Data Scientist 炼成记录-更新完毕2018年12月 | 机器学习练成记录 - 已开新帖

已经pivot away from DS
强化学习和优化 （AI)
优化的TBD

强化学习：
Udacity那个intro AI 不错但是动手部分有点少
另外那个深度一点的课程不缴费完全做不了作业但是讲的还可以
Berkeley: CS188 Artificial Intelligence （edx）录像在youtube都有

这个里面有很多其他好资料 http://rll.berkeley.edu/deeprlcourse/
怕不见了先抄来这里

CS189 or equivalent is a prerequisite for the course. This course will assume some familiarity with reinforcement learning, numerical optimization and machine learning. Students who are not familiar with the concepts below are encouraged to brush up using the references provided right below this list. We’ll review this material in class, but it will be rather cursory.

• Reinforcement learning and MDPs
  . 1point 3 acres
  • Definition of MDPs
  • Exact algorithms: policy and value iteration
  • Search algorithms
    
• Numerical Optimization
  . 1point 3 acres
  • gradient descent, stochastic gradient descent
  • backpropagation algorithm
    
• Machine Learning
  
  • Classification and regression problems: what loss functions are used, how to fit linear and nonlinear models
  • Training/test error, overfitting.
    

For introductory material on RL and MDPs, see

• CS188 EdX course, starting with Markov Decision Processes I
• Sutton & Barto, Ch 3 and 4.
• For a concise intro to MDPs, see Ch 1-2 of Andrew Ng’s thesis
• David Silver’s course, links below
  

For introductory material on machine learning and neural networks, see

• Andrej Karpathy’s course
• Geoff Hinton on Coursera
• Andrew Ng on Coursera
• Yaser Abu-Mostafa’s course
  

Related MaterialsJohn's lecture series at MLSS

• Lecture 1: intro, derivative free optimization
• Lecture 2: score function gradient estimation and policy gradients
• Lecture 3: actor critic methods
• Lecture 4: trust region and natural gradient methods, open problems
  

Courses

• Dave Silver’s course on reinforcement learning / Lecture Videos
• Nando de Freitas’ course on machine learning
• Andrej Karpathy’s course on neural networks
  

Relevant Textbooks

• Deep Learning
• Sutton & Barto, Reinforcement Learning: An Introduction
• Szepesvari, Algorithms for Reinforcement Learning
• Bertsekas, Dynamic Programming and Optimal Control, Vols I and II
• Puterman, Markov Decision Processes: Discrete Stochastic Dynamic Programming
• Powell, Approximate Dynamic Programming
  

Misc Links

• A collection of deep learning resources
  

已经pivot away from DS 之 data infra/data system
下阶段看的一个话题已经不是data science /analytics范畴了，但是也不是随便一个SWE就知道的范畴，因为主要还是跟数据相关，仍然放在这个版了，这个贴跟之前发的都不一样，不建议DS的人盲跟。如果你属于业务导向，business导向的，完全不需要看这些。analyst也完全不需要看。=================
Why?

在DS、DA这个领域玩了好一阵子以后，感觉除了DL其他基本上可以做到融会贯通了，希望技术上有更宽的发展，因为感觉更深的深挖，好像能跳槽的地方就一只手能数过来并且还不一定想去了。If I dig any deeper, I may be cornering myself into a narrow niche with few patrons.
Also I have always been interested in seeing connections between things.

具体应用上，最大的感受是，常常方法并不一定需要多深，真正的hurdle 常常是一地鸡毛的事情，比如上游数据质量，速度，下游数据应用在业务上的场景，速度（？）什么的。
学学周围码农在干什么，有助于合作，有助于参与数据系统设计，有助于设计别人没有想到的系统和使用场景 -- 周围懂数据和业务使用的人，他们经常完全不懂系统和实现，而懂系统和实现的人，可能没有谁比我更懂数据的了。。。。中间这个gap也影响到一些做事方式。To bridge the gap 应该是很有趣的。

先占个座，学习过程中会继续发心得和总结

转眼这个帖子已经快四年老了，几点update

- DS unicorn已成真

当年写这个帖子的时候，有说法是DS三条腿：编程，统计和domain，很少有人能三条都强。venn diagram中间那一块被认为不存在，是unicorn. 如今这个状态已经改变。已经有新的一批人才被培养出来。他们可能有MS/BS in CS 然后去读一个stat/OR phd，但是导师来自两个系，或者EE PhD出身，要码能码，要推公式能推公式。或者单独在quantitative领域出身（统计，数学，物理，econ，IEOR）但是业余达成不错的码水平。

而Domain这件事，无非是兴趣，坚持和积累的问题。跟前两条并不冲突，一般工作个几年就有了。

- 领域逐渐成熟和分化

DS仍然是一个新兴领域，但是很多大公司的数据文化开始形成。从前说DS没人知道你具体是analyst还是ML eng。但是现在，如果你是G家QA，大家能猜到你估计是统计大拿但是不见得会编程，深度不错广度未知；如果你是FB product analyst，大家会认为你平常一般写SQL和沟通较多，产品感觉不错，但是统计深度不见得深，基本不会码，基本不会机器学习；如果你在L家做ML，你的title更大的可能是software engineer而不是DS；其他很多家也有类似说法。

