计算数学方向研究生博士想转机器学习，大家有何建议？

有数学基础学机器学习没有问题，但是编程方面还要多努力，我的数学系师姐也是硕博，她自己也在看一些机器学习的东西，老板管的不多，所以主要是看自己的兴趣，其次要是想留高校，还要关注一下大的发展方向。

我是博士从凝聚态转到机器视觉的，痛苦迷茫了两年，但是慢慢就好了。没什么大不了的。

真的有决心 自己学

学历不重要 有没有能力最重要

我当年也是学的拓扑学 转的计算机 现在干的也还可以

这得看你导师同意不同意喽。如果同意的话，强烈建议你转。机器学习现在很火，实用价值很强，学出来应用范围很广的。

程序员需要学好数学吗？为什么？

答案是肯定的，程序员一定要学好数学。

程序设计是算法和数据结构的结合，说到底程序设计就是一个数学问题，所以对于程序员来说，有一个扎实的数学基础是非常重要的。但是，并不是说数学基础不好就不能做程序员，下面做一个简单的分析。

随着互联网的发展，目前程序员可以从大体上分为研发级程序员和应用级程序员，对于应用级程序员来说，数学知识在平时的开发过程中涉及的并不多，甚至可以说比较少。应用级程序员的主要工作集中在软件功能模块的实现上，大部分开发任务是管理系统的实现，这部分工作往往就是把各个封装好的软件功能做一个集成。很多公司往往都把大量的核心功能进行了模块化封装，比如数据存储服务、事务服务、业务逻辑服务等都有具体的封装模块，作为程序员来说，只需要按照业务流程把这些服务集成起来就可以了，所以对于数学知识的掌握程度并不会影响工作的开展。

但是，对于研发级程序员来说，数学就显得比较重要了。举例来说，目前大数据、人工智能领域是比较热门的领域，在这个领域的研发级程序员也比较集中，因为一个技术在发展和应用的早期往往都需要解决很多系统级问题，这个时候往往就需要大量的研发级程序员。在大数据和人工智能领域每天都要接触各种算法，数据收集、算法设计、验证算法、训练算法、使用算法、调参、优化等等操作都离不开数学知识，可以说如果没有一个扎实的数学基础，这些开发工作就无从做起。

所以，数学对于研发级程序员的重要程度是非常高的。如果程序员想在开发领域走的更远，一定要向研发级程序员方向走，而数学则是一个重要的基础。

另外，程序员对英语也是有一定要求的，随着开发任务的提升，英语的重要作用就会凸显出来，现在很多大型互联网公司都是业务全球化部署，内部不少开发工作的交流都是采用英语完成的。

我的研究方向是大数据和人工智能，目前也在带大数据方向的研究生，我会陆续在头条写一些关于大数据方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。

如果有软件开发方面的问题，也可以咨询我。

谢谢！

统计建模和机器学习建模，有什么区别？

统计建模和机器学习建模都可以用于数据分析、数据挖掘，不同的是统计建模基于传统的统计学方法，如回归分析、聚类分析、主成分分析等，偏重于对于已知现象或者数据的描述，而机器学习建模虽然也基于统计学，但是更偏重于对于未知现象或者数据的预测，对于数据量大小有一定要求。

统计建模统计建模是指以统计学知识进行建模，常用的统计学知识有：参数估计、假设检验、方差分析、回归分析、时间序列、聚类分析、主成分分析及因子分析等，具体如下图所示。

机器学习建模机器学习建模指以机器学习算法进行建模，常用的机器学习算法有：K近邻算法、决策树、逻辑回归、SVM、随机森林、聚类分析、关联分析等，实现这些算法的语言有Python和R。具体如下图所示。

数学基础不论是统计建模，还是机器学习建模，都需要有良好的数学基础，主要就是微积分、线性代数、概率论这三块。

回答完毕！欢迎关注【数据科学孙斌】，分享数据科学相关的知识！

Spss statistics与Spss Modeler这两个软件都是关于数据方向的软件，其中Spss statistics更加偏向于数据分析，而Spss Modeler更加偏向于数据挖掘。相信数据分析和数据挖掘的概念，你应该很明确了吧？在此就不再赘述了。

Spss statistics更加偏向于统计、数据分析；Spss Modeler主要是用于数据建模，提供一个数学模型。

如果不会Python的话，同时掌握了这两个软件再加上统计学理论知识的话，找个数据分析工作问题不大，不过随着你自己的未来发展，Python和R语言，我相信都是你需要补课的重要内容。

机器学习更加难一些，其需要Python和强大的数学知识，可能还需要Matlab做仿真什么的。不过难的地方，往往出路更大。夫夷以近，则游者众；险以远，则至者少。而世之奇伟、瑰怪，非常之观，常在于险远，而人之所罕至焉，故非有志者不能至也。

共勉~