1 數(shù)據(jù)科學(xué)
數(shù)據(jù)科學(xué)的定義：數(shù)據(jù)科學(xué)是基于計(jì)算機(jī)科學(xué)，以數(shù)學(xué)為為主要手段，物理、生物、醫(yī)療、化學(xué)、材料、社會(huì)學(xué)科、商業(yè)等為應(yīng)用目標(biāo)，交叉產(chǎn)生的一門跨學(xué)科的綜合型學(xué)科。其中數(shù)學(xué)與計(jì)算機(jī)交叉衍生出機(jī)器學(xué)習(xí)、數(shù)據(jù)分析。
數(shù)據(jù)科學(xué)的范疇：所有需要計(jì)算和驗(yàn)證的學(xué)科、領(lǐng)域都需要數(shù)據(jù)科學(xué)。數(shù)據(jù)科學(xué)為商業(yè)決策、智能分析等提供了基礎(chǔ)工具和可應(yīng)用的方法論。
數(shù)據(jù)科學(xué)中的數(shù)學(xué)理論包含：
微積分、統(tǒng)計(jì)學(xué)、集合論、概率論、貝葉斯概率論、經(jīng)典概率論、隨機(jī)過程、時(shí)間序列分析等統(tǒng)計(jì)概率理論，代數(shù)幾何方向包含線性代數(shù)，矩陣論，群論，離散數(shù)學(xué)，微分幾何，拓?fù)鋵W(xué)、圖論等數(shù)學(xué)分支學(xué)科。
圖1.1 數(shù)據(jù)科學(xué)交叉領(lǐng)域
圖1.2 數(shù)據(jù)科學(xué)在整個(gè)數(shù)據(jù)分析流程中的位置和作用
2 數(shù)據(jù)科學(xué)家的技能樹
大數(shù)據(jù)時(shí)代，什么職業(yè)比較吃香?答案可以從今年的校招薪資列表上知道----算法工程師、人工智能研究員、數(shù)據(jù)分析等職位。那么作為一名數(shù)據(jù)科學(xué)家，應(yīng)該具備的技能有哪些呢?接下來，讓我們來看看數(shù)據(jù)科學(xué)家這個(gè)角色的技能樹。
圖2.1 數(shù)據(jù)科學(xué)家的角色
圖2.2 數(shù)據(jù)科學(xué)家的技能樹
數(shù)據(jù)科學(xué)家除了技術(shù)技能之外，還需要很好的非技術(shù)技能。包括好奇心，商業(yè)頭腦，溝通能力以及團(tuán)隊(duì)合作。
3 計(jì)算到推理的橋梁
人類的智能來自于對(duì)大自然的不斷探索和認(rèn)知，計(jì)算和環(huán)境的融合也將是實(shí)現(xiàn)計(jì)算智能的必經(jīng)之路。
目前主流的人工智能仍然存在許多基礎(chǔ)問題。其中，如何讓計(jì)算機(jī)理解‘常識(shí)’，成為突出問題。在我們?nèi)粘５恼J(rèn)知和判斷過程中，我們與現(xiàn)實(shí)環(huán)境進(jìn)行交互，通過個(gè)體腦海中的常識(shí)對(duì)環(huán)境做出判斷，既而產(chǎn)生對(duì)應(yīng)行動(dòng)。目前AI基于“深度學(xué)習(xí)+海量數(shù)據(jù)” 訓(xùn)練模型的方式，并不能真正獲得這種‘常識(shí)’，它更像是通過深度學(xué)習(xí)來編碼一個(gè)領(lǐng)域的大量數(shù)據(jù)，其中神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)成為了優(yōu)化計(jì)算的利器，而不是在認(rèn)知這件事情本身上的努力。長(zhǎng)久下去，機(jī)器智能將停留在暴力遍歷的邏輯中不可自拔。對(duì)于喚醒機(jī)器去實(shí)現(xiàn)自主智能，還需要很多探索和嘗試。其中，強(qiáng)化學(xué)習(xí)無(wú)疑是在這一領(lǐng)域?qū)⒂型黄频姆较颉?/p>
4 強(qiáng)化學(xué)習(xí)，另一種認(rèn)知的角度
強(qiáng)化學(xué)習(xí)在機(jī)器學(xué)習(xí)中的角色
最近，Deepmind 團(tuán)隊(duì)發(fā)表論文《
Causal Reasoning from Meta-reinforcement Learning
