- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI科技时讯
数据科学求职建议：掌握5种类型的数据科学项目
为了展示这些技能，以下是你应该着重补充的5种数据科学项目组合类型： 1.数据清理 数据科学家预计在一个新项目的清理数据处理上花费多达80％的时间，这对于团队来说是一个巨大的代价。 仪表盘允许数据科学团队进行协作并共同绘制见解。更重要的是，它们为面向商业的客户提供了交互式工具，这些人专注于战略目标而不是技术细节。数据科学项目的交付成果往往以仪表板的形式出现。 ? 你实践的机器学习项目应该传达以下技能： 选择使用某个具体机器学习模型的原因 将数据分成训练/测试集（k-fold交叉验证）以避免过度拟合 选择正确的评估指标（AUC、adj-R ^ 2、混淆矩阵等） 特征工程和选择 超参数调整 5. 沟通 沟通是数据科学的一个重要方面，对于工科人员而言这点尤其欠缺。 能够有效地传达结果是区分优秀的数据科学家与伟大的数据科学家的重要衡量标准之一。无论你的模型多么华丽，如果你不能向队友或顾客解释它，你都不会得到他们的支持，就如同对牛弹琴一般。
76030发布于 2019-08-16 - 来自专栏龙进的专栏
计算机科学概论复习笔记（5）
冯诺依曼架构包含下面5个单元 存放数据和指令的内存单元 对数据执行算数和逻辑运算的算术逻辑单元 把数据从外部世界转移到计算机中的输入单元 把结果从计算机内部转移到外部世界的输出单元 担当舞台监督，确保其他部件都参与了表演的控制单元
83430编辑于 2022-10-31 - 来自专栏数据科学与人工智能
数据科学家的5种特质
数据科学事业正在蓬勃发展，各行各业对技能熟练员工的需求越来越高。调查发现，出色的数据科学家拥有一些相似的特征，这让他们从人群中脱颖而出。 人力资源主管还应注意数据科学家的其他特征。 数据显示，招聘到一个合适的数据科学家平均需要53天的时间，而这些数据科学家的身上通常带有这5种特质： 1.分析能力和定量推理能力 软件公司SAS通过调查数据了解数据科学工作者。 当被问及他们最不喜欢的工作中的哪一部分时，57%的科学家回答数据清理和组织数据。 重要的是，公司雇佣一个团队成员或一个数据科学家，他们应该接受在工作中需要数据清理和数据组织。 5.好奇心 数据科学正以惊人的速度增长，行业内的突破时刻在发生，因为从事IT工作的人渴望推动数据的使用。
1.2K40发布于 2018-02-28 - 来自专栏SeanCheney的专栏
《数据科学家访谈录》总结·5
展示数据 我确实认为对数据科学家这项工作来说，沟通需要是最重要的技巧之一。在招人的时候，在不同的技能之间总有一些权衡，但是良好的沟通能力是必需的。 面试数据科学家时所看重的技能？ 招聘数据科学家时，我最看重的东西是他们过往的机器学习是否全面、系统。我最想知道的问题是他们是否了解他们所采用的模型的底层原理。 Jonathan Goldman 教育背景：麻省理工大学物理学学士，斯坦福大学物理学博士 职业经历：埃森哲，LinkedIn，Level Up Analytics，Intuit公司的数据科学与分析团队部门主任
50310发布于 2018-09-19 - 来自专栏人工智能头条
数据科学家应该掌握的5个工具
即使是知识渊博的数据科学家也能提升他们的技术水平。当谈及到分析你编纂的数据时，有大量的工具可以帮助你更好的理解数据。 我们与我们的数据科学指导者探讨了很久，最后总结出了一个包括5个数据科学工具的列表，同时这也是你在当今的社会形势下应该掌握的5个数据科学工具。 数据科学家发现他们经常需要使用SELECT DISTINCT * FROM my_messy_dataset；不幸的是，现实世界中的数据集往往更加复杂。 去阅读“数据科学家应该掌握的七个Python工具”这篇文章。 原文链接：5 More Tools All Data Scientists Should Know How to Use（译者/刘帝伟 审校/赵屹华、朱正贵、李子健 责编/周建丁） 译者简介：刘帝伟，中南大学软件学院在读研究生
1.1K30发布于 2018-06-05 - 来自专栏CSDN技术头条
数据科学家应该掌握的5个工具
