率是可以达到的。

如果模型在第一次尝试中失败，不要失望，因为在最初的尝试中失败是很正常的。这是因为开始时你总是使用较简单的方法，然后根据测试得分，逐渐增加解决方案的复杂性。但在此之前，请重新评估你的数据集以及它的预处理方式。重复此过程，直到模型通过测试。

测试模型

一旦模型通过测试，就可以投入使用。换句话说，它为实时预测做好了准备。

提示：保持测试集中的数据模式与训练集中的数据模式相同。

数据可视化

既然你已经烤好了蛋糕，而且看起来很好吃，那就该上桌了。也许可以加一些糖霜，把它放在一个漂亮的托盘里等等。让它看起来更美味。

这就是数据可视化。通过制作图表，你可以利用不同的数据可视化技术向受众传达你对数据的理解。数据可视化可以在任何阶段进行，你可以在训练集中绘制现有的基础图案。

就像我说的，你不用成为数据科学家就能对数据科学有所了解。希望你喜欢我刚烤好的

原文发布时间为：2018-10-16

本文作者：Azika Amelia

本文来自云栖社区合作伙伴“CDA数据分析师”，了解相关信息可以关注“CDA数据分析师”。