數(shù)據(jù)科學是什么？數(shù)據(jù)分析？機器學習？還是數(shù)據(jù)工程？答案可能有很多，但也許只有直接與某個公司的數(shù)據(jù)科學家交流，才能了解該公司是如何看待數(shù)據(jù)科學的。由Netflix舉辦的第三屆聚焦數(shù)據(jù)科學的WiBD研討會，為我們所有人了解Netflix的數(shù)據(jù)科學故事提供了絕佳機會，一起來看看吧！

數(shù)據(jù)科學是一個非常抽象的概念。有些人認為它是數(shù)據(jù)分析，也有一些人認為它是機器學習，還有些認為它帶有一些數(shù)據(jù)工程的味道。

業(yè)界對數(shù)據(jù)科學這一概念難以達成一致有很多原因，其中一點就是，現(xiàn)在大范圍內(nèi)的崗位都可能涉及數(shù)據(jù)科學，并且這些崗位的職責都不盡相同。

此外，不同公司之間的細微差別，甚至是同一公司內(nèi)部的不同團隊之間的細微差別都會導致對數(shù)據(jù)科學的理解不同。因此，只有直接與某個公司的數(shù)據(jù)科學家交流才能了解該公司是如何看待數(shù)據(jù)科學的。

信息不對稱是一個令人遺憾的事實，它阻礙了許多人追尋數(shù)據(jù)科學以及數(shù)據(jù)工程這一職業(yè)的道路。

如果我們投入越多的工作時間來解決這一棘手的問題，那么這一阻礙也就能越早被突破。關(guān)于這一點，推薦一個社會教育企業(yè)——HasBrain，該企業(yè)致力于填補信息缺口并且為想要學習并找到通往數(shù)據(jù)科學和數(shù)據(jù)工程道路的人提供幫助。

構(gòu)建數(shù)據(jù)科學項目

頭腦風暴活動

現(xiàn)實世界的數(shù)據(jù)科學項目與理論上的有何不同，如何構(gòu)建數(shù)據(jù)科學項目才能更高效？Becky在研討會上展示的數(shù)據(jù)科學項目體系對該問題總結(jié)得非常好。

以下是Becky的總結(jié)

步驟一：從了解業(yè)務問題開始

下面的幻燈片，是Becky就如何定義成功而列出的一系列業(yè)務問題。如果你想要很好地證明你的概念，你需要一開始要以一個簡單模型作為基準，然后從增量改善（incremental improvement）的角度來評估模型的價值。

否則，你會一直困擾于75%的準確度是否足夠好這樣的問題。擁有物理學博士學位的Becky也提到，專業(yè)學者總是會仔細檢查到最后那20%，以確保結(jié)果是無懈可擊的。所以，如果博士生們想要成為數(shù)據(jù)科學家，這一點是需要特別注意的。

步驟二：制定技術(shù)計劃

除了下面的幻燈片中列出的細節(jié)，Becky還強調(diào)了溝通的重要性，同時還提出要站在利益相關(guān)者的角度思考。因為利益相關(guān)者最關(guān)心的未必是機器學習的誤差測度，所以要學會如何將業(yè)務目標轉(zhuǎn)化為價值優(yōu)化問題，這一點極為關(guān)鍵。

相較于“重新發(fā)明輪子”，弄明白和學會使用現(xiàn)有的技術(shù)可以為我們節(jié)省很多時間?，F(xiàn)有的用于監(jiān)督學習的技術(shù)，如預測建?；蚍诸?，都有很好的文檔記錄。

然而，在相對更先進以及更專業(yè)的機器學習領(lǐng)域（例如NLP和圖像分類），新文章不斷地發(fā)表，技術(shù)不斷地更新。因此，即時了解最新和最好的研究論文是數(shù)據(jù)科學家們需要牢記的黃金準則。

步驟三：對概念進行初步驗證 -> 不斷迭代/驗證直到成功或是無法再繼續(xù) -> 向利益相關(guān)者傳達結(jié)果

如果你對工作流程甚至是數(shù)據(jù)科學家使用的工具或庫還有任何的疑問，都可以參考Becky在項目構(gòu)建中對“doing the project”這部分的詳細描述。

