400
技術社區[雲棲]
一文總覽數據科學全景：定律、算法、問題類型...
2016年，英國數學家，樂購俱樂部構架師Clive Humbly提出“數據是新能源”這樣一個說法。他說：
“數據是新能源。它擁有極高的價值，卻需要經過提煉才能使用。就像石油一樣，必須被轉化為氣體、塑料或者化學品等，才能發揮出其實際的作用； 因此，數據隻有被分解和分析之後才具備價值。”
iPhone革命，移動經濟的增長，為大數據技術的發展創造了一個完美的契機。在2012年，HBR（Harvard Bussiness Review）發表過一篇文章，將數據科學家推到了風口浪尖上。這篇名為《數據科學家: 21世紀最性感的職業》（Data Scientist: The Sexiest Job of the 21st Centry) ( https://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-century) 給這群“新人類”打上了標簽： 一個數據黑客、分析師、傳播者和信譽顧問的混合體。
每個公司目前都在嚐試變得更為“數據驅動（data-driven）”。機器學習技術在其中提供了很大的幫助。這其中很多的東西非常專業，很難理解。因此，本係列文章將會簡化數據科學。作者嚐試參照斯坦福大學的課程以及教科書統計學習導論（Introduction to Statistical Learning） (https://www-bcf.usc.edu /~gareth/ISL/ )，將數據科學以一種簡單容易理解的形式呈現給讀者。
數據科學是一個多學科領域，主要包括：
-
商業知識 （Business Knowledge）
-
統計學習又名機器學習 （Statistical Learning aka Machine Learning）
-
電腦編程 （Computer Programming）
該係列的重點是簡化數據科學中機器學習方麵的知識。本文將首先介紹數據科學中的基本定律，常用算法以及問題類型。
核心定律
（圖片轉載自 (Menon, 2017)）
數據是一項戰略資源：這一概念是一種組織思維。問題是：“我們是否正使用我們所收集和存儲的全部數據信息？我們能否從中挖掘有意義的資源？”我非常確定，這些問題的答案都是“否”。以雲端為基礎的公司都依賴數據驅動。它們勢必將數據視為戰略性資源。但這一觀念並非適用於大多數機構。
知識攝取的係統化流程：挖掘數據需要一套有條理的流程，這其中包括明確的步驟，以及每一步清晰可實現的目標。就好比跨行業數據挖掘標準流程（CRISP-DM） (https://en.wikipedia.org/ wiki/ Cross_Industry_Standard_Process_for_Data_Mining)。
與數據共眠：相關機構應當投資熱衷於數據的專業人士。將數據轉化為資源的不是煉金術。這個世界也沒有萬能的煉金術士。他們需要的是懂得數據價值，能識別和創造數據資源的信仰者。以及可以將數據，科技以及金融這些領域鏈接在一起的專業人才。
接受不確定性：數據科學不是一顆銀色子彈（特效武器）。它也不是水晶球，可以用來預言未來。像報告和關鍵績效指標一樣，它是一個決策推動者。數據科學是一個工具，而不是一種達到目的的手段。它不是絕對的，而是屬於概率的範疇。管理層和決策層需要接受這個事實。他們需要將被量化的不確定性加入到決策過程中。隻有當相關機構采取實驗的文化，並且能夠從失敗中迅速學習，才能立足於不確定性之上成長。
BAB定律（Business-Analytics-Business）：我認為這是最重要的一條定律。多數數據科學的文獻都將重點放在模型和算法上。方程式本身缺乏商業背景。BAB則是突出其中的商業部分。把算法置於商業背景中是至關重要的。定義商業問題，用分析來求解，最後將答案集成到商業流程中。也就是所謂的BAB：商業-分析-商業，這麼一個過程。
流程
（圖片轉載自 (Menon, 2017)）
參考第二定律，這一段將會把重點放在介紹數據科學中的流程部分。以下是一個典型數據科學項目中的各個階段:
1. 定義商業問題 （Define Business Problem）
愛因斯坦曾說：“凡事保留其本質，力求最簡”。這個引用可以說是定義一個商業問題的關鍵。問題的描述需要精確的加工，必須明確定義出所需達成的目標。根據我的經驗，業務團隊過於忙於手頭的任務，卻忽略了需要應對的挑戰。頭腦風暴會議，研討會以及訪談都可以幫助發現這些挑戰，並且製定假設。舉個例子，我們假設一家電信公司由於客戶群的減少導致同比收入下降。在這種情況下，商業問題可以定義為：