》。論文認(rèn)為發(fā)現(xiàn)和利用環(huán)境中的因果結(jié)構(gòu)是智能體面臨的一大關(guān)鍵挑戰(zhàn)。圍繞這一問題，Deepmind 團(tuán)隊(duì)探索了元強(qiáng)化學(xué)習(xí)來實(shí)現(xiàn)因果推理（cause reasoning）的可能。通過使用無(wú)模型強(qiáng)化學(xué)習(xí)訓(xùn)練一個(gè)循環(huán)網(wǎng)絡(luò)來求解一系列包含因果結(jié)構(gòu)的問題，訓(xùn)練后的智能體能夠在全新的場(chǎng)景中執(zhí)行因果推理，從而獲得獎(jiǎng)勵(lì)。智能體可以選擇信息干預(yù)、根據(jù)觀察數(shù)據(jù)得出因果推論以及做出反事實(shí)的預(yù)測(cè)。盡管也存在已有的形式因果推理算法，論文結(jié)論表明這些推理也可以由無(wú)模型強(qiáng)化學(xué)習(xí)產(chǎn)生，并提出這里給出的更多端到端的基于學(xué)習(xí)的方法也許有助于在復(fù)雜環(huán)境中的因果推理。通過讓智能體具備執(zhí)行——解釋——實(shí)驗(yàn)的能力，該研究也能為強(qiáng)化學(xué)習(xí)中的結(jié)構(gòu)化探索提供新的策略。
從這個(gè)角度出發(fā)，強(qiáng)化學(xué)習(xí)為機(jī)器智能推理提供了一種可能。
5 數(shù)據(jù)科學(xué)入門必備
基礎(chǔ)篇：《Data 8，foundations of data science》
第一本是課程《Data 8，foundations of data science》的教材。這門課程主要介紹了統(tǒng)計(jì)學(xué)、推理、計(jì)算機(jī)科學(xué)的一些基礎(chǔ)理論與關(guān)鍵技術(shù)，以及如何提出數(shù)據(jù)問題。教材中包含了數(shù)據(jù)科學(xué)方向?qū)W生需要了解的基礎(chǔ)知識(shí)，是以開源項(xiàng)目的形式進(jìn)行維護(hù)的。
項(xiàng)目地址：
https://github.com/data-8/textbook
教材地址：
https://www.inferentialthinking.com/chapters/intro.html
作者：Ani Adhikari，John Denero
進(jìn)階篇：《Principles and Techniques of Data Science》
這門課在Data8之后，需要讀者具備基本的table操作能力、概率概念、分布、分類等先修知識(shí)，還需要有Python編程基礎(chǔ)。
項(xiàng)目地址：
https://github.com/DS-100/textbook
教材地址：
http://www.textbook.ds100.org/
作者：Sam Lau，Joey Gonzalez，Deb，Nolan
計(jì)算到推理，需要我們系統(tǒng)的學(xué)習(xí)和了解我們目前科學(xué)體系獲取知識(shí)的主要方法。其中統(tǒng)計(jì)學(xué)和實(shí)驗(yàn)方法論是科學(xué)家的兩大利器。恰巧強(qiáng)化學(xué)習(xí)理論在這兩方面都有涉獵。通過對(duì)目前數(shù)據(jù)科學(xué)和數(shù)據(jù)科學(xué)家角色的認(rèn)識(shí)，我們更能看清數(shù)據(jù)如何在現(xiàn)實(shí)中發(fā)揮決策功能，提高社會(huì)生產(chǎn)效率和商業(yè)價(jià)值最大化。同樣，也給我們新的角度和期盼去實(shí)現(xiàn)強(qiáng)化學(xué)習(xí)在這些領(lǐng)域的價(jià)值。
下期預(yù)告：強(qiáng)化學(xué)習(xí)基礎(chǔ)概念
有三AI-強(qiáng)化學(xué)習(xí)星球
強(qiáng)化學(xué)習(xí)知識(shí)星球創(chuàng)建了，免費(fèi)加入，內(nèi)容包括理論追新，前沿論文共讀，一周一篇，強(qiáng)化學(xué)習(xí)工程實(shí)現(xiàn)，理論創(chuàng)新設(shè)計(jì)等，歡迎大家加入！
轉(zhuǎn)載文章請(qǐng)后臺(tái)聯(lián)系
侵權(quán)必究
聯(lián)系客服