即使是知识渊博的数据科学家也能提升他们的技术水平。当谈及到分析你编纂的数据时，有大量的工具可以帮助你更好的理解数据。 我们与我们的数据科学指导者探讨了很久，最后总结出了一个包括5个数据科学工具的列表，同时这也是你在当今的社会形势下应该掌握的5个数据科学工具。 数据科学家发现他们经常需要使用SELECT DISTINCT * FROM my_messy_dataset；不幸的是，现实世界中的数据集往往更加复杂。 基于创新的计算机科学研究，dedup使用机器学习（更确切地说，应该是主动学习）去学习，通过合并人类的反馈对两个可能的模棱两可的记录进行研究，并寻找究竟是什么构成了两者的“相似”。 去阅读“数据科学家应该掌握的七个Python工具”这篇文章。
1.6K80发布于 2018-02-11 - 来自专栏CDA数据分析师
数据科学中最好的5个机器学习API
机器学习作为大数据的前沿无疑是让人生畏的，因为只有技术极客和数据科学领域的专家才能驾驭机器学习算法和技术，对于大部分企业和组织而言，过去这一直都是一个遥不可及的事情。 Microsoft、Google、Amazon以及BigML等公司都为业务分析师和开发人员提供了自己的机器学习即服务（MLaaS），最近Khushbu Shah在KDnuggets上发表了一篇文章，介绍了这5个公司的机器学习 借助于Microsoft Azure机器学习API，数据科学家能够更容易地构建预测模型并缩短开发周期，其主要特性包括： 支持创建自定义的、可配置的R模块，让数据分析师或者数据科学家能够使用自己的R语言代码来执行训练或预测任务 支持自定义的Python脚本，这些脚本可以使用SciPy、SciKit-Learn、NumPy以及Pandas等数据科学类库 支持PB级的数据训练，支持Spark和Hadoop大数据处理平台 Google 本文链接：http://www.infoq.com/cn/news/2015/12/5-best-ml-api-to-use
1.3K100发布于 2018-02-05 - 来自专栏加米谷大数据
数据科学最终迁移到云端的5个原因
数据科学家为企业产生洞察力提供帮助，并进行预测，以实现更明智的业务决策。以下是数据科学家应该放弃笔记本电脑或本地服务器，并将其业务迁移到云端的五个充分的理由。 数据科学家、数据工程师、机器学习工程师、数据分析师和公民数据科学家都需要在这些元素上进行协作，以便为业务决策提供数据驱动的见解。 管理基础设施的额外开销会占用核心处理数据科学活动的时间。 No 5：更快的数据科学更有利于业务 所有上述原因都会导致基于笔记本电脑的数据科学延迟实现价值，在笔记本电脑上运行数据科学的所有上述问题都会导致业务价值的损失。 在云端开始使用数据科学和机器学习的最快和最具成本效益的方法是使用基于云计算的数据科学和机器学习平台。
58630发布于 2019-04-19 - 来自专栏PPV课数据科学社区
数据科学家应该掌握的5个工具
即使是知识渊博的数据科学家也能提升他们的技术水平。当谈及到分析你编纂的数据时，有大量的工具可以帮助你更好的理解数据。 我们与我们的数据科学指导者探讨了很久，最后总结出了一个包括5个数据科学工具的列表，同时这也是你在当今的社会形势下应该掌握的5个数据科学工具。 数据科学家发现他们经常需要使用SELECT DISTINCT * FROM my_messy_dataset；不幸的是，现实世界中的数据集往往更加复杂。 基于创新的计算机科学研究，dedup使用机器学习（更确切地说，应该是主动学习）去学习，通过合并人类的反馈对两个可能的模棱两可的记录进行研究，并寻找究竟是什么构成了两者的“相似”。 1、回复“数据分析师”查看数据分析师系列文章 2、回复“案例”查看大数据案例系列文章 3、回复“征信”查看相关征信的系列文章 4、回复“可视化”查看可视化专题系列文章 5、回复“SPPS”查看SPSS系列文章
1.3K50发布于 2018-04-20 - 来自专栏AIRX三次方
数据科学家应该学习的5种编程语言
