像数据科学家一样思考：12步指南（上）

通过统计建模，主要关注的是理解模型及其描述的底层系统。数学建模是一个相关概念，它更强调模型构建和解释，而不是与数据的关系。统计建模侧重于模型与数据的关系，以下是你应该了解的统计建模中的一些重要概念：

• 线性、指数、多项式、样条、微分、非线性方程;
• 潜在变量;
• 量化不确定性：随机性，方差和误差项;
• 拟合模型：最大似然估计、最大后验估计、变分贝叶斯、马尔可夫链蒙特卡罗、过拟合。
• 贝叶斯与频率统计;
• 假设检验;
• 聚类;
• 成分分析;

离原始数据最远的是一组统计技术，通常称为黑盒方法。机器学习和人工智能的许多方法都是黑盒方法。如果你尝试将出现在数据集中的个体分类为几个类别，并且你应用机器学习技术(如随机森林或神经网络)，事后往往很难说为什么是以某种方式分类。数据进入黑匣子，分类出来，最后你通常不能解释两者之间究竟发生了什么。

【编辑推荐】

1. 干货 ：送你12个关于数据科学学习的关键提示（附链接）
2. 初级数据科学家常犯的十大编程错误
3. 数据科学岗位将在未来5年内重新洗牌，你准备好转型了吗？
4. 除Kaggle外，还有哪些顶级数据科学竞赛平台
5. 给有抱负的数据科学家的六条建议

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!