-
公司需要通過開發新客戶群，同時減少客戶流失，來擴大客戶基礎。
2. 分配機器學習任務 （Decompose To Machine Learning Tasks）
定義好的商業問題需要被分配為各項機器學習任務。就以上例子來說，如果公司需要通過開發新市場，減少客戶流失，來擴大客戶基礎，那麼我們如何將其分解為機器學習問題？以下是一個分解方案：
-
減少客戶流失x％。
-
確定目標營銷的新客戶群。
3. 數據準備工作 （Data Preparation）
製定了商業問題，並且將其分解為機器學習任務之後，我們需要深入了解其相關數據，以便製定適當的分析策略。需要注意數據的來源，數據的質量，以及數據的偏差等主要事項。
4. 探索性數據分析（Exploratory Data Analysis）
就像宇航員探索宇宙一樣，一位數據科學家需要探索數據模式中的未知，深入了解其隱藏的特征，並記錄新的發現。探索性數據分析（EDA）是一項扣人心弦的任務。我們能夠更好地了解數據，調查其細微的差別，發掘隱藏的模式，開發新的特征，並且製定建模策略。
5. 建模 （Modelling）
在探索性數據分析之後，我們將進行建模。在這個階段，我們針對具體的機器學習問題，選擇最適用的算法，比如常見的回歸（Regression）、決策樹（Decision Tree）、隨機森林（Random Forest）等算法。
6. 部署和評估 （Deployment and Evaluation）
最終，我們部署好建立的模型，並對它們進行不斷監測，觀察他們在現實中的表現，並進行有針對性的校準。
通常，建模和部署部分隻占全部工作的20％，剩餘的 80％的工作是對數據的研究以及深度的了解。
機器學習的問題類型
（圖片轉載自 (Menon, 2017)）
簡單來說，機器學習被分為兩大類：監督學習和無監督學習。
1. 監督學習（Supervised Learning）
監督學習任務擁有一個事先定義好的目標。建模者有針對性地觀察並且影響機器學習模型的生成的過程，以實現其特定的目標。監督學習可以進一步分為兩類：
-
回歸 （Regression）：
回歸模型在機器學習任務中非常常見，用於估計和預測一個數值變量。舉兩個例子：
-
下個季度潛在收入的預估是多少？
-
明年可以結交多少筆交易？
-
分類 （Classification）:
顧名思義，分類模型把目標分開並歸整為幾個特定的類型。它適用於所有類型的應用。舉幾個典型的例子：
-
使用分類模型過濾垃圾郵件，將收到的電子郵件基於某些特征分類為垃圾郵件和可接收郵件。
-
流失預測是分類模型的另一個重要應用。電話公司普遍使用流失模型（Churn Model）來預測用戶是否會流失（即停止使用服務）。
2. 無監督學習（Unsupervised Learning）
無監督學習沒有指定的目標，因此產生的結果有時候會難以解釋。無監督學習任務有很多種類型。最常見的幾個是：
聚類（Clustering）：通過相似度把目標歸類在一起。比如客戶細分就是使用聚類算法。
關聯（Association）：關聯算法用來尋找相互匹配的產品。購物籃分析（Market Basket Analysis）就是使用關聯算法將產品捆綁銷售。
鏈路預測（Link Prediction）：鏈路預測用於查找數據項之間的連接。比如 Facebook，Amazon和Netflix這些網站大規模地使用鏈接預測算法來為我們推薦相關朋友，熱衷商品和的電影。
數據簡化（Data Reduction）：數據簡化方法用於減少數據集中特征的數量。它將大量屬性的大型數據集用較少的屬性呈現出來。
機器學習任務到模型到算法
一旦將業務問題分解為機器學習任務，一個或多個算法可以解決給定的機器學習任務。通常，一個模型是使用多個算法進行訓練的。選擇提供最佳結果的算法或算法集合進行部署。
Microsoft Azure Machine Learning有30多種預先構建的算法，可用於訓練機器學習模型。
（圖片轉載自 (Menon, 2017)）
Azure Machine Learning cheat-sheet可以幫助你探索這些算法。
結論
數據科學是一個非常廣泛的領域。它扣人心弦，是一門科學，亦是一門藝術。在這篇文章中，我們僅僅探索了冰山的一角。如果在不懂得其原理“why”的情況下去探索它的方法“how”是沒有意義的。在隨後的文章中，我們將繼續探討機器學習的方法“how”。
原文發布時間為：2017-08-16
本文作者：Pradeep Menon
最後更新：2017-10-11 11:34:40