image.png 数据科学是一个专注于从数据中提取知识的领域。通俗地说，就是获取详细的信息，将科学概念应用于大数据集，为高层决策提供信息。 计算机科学家、图灵奖得主吉姆·格雷(Jim Gray)认为，数据科学是科学的“第四个范式”——在实证、理论和计算之后添加数据驱动。 受到软件开发人员和数据科学家的一致好评，Python已经证明了自己是一种既易于使用又动态的编程语言。 但是，如果你认为它不成熟，那么你就错了，尽管Julia属于较新的语言，但它在数据科学家中越来越受欢迎，这些数据科学家需要一种能够在高性能计算环境中执行数值分析的动态语言。 5、Scala 作为一种基于JVM平台的高级编程语言，Scala的设计目的是利用许多与Java相同的优点来解决它的一些缺点。Scala的目标是高度可扩展性，因此非常适合处理复杂的大数据。
1.1K00发布于 2021-01-19 - 来自专栏龙行天下CSIEM
科学瞎想系列之九十六 NVH那些事(5)
【部分来自网络如有侵权敬请邮箱联系。欢迎原文转发到朋友圈，未经许可的媒体平台谢绝图片转载，如需转载或合作请邮件联系。联系邮箱laolicsiem@126.com，欢迎扫描文后二维码关注本公众号：龙行天下CSIEM】
2.1K30发布于 2019-07-31 - 来自专栏DeepHub IMBA
数据科学面试中应该知道的5个SQL日期函数
在本文中，我们将深入探讨 SQL 中 5 个最重要和最有用的 DATE 函数以及一些可以使用它们的实际业务案例。 DATE_DIFF() 在 WHERE 子句中也很有用，如果你想过滤 X 周期前发生的日期（例如 5 天前、2 周前、上个月）。
2.6K30发布于 2021-09-15 - 来自专栏灯塔大数据
荐读|数据科学中最好的5个机器学习API
机器学习作为大数据的前沿无疑是让人生畏的，因为只有技术极客和数据科学领域的专家才能驾驭机器学习算法和技术，对于大部分企业和组织而言，过去这一直都是一个遥不可及的事情。 Microsoft、Google、Amazon以及BigML等公司都为业务分析师和开发人员提供了自己的机器学习即服务(MLaaS)，最近Khushbu Shah在KDnuggets上发表了一篇文章，介绍了这5个公司的机器学习 Azure机器学习API Microsoft Azure机器学习是一个用于处理海量数据并构建预测型应用程序的平台，该平台提供的功能有自然语言处理、推荐引擎、模式识别、计算机视觉以及预测建模等，为了迎合数据科学家的喜好 借助于Microsoft Azure机器学习API，数据科学家能够更容易地构建预测模型并缩短开发周期，其主要特性包括： 支持创建自定义的、可配置的R模块，让数据分析师或者数据科学家能够使用自己的R语言代码来执行训练或预测任务 支持自定义的Python脚本，这些脚本可以使用SciPy、SciKit-Learn、NumPy以及Pandas等数据科学类库 支持PB级的数据训练，支持Spark和Hadoop大数据处理平台 Google
93390发布于 2018-04-09 - 来自专栏网络安全自修室
干货 | 5分钟教你科学使用Python虚拟环境
/03/03 14:15 <DIR> Scripts 1 个文件 77 字节 5
1.2K10编辑于 2022-12-06 - 来自专栏AI研习社
数据科学家需要了解的 5 种采样方法
采样问题是数据科学中的常见问题，对此，WalmartLabs 的数据科学家 Rahul Agarwal 分享了数据科学家需要了解的 5 种采样方法，AI 开发者将文章编译整理如下。 数据科学实际上是就是研究算法。 我每天都在努力学习许多算法，所以我想列出一些最常见和最常用的算法。 本文介绍了在处理数据时可以使用的一些最常见的采样技术。 假设我们必须从无限大的流中抽取 5 个对象，且每个元素被选中的概率都相等。 number# Create as stream generator stream = generator(10000)# Doing Reservoir Sampling from the stream k=5 结论 算法是数据科学的生命线。 抽样是数据科学中的一个重要课题，但我们实际上并没有讨论得足够多。 有时，一个好的抽样策略会大大推进项目的进展。错误的抽样策略可能会给我们带来错误的结果。
1.9K20发布于 2019-08-01 - 来自专栏数据科学与人工智能
【数据科学】数据科学家与数据科学
