Data Science之你問我地答

識啲high level tools 冇乜人要咁

我建議識得大概玩就好。原因係小弟2018年用6個月寫左個自動pick features計gradient decent 既auto parameter tuning script（雖然只有幾種Algo built-in...）。覺得自己好L勁，然之後無耐就收到Google dev team close beta 版既AutoML測試(依家AutoML前身）. 我一用完Google版就即刻用賤價賣左個script比個印度公司。

我都覺DS似係工具多
但你講嘅domain knowledge同analytic senese係點學番黎?
唔on job我覺得有啲難學/進步

Quantitative Finance 又係另一個例子
Math + Programming + Econ
根本好多大學都係睇將來興咩, 就將幾科撈埋一齊當新嘢

同stat有咩分別？
我讀stat都有學prediction, segmentation
都係睇utility個啲來predict?

Data Science 其中一個要點係 domain knowledge...
我諗結合 domain knowledge 同埋啲 ML tools 先開始值錢...

so true，我嗰個年代(講緊15年前)嘅ML/DS都仲係啲門檻好高嘅嘢，就係靠呢班scientist keep住研究，先會有今日

而我係歡迎成個行業有唔同嘅生態發展，例如software development都有分core engineering、business application development同software delivery，唔洗下下叫core班大帝高成本地出手，中下游都好重要亦好需要人手，當然，人工點都差過上游

個別比較rigorous嘅界別，係會對啲唔係「根正苗紅」嘅人有啲憂慮，但我覺得成個行業嘅spectrum，總有位置係容納到訓練到啲中途先出家嘅人

其實 machine learning 都係用緊 statistics 個啲 techniques
我會話其實根本就係個堆野，不過 DS 多啲 computer science 既元素

ML係AI其中一個domain
有好多 AI algorithms唔係用ML, 例如google map 搵最短兩點既path係一種AI algo, 但唔需要 "learn" 出黎~

點睇ust dsct?

https://dsct.ust.hk/core-courses
睇啲course都幾正路，不過都係個句 DS 既entry工唔多，畢業都要同人爭，不過讀完都可以做data engineer等既IT工

呢樣野先係DS最值錢既野, 唔係好多有人有好深入既domain knowledge同時有好強既programming能力

巴打可唔可以講下如果我想用自己電腦去做依家google automl 既野，用咩programming tools 可以呈現出相同既野？例如hyperperameter tuning，weight feafure selection, allow nullable feature, early stop trainning 呢類？ 我依家個目的都係想搞呢樣野。
我search 左好耐，睇左好似有個叫XGBoost 既lib 好似係好岩我，其實係唔係？
如果係，我應該裝python, pychram 做IDE 然後就裝埋一堆library (tensorflow-gpu, XGBoost etc.)就搞掂？
唔該哂巴打

我都好掙扎，報緊呢類既master，但唔知有冇學校收之餘，兩年後既世界都會好唔同

我都報左hku 既master of data science, 重未收消息，應該皮已收

唔係好明，你想做automl做既野＝build model，定係你想整個automl出黎?
xgboost只係其中一種ML 既library,
language就首選python
IDE用jupyter notebook啦，唔好用pycharm
基本上你裝左個anacoda就可以開波跟網上面啲教學玩

我都未有，我仲要係報歐洲master

行頭窄，錢多，需求極大

想唔洗依賴high level tool 去完成不比high level tool 做出黎差既machibe learning model。
我見aws 既notebook instance 有得用python 同pytorch ，想問下兩者有咩分別

會唔會減左D features 反而準D？

會

pycharm for development
jupyter notebook for playground

兩者都唔同用處