【数据科学】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

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，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和原文链接。

今日数据人网精选推荐：

《怎样入手学习R的算法》

《机器学习的分类算法及实例》

点击【阅读原文】，查看更多。