Jeff Wu做出题为“统计学=数据科学吗？ 的演讲，建议统计改名数据的科学统计数据的科学家。 二、数据科学家的定义 数据科学(Data Science)是从数据中提取知识的研究，关键是科学。 数据科学并不局限于大数据，但是数据量的扩大诚然使得数据科学的地位越发重要。 数据科学的从业者被称为数据科学家。数据科学家通过精深的专业知识在某些科学学科解决复杂的数据问题。 （EMC的在线课程：Data Science and Big Data Analytics Training，收费T_T，大家可以了解下学习路径） (5)分享一些免费的课程 以下课程免费，讲师都是领域的专家 EMC做出了5点比较大胆的预测。
1.5K90发布于 2018-02-26 - 来自专栏DeepHub IMBA
提高数据科学家讲故事能力的5个小技巧
作为数据科学家，我们也被教导要善于讲故事。原因是我们经常需要向不同的利益相关者展示我们的工作。因为他们来自不同的背景，所以我们必须相应地改变我们的语气。但在任何情况下，你的故事都是一样的。 当你作为一名数据科学家工作时，尽可能多地与不同的利益相关者沟通变得更加重要。 作者:Saeed Ahmad 原文地址：https://medium.com/towards-artificial-intelligence/5-tips-to-effectively-tell-a-story-as-a-data-scientist
51330发布于 2021-01-25 - 来自专栏加米谷大数据
0基础学大数据，数据科学初学常见的5个误区
这篇文章中列举了五个数据科学家可能常犯的误区，并对如何防止这些失误的出现给出了一定的建议。 专注于电脑，而不是同事 在数据科学初学者之中有一个常见的误解，即在实际工作中他们的工作主要是编写技术代码。 但实际上数据科学家的工作是发现有助于业务增长的信息。 首先，数据科学家必须能够与业务人员交流，共同探讨他们发现的信息如何在更大程度上对业务产生影响；其次，他们必须知道到哪里寻找这些信息。 更全面地理解业务环境，对于提供业务洞察和数据科学最佳实践至关重要。 只注重理论，忽视实践 与许多领域一样，数据科学往往是实践重于理论。数据科学的实践必须在真实的环境中运行。 一个具备高工作效率的数据科学家，应知道如何平衡他们的专业发展。 ? 从不问为什么 要成为更好的数据科学家，只需问一问为什么。这个问题有助于消除数据科学家和公司其他部门同事之间的沟通障碍。
51410发布于 2020-02-14 - 来自专栏龙行天下CSIEM
科学瞎想系列之三十九 船舶动力系统（5）
3）由于全船动力、电力系统的融合，可以通过科学合理的能量调度减少设备总容量配置，特别是电源设备的总容量，以节约成本、重量和空间。 5）电源设备可以相互备用，可靠性高。 以上优点决定了综合电力系统是船舶动力系统发展的大势所趋，特别是高档次、高技术的特种船舶。 原理虽然很简单，但真正用于实际船舶的推进却有极大的技术难度，主要难度在于推力的大小问题，一般船舶需要的推力大约在10^5~10^6牛顿的数量级，说牛顿宝宝们可能没有神马概念，说推力大概在数十吨到数百吨的数量级可能你就知道什么谱了 我国中科院电工所以顾国彪院士为首的团队于1992年就开展了磁流体推进的技术研究，与702所合作研制成功了基于超导的磁流体推进器，并应用于一条排水量仅一吨的小实验船上，其水中磁密达到了5特斯拉。
1.3K50发布于 2018-04-18 - 来自专栏博文视点Broadview
数据科学家常见的5个SQL面试问题
| | 3 | Henry | 80000 | 2 | | 4 | Sam | 60000 | 2 | | 5 DepartmentId , Salary) IN ( SELECT DepartmentId, MAX(Salary) FROM Employee GROUP BY DepartmentId ) 问题5： 1 | Abbot | | 2 | Doris | | 3 | Emerson | | 4 | Green | | 5 1 | Doris | | 2 | Abbot | | 3 | Green | | 4 | Emerson | | 5 第二个WHEN语句为每个id加1（例如，1,3,5变为2,4,6） 同样，第三个WHEN语句将每个id减1（2,4,6变为1,3,5） SELECT CASE WHEN((SELECT MAX(id)
1.8K10发布于 2020-06-12
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号