Re: [請益] 機器學習或資料科學家 領域差異

[lovdkkkk (dk)]

本魯碩博主要做人工智慧/機器學習, 一點淺見

機器學習 主體是機器, 主要方向是
  機器如何可以學習 有哪些方法
    類神經 模糊理論 灰色系統 基因演算法 蟻群 貝氏網路
      十年前的啦, 現在不知道, 脫節很久惹...
  這個方法用在那個資料效果好不好, 如何讓它變好
    同一筆資料 換另一個方法呢?
    或者數個方法串起來用?
    同一個方法, 用在別種資料呢?
總之目標是在增進機器的學習能力,
速度更快、效果更好、對不同資料更泛用等

資料科學, 主體是資料, 主要方向是
  資料如何分析?
    統計? 資料探勘? 機器學習?
    丟入某很夯很威的工具 (MATLAB 等) 用現成工具跑看看結果
    調調看參數權重
  根據已知 (或想像中) 的邏輯 調整參數 建模
  由分析結果反推原因、建模
總之目標是放在對資料本身的理解
找到更多規則、挖出未知的關係、發展理論
  ex 有某某情形的股票未來 6~12 個月表現會明顯優於其它股票等
可以使用任何方法, 包含機器學習
資料量不大的話要用 excel 樞鈕分析都可以...

大致來說就是,
機器學習偏重在工具的開發與改進,
資料科學則是著重在應用工具從資料中找出理論或應用價值

以台灣來說, 機器學習的職缺可能會比較少,
主要會是資料科學吧?
(指工作內容, 職缺名稱就不知道了)

※ 引述《smallv (小小勝利者)》之銘言：
: 想請教版上大大
: 假設有了機器學習或者資料科學家工作經驗一段時間
: 未來想跳槽的話 領域不同會差很多嗎
: 像是...影像方面 語言方面 預測股票期貨方面 球賽勝率 機器人辯論方面 等等
: 各自的差異就蠻大的
: 那這樣跳槽會不會比較難  因為使用的演算法可能會有小差異?
: 還是其實還好? 尤其短時間內台灣這類人才還是短缺 不太需要擔心?
: 第二個問題 在台灣通常軟體公司的機器學習或資料科學家
: 待遇大概是哪個範圍 能有6萬到12萬嗎?

--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 36.226.166.63
※ 文章網址: https://www.ptt.cc/bbs/Soft_Job/M.1529835645.A.BD3.html
→ kikilalagirl: https://i.imgur.com/a9PgRnV.png 參考看看

這圖我是覺得有點誇張

比方說, 假如要解的是 TSP 這種條件單純明快的問題,
那基本上用不太到什麼數學, 大概就加減法,
在 CS/IT 會吃比較多

而如果是貨架規劃之類,
我想主要就是 Domain 多一點, 然後拿現成軟體跑跑關聯法則/分類分群就很多了,
對 CS/IT 跟數學統計沒什麼概念也行, 主要只是要結果

當然會的越多越全面是能對應到越多狀況或做得越好,
但如果只是針對某類特定資料/目標的資料科學,
也沒有那麼誇張, 畫三個大圈圈在那恐有引人誤解之虞

推 lunashining: 相反吧CV相關都會用到ML去做Object detection
"用" ML, 這裡的 ML 應該是工具沒錯 @@

像用 NN 做地形判斷 (一張圖, 判斷哪裡是湖哪裡是陸等)
有個正確答案針對方法去 tune 的這種,
我覺得主要是在做工具

工具做好後, 就可以被拿來實際應用,
應用的那部份就是你說的了

推 kikilalagirl: https://i.imgur.com/rKHUfVH.png 複雜一點的

這張 Data Science 跟更多東西包在一起了 XDD
實際上很可能不需要就是 依需求可能其中一兩樣就夠用了
 (想成圈在一起是表示 "可能相關" 就還算可以理解)

推 ice80712: 台灣大部分待遇好的都是硬體 邊緣運算
純軟QQ

推 bellman: https://i.imgur.com/4fWHx6I.jpg

這張完全是鬼扯

灰色系統、類神經、GA、模糊理論 都沒怎麼用到統計,
可以跟統計一起用, 但它們本身是獨立的方法論
把 Machine Learning 改成 Data Mining 的話還有一點道理

推 j32509: 請問原po 所以ML和DM之間的差別 是在於ML偏工程 DM偏向用d
→ j32509: omain knowledge對數據解讀嗎 謝謝
ML 跟 DM? 這篇說的是 ML 跟 DS @@

ML 跟 DM 的話, DM 是 分析資料的 "方法",
ML 可以使用 DM 的方法來實現, 也可以完全不用 DM 的方法

舉個例,
DM 可以說, apriori 是為了找關聯法則, k means 做分群,
C4.5 做分類
它的方法本身, 就有一個特定的目的在
但是
ML 類神經就是類神經, 沒有一定要幹麻, 反正它就是一個方法,
你可以用類神經去試著做任何你想做的應用
你也可以類神經搭配 k means, 也可以類神經搭模糊理論再加個基因演算法 等等


而 DS 則是使用任何方法 (包含 ML DM) 達到 利用數據學習知識 這個目的

大概是這樣

推 gbd37: 推原po 用經驗來說服 講得很好
→ gbd37: 但現在業界才被一些似懂非懂的人用「大數據分析」與AI來概
→ gbd37: 論之 相當可笑
推 gbd37: 大數據像個救生圈 誰都想來拉一把 搞得現在hen亂 聽到不少
→ gbd37: 人自稱為大數據工程師 嗯…顆顆
哈 我這兩天也在想這種情形,
現在基礎薄弱一知半解就上工然後到了資深還是一片混亂好像是常態,
蠻囧der...

※ 編輯: lovdkkkk (36.226.166.63), 06/26/2018 14:47:10
推 j32509: 啊 這問題困擾我好久了 謝謝l大解答～
推 gbd37: 因為這種title很好拿到啊！各種「大數據分析課程時數：xx小
→ gbd37: 時」，然後這些課程套招上線性回歸、羅吉斯、決策樹。上完
→ gbd37: 就是大數據分析師囉～