谷歌首席決策科學家：30篇文章通關數據科學與人工智能
2019-01-24 來源：raincent
編譯：ZoeY、睡不著的iris、楊威、蔣寶尚
谷歌首席決策科學家(Chief Decision Scientis)凱西柯茲科夫(Cassie Kozyrkov)在2018年非常高產，為大家寫了非常多關于人工智能、大數據的文章。以下是他感覺她寫過最優(yōu)秀30篇文章，這些文章主要關注：數據科學和分析、人工智能、機器學習.... ...
當然，除了給出文章鏈接之外，她還對文章給出了總結性極強的“妙語”。
數據科學與分析
《數據科學究竟是什么?》：這篇文章快速介紹了數據科學、數據工程、統計學、分析學、機器學習和人工智能。
數據科學是使數據有用的學科。
https://towardsdatascience.com/data-science-conversation-starters-84affd2347f6
2014年，推特對“數據科學家”的定義
《偉大的數據分析師都在做什么?為什么每個組織機構都需要他們?》：這篇文章主要介紹：優(yōu)秀的分析師是保證高效的數據工作的先決條件。不要低估他們，他們的離職對你來說是非常危險的。
https://hbr.org/2018/12/what-great-data-analysts-do-and-why-every-organization-needs-them
數據科學的三個支柱分別有各自的優(yōu)點。統計學家保證嚴謹，機器學習工程師改善性能表現，分析師提供速度。
《哈佛商業(yè)評論中的秘密段落》是對《哈佛商業(yè)評論》補充的思考內容。里面的主題包括混合角色，研究的本質，蝙蝠信號，數據騙子和偉大分析師們!
企業(yè)家需要注意：現在有很多冒充數據科學家的數據騙子。遺憾的是，目前還沒有十全十美的辦法可以辨別數據騙子。
http://bit.ly/quaesita_bsides
《人工智能和數據科學的十大角色》：這篇文章介紹了不同的職位名稱和它們對應的級別。
如果你的第一份工作的職稱就是“研究員”，那么你公司的職稱系統可能不是很完善。
https://hackernoon.com/top-10-roles-for-your-data-science-team-e7f05d90d961
機器學習/人工智能概念
《可能是你讀過的最簡單的機器學習知識介紹》的主旨是，機器學習是以實踐用例為導向的，而不僅僅是文字說明。
機器學習是一種新的編程范式，一種將你的想法傳達給電腦的方式。興奮的是它可以使你將不可說的想法表達出來。
https://hackernoon.com/the-simplest-explanation-of-machine-learning-youll-ever-read-bebc0700047c
《你是不是用錯了“人工智能”這個詞?》：由于定義不明確，實際上我們都沒有正確地使用“人工智能”這個詞。這個詞人人都在用，在本文中我提供了一份快速指南來介紹人工智能、機器學習、深度學習、強化學習和類人工智能。
如果你擔心會不會每個櫥柜里都潛伏著具擁有類似人類智慧的物種，放心吧，不會的，所有這些工業(yè)化的人工智能應用程序都在忙著解決真正的商業(yè)問題。
http://bit.ly/quaesita_ai
《向孩子(或老板)解釋監(jiān)督學習》：希望讓所有人都熟悉一些基本術語，例如：實例、標簽、特性、模型、算法和監(jiān)督學習。
不要被術語嚇倒。例如，“模型”其實只是“菜譜”的比較花哨的說法。
http://bit.ly/quaesita_slkid
《機器學習——是皇帝的新裝嗎?》：是一篇為初學者準備的可以查看核心概念的文章，包括通過圖片和貓咪介紹算法和損失函數的概念。
不要因為機器學習太簡單而嫌棄它。杠桿也很簡單，但它們可以撬起世界。
https://towardsdatascience.com/data-science-conversation-starters-84affd2347f6
神經網絡也可以稱為“瑜伽網絡”，因為它的神奇力量可以幫助你無限拓展邊界。
《無監(jiān)督學習的啟發(fā)》：這篇文章講了無監(jiān)督學習可以幫助你在數據中找到靈感。他們會將相似的東西以分組的形式呈現給你，結果就像是羅夏墨跡卡那樣。
你們可以把無監(jiān)督學習看作是“物以類聚，人以群分”的數學版本。
http://bit.ly/quaesita_unsupervised
《可解釋的人工智能卻無法傳播的原因》：許多人被帶有人工智能字樣的的宣傳所吸引，他們認為這意味著可信度。但事實并非如此，陷入信任炒作可能意味著你將錯過人工智能的一大優(yōu)點：靈感。
如果你不相信任何你不理解的人事物，那么你就應該炒掉所有的人類員工，因為沒人知道大腦(它擁有數千億的神經元!)是如何做決定的。
https://towardsdatascience.com/data-science-conversation-starters-84affd2347f6
如何在機器學習/人工智能項目上保持不敗
《為什么企業(yè)在機器學習項目中失敗了》：講述了許多企業(yè)沒有意識到“應用機器學習”與“機器學習算法研究”是兩個截然不同的學科。
想象一下，你想要開一家餐廳，卻雇傭了那些一輩子都在制造微波爐但從來沒下廚的人……那么，會有什么結果呢?
