数据科学

当数据集非常庞大时，我们很难建立模型。庞大的数据集需要大量的时间和强大的计算能力来工作，它们已然耗尽了模型所需要的一切。特征选择是一种方法，我们可以只选择重要或最有贡献的特征进行训练，同时所需的代价非常小或几乎不损失精度。

全栈数据科学家是一个独特的角色，他能够充当软件工程师，数据工程师，业务分析师，机器学习工程师和数据科学家的角色，操办所有的事务。这个人拥有多样化的技能，甚至超出了普通数据科学家的技能，并且可以成为公司管理数据科学项目整个生命周期的一站式服务。

MLOps 的主要优势是高效率、可扩展性和可再现性。MLOps 包括从数据流到机器学习模型部署的所有内容。在某些情况下，MLOps 只是用于模型部署，但你也可以找到更成熟的企业，它们已经在各种 ML开发领域实现了MLOps，如探索性数据分析（EDA）、数据预处理、模型训练等。

由于有软件开发的教育背景，我对“软件开发生命周期”(SDLC)烂熟于心，我为自己准备了许多检查清单，确保我尽可能地编写最好的代码。当我开始在网上查阅大量的数据科学课程和证书时，我注意到有一个重要的东西被遗漏了：任何对项目生命周期的提及。直到我自己挖掘，我才知道数据科学确实有一个通用的生命周期，而且它足够灵活，可以进行修改，能适应每个团队或项目的需求。

为了缓解欺诈问题，机器学习欺诈检测研究已经做出了许多努力，但仍然没有完美的解决方案。这是可以理解的，因为每个企业都有不同的需求，数据也在不断发展。

大多数数据科学课程都可以很好地帮助你开始学习编程语言，并刷新你已有的数学和统计知识，但它们缺乏几个专门针对你在工作中所需技能的模块，这些技能将帮助你与其他数据科学家一起高效地工作，并让非数据科学家也可以理解你的工作。

决策树是一种非监督学习方法，可用于分类和回归任务。目标是建立一个模型，通过学习从数据特征推断的简单决策规则来预测目标变量的值。决策树是机器学习算法之一，容易过度拟合。剪枝是一种技术，它删除了决策树中阻止其生长到完全深度的部分。它从树中移除的部分是不提供对实例进行分类的功能的部分。一个被训练到其最大深度的决策树很可能会导致过度拟合训练数据，因此剪枝是很重要的。

疫情之后，美国的经济也遇到一些罕见的情况，很多公司都开始缩减招聘预算，在这种复杂的情况下，我们很有必要看看还有哪些公司在招人？哪些行业还在持续增加招聘预算？准备这些企业的面试需要注意哪些问题？怎样提升面试的成功率？