翻译 每位数据科学家都应该要知道的12个统计和机器学习方法

firedata 2016-04-25 98769 0 0

## 每位数据科学家都应该要知道的12个统计和机器学习方法 以下的内容是我个人列出的一个清单，写的是在2016年中，每位数据科学家都应当知道的12个统计和机器学习方法。 #### 1.统计假设性检验（t检验、卡方检验和方差分析） #### 2.多元回归分析（线性模型） #### 3.广义线性回归（逻辑回归、泊松回归） #### 4.随机森林 #### 5.Xgboost（极端梯度提升决策树） #### 6.深度学习 #### 7.基于MCMC的贝叶斯建模 #### 8.word2vec #### 9.k均值聚类 #### 10.图论和网络分析 #### 1）LDA分配和主题建模 #### 2）因数分解（奇异值分解、非负矩阵分解） 从我在数据科学行业的4年从业经验来看，我认为当前的这12种方法是用的最多的，最有用的，而且也是最适合应对数据科学里的各种问题的。  就我的认知来看，目前有不少人已经列举出很多“数据科学行业里最有代表性的方法”的清单，然而有些清单由于缺乏对当前先进的数据科学技术进行跟进从而变成了过时的清单了。因此，我以一位处理业务的人员的角度来列举这样的一个清单，而这份清单则包含了在数据科学里一些实际的东西和解决方案，它包括统计学和机器学习里的一些方法。 此外，就这份清单本身而言，我会针对每种方法进行相关的实验，并对此配备相应的数据集和R和Python的脚本，这样就给读者一个机会来尝试用这些方法。 原来的帖子在[这里](http://tjo-en.hatenablog.com/entry/2016/04/18/190000 "这里")，包括R和Python的脚本以及每个实验所配对的数据集。 >数据人网作者：何品言 热爱数据科学和英语 严禁修改，可以转载，请注明出自[数据人网](http://shujuren.org "数据人网")和原文链接。

评论请先 登录
还没有账号？ 注册

firedata

回复 @一品带刀侍卫66 说：希望你能够从中有所收获。有什么特别的想法，欢迎留言

2016-04-27

回复 0

一品带刀侍卫66

干货 支持！！！

2016-04-27

回复 0

一品带刀侍卫66

干货 支持！！！

2016-04-27

回复 0