步驟四：模型產(chǎn)品化

如果一些數(shù)據(jù)科學家告訴你必須要學會編寫產(chǎn)品級代碼，那么，他們可能需要獨立處理模型產(chǎn)品化，而不是交給機器學習工程師或是軟件工程師。

模型產(chǎn)品化本質(zhì)上就是指不要在現(xiàn)有的模型輸出上停滯不前。你的結(jié)果輸出是產(chǎn)品的一部分，并且會改變用戶的實際體驗。

你的代碼也會成為更大的產(chǎn)品代碼庫的一部分，例如，如果你歸類用戶是否會在未來兩周內(nèi)流失，被預測為會流失的用戶和被預測為不會流失的用戶可能會有不同的用戶界面（UI）。

實際上，你是為其他團隊創(chuàng)建了一個API來調(diào)用你的模型并獲得模型輸出。你可能需要重構(gòu)你的代碼，此時，只要API沒有中斷并且終端用戶體驗是無縫的，你就可以不斷地升級模型。

Becky自學了工作中要用到的軟件工程方面的知識，學會使代碼模塊化，以實現(xiàn)可重復性并提高算法效率。甚至有時，可能會參與到軟件工程師或是數(shù)據(jù)工程師的團隊中。這不僅取決于工作的復雜性，還取決于服務等級協(xié)議(Service Level Agreement, SLA)。例如，如果你的API需要一直處于運行狀態(tài)，則可能需要更廣泛的代碼審查或軟件工程團隊的直接參與。

溝通與問題解決

在講述了數(shù)據(jù)科學項目的構(gòu)建之后，Becky更多地談到了有效溝通和解決問題的技巧的重要性。如何向非技術(shù)人員的利益相關(guān)者們解釋復雜的數(shù)據(jù)科學概念，是獲得他們買進支持的重要環(huán)節(jié)。

Becky將她在攻讀物理學博士學位期間學會的一項技能運用于此——將復雜問題分解成小塊并逐一解決。類似地，她就將利益相關(guān)者的高階問題（high level question）進行分解，并找出數(shù)據(jù)科學項目可以提供價值的地方。

如果沒有數(shù)據(jù)科學家的工作經(jīng)驗，想要勝任這部分工作是不容易的，因為包括Kaggle項目在內(nèi)的大多數(shù)實踐項目都是從已經(jīng)定義明確的數(shù)據(jù)科學問題開始的。Becky談到，這些軟技能其實是從經(jīng)驗中獲得的，當然也可以從有效的反饋中學習。

與此同時，她也會閱讀一些基礎(chǔ)書籍來熟悉商業(yè)中的通用概念和術(shù)語。另外，許多其他資深的數(shù)據(jù)科學家們都建議，如果想要進一步發(fā)展自己的商業(yè)頭腦，則需要閱讀一些產(chǎn)品管理的書籍和文章。

實踐練習

這個項目使用WDI數(shù)據(jù)來預測業(yè)務啟動成本，非常適合初學者。如果你是機器學習新人，或是剛剛完成一些監(jiān)督學習的網(wǎng)絡基礎(chǔ)課程，這將會是一個很好的額外練習機會。

現(xiàn)在，讓我們回到之前談論的問題解決和溝通方面，Becky就此提出了一個業(yè)務問題：“在不同的國家開展業(yè)務都有多難？”她還確立了一個項目目標，即預測在不同國家開展業(yè)務的成本。

如果這是一個實際的工作項目，對于開展業(yè)務的便利性來說，這些預測成本要如何成為整體評估決策中的一部分，我想，她可能需要與利益相關(guān)者就此問題達成一致。

最后，希望這個總結(jié)對你有幫助。祝所有數(shù)據(jù)科學愛好者們好運！并再次感謝Netflix團隊的慷慨分享！另有演示的幻燈片和錄像可供使用。