帮助你在2021年成为数据科学家的21个有用的小方法

1、最简单的解决方案往往是最好的解决方案

成为数据科学家并不意味着你必须使用机器学习模型解决所有问题。 如果CASE WHEN查询足以完成工作，则坚持这样做。 如果线性回归足以完成任务，则不要构建10层神经网络。

更简单的解决方案有很多好处，包括更快的实施时间，更少的技术负担以及总体上更容易的可维护性。

2、花点时间来发现和探索新的库和包

坚持使用你喜欢的工具很容易，但是使用创造新工具是有原因的——它们是用来填补现有的空白的。通过花时间探索新的库和包，我发现了一些令人难以置信的工具，它们为我节省了大量时间。以下是其中的一些:

Gradio是一个Python包，它允许你用三行代码就可以为你的机器学习模型构建和部署一个web应用。它的作用与Streamlit或Flask相同，但我发现它更容易部署模型。

Pandas Profiling是另一个自动进行探索性数据分析并将其整合到报告中的软件包。我发现当我使用较小的数据集时，这非常有用。最棒的是它只需要一行代码!

Kedro是一个开发工作流工具，允许你创建可移植的ML管道。它将软件工程最佳实践应用到你的代码中，使其可重现性、模块化和文档化良好。

3、高效并不意味着匆忙完成重要的步骤

有些步骤是不能匆忙的。特别是应该花时间深入理解试图解决的业务问题和正在使用的数据。

4、可以说，指标比模型本身更重要

这一点在某种程度上与前一点相联系，因为你必须对你要解决的问题有一个非常好的理解。除了理解这个问题，你还需要弄清楚你想优化的指标，因为归根结底，机器学习是统计和优化的花哨词汇。

举个例子，我可以有一个100%准确率的模型，但如果我试图开发一个异常检测模型，这是没有用的!

5、你的工作表现取决于你的沟通能力

人们会被他们不理解的东西吓倒，并倾向于避开它们。

你必须能够以非技术人员能够理解的方式交流技术术语和建模技术。如果你花时间构建了一个很棒的模型，你就应该花更多时间进行有效的沟通，这样人们才能认可你的努力!

（编辑：四平站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!