https://hackernoon.com/why-businesses-fail-at-machine-learning-fbff41c4d5db
你在做什么生意?你的答案決定了你應該雇傭什么樣的團隊。
《尋找人工智能實踐用例的建議》：先假設人工智能是個騙局，然后進行的頭腦風暴，試圖尋找應用人工智能的機會……
企業(yè)經常犯的一個錯誤是，想當然地認為機器學習是魔法，所以就不用多加思考該怎樣將任務做好。
https://hackernoon.com/imagine-a-drunk-island-advice-for-finding-ai-use-cases-8d47495d4c3f
《人工智能的第一步可能會讓你大吃一驚》：這篇文章回答了啟動人工智能項目的正確方法是什么，是獲得人工智能學位嗎?不是。是雇傭人工智能專家嗎?也不是。是選擇一個很棒的算法嗎?也不是。是鉆研數據嗎?依然不是!
永遠不要要求一群博士“把機器學習應用到業(yè)務上，然后……好事就會發(fā)生。”
http://bit.ly/quaesita_first
《你的人工智能項目成功了嗎?》：提供了一份(現實的)在你為一個應用機器學習項目雇傭工程師或獲得數據之前，你應該仔細檢查的清單。
不要為“人工智能”這個詞所限制。多想想它可以為你做什么。
http://bit.ly/quaesita_realitycheck
《開始使用人工智能?從這里開始!》：是一份詳細的指南，闡述了決策者在一個應用機器學習/人工智能項目中的作用和責任。
有能力完成和充分利用時間是兩碼事。我們習慣性地愛上我們已經為之付出的努力的人事物，即使它是一堆有毒的垃圾。
http://bit.ly/quaesita_dmguide
《當人工智能出錯時，是誰的錯?》：闡述了機器學習、人工智能的關鍵在于你是在用例子而不是文字說明來表達你的想法。要讓機器學習/人工智能起作用，示例必須是相關的。
如果你使用的工具沒有經過安全驗證，那么你造成的任何混亂都是你的鍋。人工智能和其他任何工具一樣。
https://towardsdatascience.com/dont-trust-ai-10a7df520925
數據科學主導力
《數據驅動?再想想》：要做出數據驅動的決策，就必須以數據為主導。這個道理似乎很簡單，但在現實中卻鮮有人這樣執(zhí)行，因為決策者缺乏這樣的觀念。
分析數據的途徑越多，越是容易產生確認偏差。而“解藥”就是提前制定決策標準。
https://towardsdatascience.com/data-science-conversation-starters-84affd2347f6
《數據科學是否是泡沫?》：發(fā)現越來越多的人自稱是“數據科學家”，但是整個行業(yè)似乎都在玩危險游戲。
“雇傭數據科學家等同于毒梟在自家后院養(yǎng)了一只老虎。事實上你也不知道老虎有什么用，就只知道毒梟都愛養(yǎng)老虎。”
http://bit.ly/quaesita_bubble
《數據科學家領導》：教你如何訓練決策者掌握技能，領導成功的數據科學團隊。
崇尚數學亞文化的人容易表現出一副藐視一切的“軟”技能。熬夜證明某些定理或者用第六種語言編程都是虛張聲勢之舉。
https://towardsdatascience.com/data-science-leaders-there-are-too-many-of-you-37bff8088505
《重新思考數據科學中的快和慢》：講述了產品開發(fā)團隊如何協調快速迭代與進展緩慢的龐然深入研究過程的節(jié)奏，如何取舍?