不同出身的人，在一个个新鲜的科技公司里面占据了早期位置，导致了不同公司完全不同的数据文化。有的公司虽然叫DS但是基本做的仍然是DA的活，有的公司明确区分DS和DA并在薪酬和发展空间上完全区别对待。

- 行业的一些个人理解

大体上，DS行业仍然会有不错的发展，但是我预计越来越会实现码农和数据的分化。DA算是比较清晰定义了。但是目前市面上号称做数据产品的人，整体滥竽充数的仍然是大多数，凭着年轻和热情随随便便设计一个产品，看起来都work但是其实数字错的离谱的例子，哪怕在很大的新兴公司内，也比比皆是，甚至可能是主流。这方面，大厂可能比新厂领先上好几年甚至10几年。

这些缺陷多来自早期团队主力人员经验的缺乏，和数据产品的复杂性+难以甄别。跟一般软件产品不一样，看起来好像work，但是其实差了十万八千里的例子非常常见。
如果使用人都不知道需要去检查结果对不对，和要如何去检查结果对不对，自然缺乏对质量的重视和鉴定能力。他们经常也不懂得appreciate别人的经验，也无法理解这些差别会对业务造成多大的影响。
当然没人愿意承认现成系统里面存在这么严重的问题，因此在需要改进的时候还是逃避为主。

解决办法要么是一开始就花大价钱请好专家，（对于新公司，这个真不一定合适）
现在出现的新公司经常并不是技术导向，而是产品，设计，运营等导向，这种情况下，技术专家未必愿意早早进去，而且早期也的确并不需要over engineer。
但是至少需要保证能记得早期做的trade off，在找好product market fit后，需要定期revisit当初的tradeoff，这个时候的解决办法，只能是勇于换血。

大胆的一些预测：未来有做系统的，但是越来越多的系统会是个data intensive系统。目前鱼龙混杂，质量参差不齐的情况会慢慢得到改善，但是会经历有很大的浪费和痛苦。DA 类似business于技术层面的API，仍然会存在，暂时无法想象能用AI取代。DA和码农之间会存在一些精通数据系统的专家architect，负责设计符合业务的数据intensive产品，这些architect会精通数据系统自身的特性，并且善于在业务需求和系统可靠性之间找平衡。DA的薪酬会与另外两种人拉开距离，但是在business方向完全可以有很好的发展。

今年的TFX和鲲鹏已经展示出比较完备的机器学习系统。除了传统监督学习之外的很多如今需要各家单独开发的基础数据工具，未来几年会成为缺省自带状态。其中有些是我自己每换一家公司就教别人一次，零零星星有公司做，但是离拿来就可用还有相当大从差距，很多不小的公司仍然做成一坨的内容包括：

- 可靠的数据平台，从定义和产生log到存储，ETL，etc
   目前这部分还ad hoc到匪夷所思的地步
- 自动的多种质量检测（TFX里面号称有很多）
   目前不存在，基本是靠人品和手工检查
- mobile rollout 平台
   FB和U有，G估计也有
- （AI controlled deployment)： monitoring and anomaly detection, 自动休正，alert 反馈
   有几家有，无general 系统
- real time/streaming analytics system
    有，但是不是plug and play的，需要大量domain knowledge 才能正确setup和使用
- end to end实验平台
    貌似没有深度结合产品的，optimizely只有前端。一直疑惑为什么MS EXP不单独spin off开公司
- 自动insight finding， 自学习的系统代替许多如今的手工操作
. Χ    没有自动系统，GA里的是个还不错的开端但是coverage 远不够
- intuitive 的visual analytics 涵盖无法自动提取的信息，帮助人肉眼识别
    不知道，不熟
- 足够flexible的ML 平台
    有点了
- 监督学习高效获取label的系统
    没有，可以做
- 根据业务场景强化学习和优化的系统
   貌似难以generalize。。。这就是目前的holy grail了, general AI



一亩三分地现在已聚集一大批数据方面的talent，相信大家的经历就可以较完备的map out 常见公司的数据文化，帮助大家跳槽的时候能有清晰的选择。

K 姐， 可以问一下“Udacity Git Course (最好，没有之一）”是哪一门课？搜了半天没搞明白。谢谢啦

dabencat 发表于 2017-10-19 06:03
K 姐， 可以问一下“Udacity Git Course (最好，没有之一）”是哪一门课？搜了半天没搞明白。谢谢啦

取消问题，我爬楼找到了

今天刚看到推荐， 真正准备码农的面试。 Data mining 暂时用不上，但是想持续关注，请问小K 前辈你的课程怎么关注啊。 我没看到链接可以报名的。

earlgrey 发表于 2016-3-10 12:04
Casella and Berger打基础很好，不过对于找工作准备面试不太够

All of Statistics 这本书也是master l ...

how about DIMITRI's introduction to probability? FROM MIT

纽约咨询师 发表于 2017-10-30 02:35
how about DIMITRI's introduction to probability? FROM MIT

没读过
本科时候学intro to prob 用的 ross那本书

想从生统转到data science  感觉很多还要学的 找工作太受限制了

不错的推荐，谢谢