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~