靈感廉價，精確不易。
https://towardsdatascience.com/data-science-conversation-starters-84affd2347f6
《采訪：給予數據科學家的建議》：對于同行數據科學家問題的直白回答。主題包含：受歡迎的資源、職業(yè)、統計學教育和數據科學領導力。
有用的不見得復雜。數據質量比解決方案更重要。溝通能力勝過另一種編程語言。
http://bit.ly/mlconf_cassie
技術
《關于Tensorflow，你需要知道這9件事》：如果你擁有許多的數據，或者你緊隨人工智能領域的最新進展，那么TensorFlow會是你的好伙伴。
有了TensorFlow Hub，不同于傳統方法，以更高效的方式幫你整合自己和他人的代碼，或者說你自己的代碼(否則稱之為專業(yè)軟件工程)。
https://towardsdatascience.com/data-science-conversation-starters-84affd2347f6
《什么是不繁瑣的人工智能?》：Kubeflow致力于為數據科學家擺脫一切不喜歡的瑣事。如同一把滑雪橇助你越過瑣事之丘。
祝賀你總算盼來為你打造的基礎設施，聽上去就像你不需要為自己制造一臺電腦一樣。
http://bit.ly/quaesita_kubeflow
《5小步概述數據科學》：來自谷歌2018 Cloud Next大會受歡迎的演講。5個視頻概述，均不超過5分鐘。
炒作了半個世紀的人工智能并未實現。為什么會是現在呢?許多人未意識到如今的人工智能應用講的是云計算的故事。
http://bit.ly/quaesita_ds5
統計學
《不要在統計學上浪費時間》：如何確定你是否需要掌握統計學，如果不知道，你該怎么辦。
統計學是改變思維的科學。
http://bit.ly/quaesita_pointofstats
《不要從假設開始》：學習數學卻沒有理解其本質常犯的錯誤是只做假設而不行動�？匆幌氯绾问褂脭道斫y計做決定。
假設像是蟑螂。當你看見一只蟑螂時，代表不止一只。通常附近還隱藏著更多的蟑螂。
http://bit.ly/quaesita_damnedlies
《統計學入門》：讓你迅速掌握統計學代表的含義和用通俗易懂的話語理解各類術語。
數學是在虛設世界中構建一個模型。如此你才得到了P值。
http://bit.ly/quaesita_statistics
《總體——你犯了什么錯》：統計學方法只有在你需要的信息(總體)與你擁有的信息(樣本)不匹配的時候才能發(fā)揮作用。
從樣本到總體如同伊卡洛斯似的跳躍，在你不知道目標的情況下，結果將是一次大的碰撞。
http://bit.ly/quaesita_popwrong
《統計學理解自測》：能否通過小測驗來檢驗自己的統計學專業(yè)能力?如果光憑STAT101告訴你的東西，你還差的遠呢。
如果你掌握了真相，你就不需要統計學了。
http://bit.ly/quaesita_savvy
《Incompetence, delegation, and population》： 如果決策者技能不過關，那么整個統計項目注定會失敗。 什么時候統計學家應該和決策者撕逼，什么時候應該順從指示呢?
如果你希望用數據說服他人，你就必須摒棄嚴謹，繪制漂亮的圖表
相關報道：
https://towardsdatascience.com/data-science-conversation-starters-84affd2347f6
版權申明：本站文章部分自網絡，如有侵權，請聯系：west999com@outlook.com
特別注意：本站所有轉載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權歸原作者所有，如需使用，請與原作者聯系。
