做的人很多，真正懂的人。会调参数，会推公式有很强的工程能力能够把解决方案落地的更加少。不要觉得跑个模型，整整数据就是Data Science，真正的Data science需要有处理百亿样本、千亿特征的能力，这些东西都不是简单的调包侠就能做的

你用Excel来说Data Science，只能说明你不懂机器学习。

我在国内的互联网公司工作了4年的时间，一直在做机器学习相关的工作。很抱歉国内做算法的人通常也要有很强的工程落地能力，把算法的模型和改进通过提需求的方式让工程团队实现，本来就很不现实，沟通成本太高。百度之前广告上的深度网络，RNN等模型都是算法团队自己开发和调参的。把机器学习当成简单的调包侠绝对是对这个工种的侮辱

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