现在这波machine learning 和data analytics的热潮和20多年前excel 热潮有相似的嘛？突发奇想，觉得现在数据分析的热潮在20多年前也有一波。当时是excel, 职场的人也是一窝蜂的去学excel，更高级的去学vba. 现在这波行情是不是很像，调参数的类比用excel; 做模型的类比学vba. 这样一想，大数据改变社会，也不过是excel 改变社会的一次重现嘛。 --- 该帖荣获当日十大第8，奖励楼主4分以及6华新币，时间：2017-09-13 22:00:03。

不明觉厉所以现在做data science有前途么？ 我目前正在搞这个，觉得data science在医疗和金融领域的分析还是有一定作用的。

下波什么？层主说来听听……

从excel 被发明前到现在，有一段时间， excel 极大的提升了工作效率。创造了不少需要excel 技能的岗位，也减少了很多人工计算的工作量和岗位。当然现在excel 已经变成每个人的必备技能了。 会不会20年后，data science 和machine learning 也变成了每个人的必备技能。但大部分人使用起来，也就是点几下呢？

从excel 被发明前到现在，有一段时间， excel 极大的提升了工作效率。创造了不少需要excel 技能的岗位，也减少了很多人工计算的工作量和岗位。当然现在excel 已经变成每个人的必备技能了。 会不会20年后，data science 和machine learning 也变成了每个人的必备技能。但大部分人使用起来，也就是点几下呢？

只是工具大部分人知道AI的东西怎么用就行了，立足之本还是对每个行业的domain knowledge。

现在机器这么牛逼了？我咋不知道呢

ML 最有趣的一点是：人觉得很难的任务，机器搞起来不一定难。但人觉得简单的任务，机器搞起来不一定简单。 预测在哪个domain ，机器能干过人类，甚至替代人类，就变成了一个很有意思的问题。您作为从业者，对这个问题有什么看法吗？

我的确不太懂Data Science,但不妨碍我按我的理解对这个领域进行一点小小的讨论。 如果觉得我水平差，不回我的帖子就行了。不用对我的知识水平做评估。如果想对我的观点进行驳斥，欢迎讨论。如果想人身攻击，欢迎离开。

把machine learning跟excel比太不恰当了给人的感觉好像都是做数据分析一样， 不过machine learning里面设计的东西多多了。 很可能是懂理论的工程能力不行， 工程能力可以的理论又不行， 两个都有的可能没有business sense。 不过以后data science说不定会变成咨询行业，分析问题和提出数据驱动的解决方案，然后有专门的工程团队来实施落地。

以后data science肯定不是单机模式的现在自己搞台电脑调个包， 跑跑参数好像就在搞machine learning了。真正到到解决实际问题的时候， 数据量大的时候估计很多人连高效地数据怎么处理都不知道了。工程能力不单指coding, 其他各种分布式系统之类的知识都包括了。 不过以后这两个role说不定会分开， 现在flag就有专门的理论和工程团队， 连国内bat也在赶上

我因为我说的那个话道歉我也为我说的那个话表示对不起，我想说的是Excel的入门难度很低，但是真正的Data Science不是这么简简单单就是能上手的。我在百度工作的时候，算法本身其实不是特别复杂。不会用到很深入优化算法。比如当时我参与的DNN项目，源头上还是BP算法，不过在模型的网格设计、Embeding的参数等方面有很多调优上面有很多技巧。同时我们处理的数据是千亿样本百亿特征，在这样的情况下单机是肯定不可能把模型训练出来。。所以需要很多分布式算法的构建，数据的分片、模型的分片。保证不同分片上的全局一致性等问题都要考虑。。。现在ICML，NIP上Google、FB、BAT都发的论文数已经和高校差不多了，原因就是深度学习是一个拼资源、拼工程的玩意。。。。。这块上面企业界要比高校强太多了

多谢过来人的高质量回帖 正好以前辈的回帖为契机，来表达一下还没表达清楚的观点。顺便小结一下这个帖子。 1）　工业界和学术界在大潮之中的定位 大数据时代，数据成了最重要的资源。学术界没有像工业界那样拥有第一手的数据，表面上看起来，的确处于劣势。但不要忘记，统计这门科学，本来就是在数据稀缺的时代被发明的。统计的本质就是从有限甚至少量的数据中推断出普遍的规律。只要人或者机器不能达到全知全能，统计这门科学就有意义。 而且，machine　learning　能够　work　的两个基本前提是数据有代表性和Chebyshev's　Inequality。（当然，大部分数据从业者可能认为自己搞出来的东西能　work　的原因是自己吊。）现实中，数据量不满足Chebyshev's　Inequality的情况比比皆是。比如说金融数据，数据量不足和heteroskedasticity　给　machine　learning　在金融中的应用带来了巨大的挑战。在这种情况下，开发新的，数据需要量小的/收敛速度快的模型就变得非常有必要。而这种活，一般都是学术界干的比较好。 2）数据科学的前景 大部分人都不会否认，数据科学前景巨大。但到底是什么样的前景，有多巨大，每个人可能都有自己的理解。不管怎么理解，祝大家在新的浪潮中弄潮愉快。 (more...)