关于大数据与机器学习，小白和牛人之间15个典型问答精髓整理上篇

问：不同的言语在数据处理以及算法计算过程中功能的差别能否很大？

答：就目前的阅历来看，运用C或者C++的效率的确要比PYTHON高一些，但是没有差到一个数量级的差别。PYTHON程序的维护成本比C或C++感觉还是要略低一些，在消费中可以思索用硬件数量停止补偿。

问：请问入门机器学习需求哪些基础知识呢？

答：假如想走得远，微积分、概率，这些一定是跑不了的。 然后就可以是各种聚类分类算法，这部分还是比较好了解的，甚至没有微积分的知识也基本不影响了解。 最后是深度学习的部分，这部分说假话其实还是挺有难度的。

问：算法模型是本人建造，还是有专家开源

答： 开源的工具能处理很多成绩，算法普通不用调整。但是不扫除你在优化的时分根据本人的需求做修正。

问：目前机器学习停止到了哪个阶段? 对于软件功能的自动化测试，能否可以让机器人本人学习需求，根据设计文档来停止测试？

答：实际上的确是可行的。 不过对设计文档停止特征化的过程恐怕是个非常不确定的过程。 成绩一、设计文档的标准化成绩是不是做到位了？成绩二、有多少样本来供训练？

训练是一个监督学习的过程，要把“文档”和“对应的测试行为”这样的关联告诉学习引擎才可以。

问：数学基础对后面的学习很重要么？我是个高数很渣的java程序员

答：数学基础对后面还是比较重要的，很多书籍里讲解算法都有数学公式推导，至少需求能看懂公式是什么意思

问：在学习前能否要复习下微积分、概率论知识？

答：边学技术边复习数学知识就行，遇到成绩再去学习，不用刻意先复习一遍。

问：我做了5年的Web开发。如今就职的公司不大，数据量也才百万级。我想知道您对数据分析的了解和如何正确应用数据分析得到的结果。我想在大数据方向有所发展，希望能在学习道路上给点建议。

答：大数据的真实含义不是数据量大，而是具有丰富的数据维度。数据的价值不在于多在于可以发掘出有价值的信息从而消弭不确定性，降低试错成本。

很大一部分的数据分析是有试探性的，日常的工作中更多的是做目的涨跌的关联分析，分析好这些曾经能为公司处理很多成绩了。

其它方面的运用其实不一定在每个公司里都无机会去做，比如引荐系统（典型的机器学习运用场景），假如你的数据维度不足够支撑，或者业务形状不是面向大众的，那很能够无法成行。

学习道路你可以看一下这篇文章：https://my.oschina.net/ijj/blog/878119

最后多说一句，小编是一名python开发工程师，这里有我本人整理了一套最新的python系统学习教程，包括从基础的python脚本到web开发、爬虫、数据分析、数据可视化、机器学习等。想要这些材料的可以关注小编，并在后台私信小编：“01”即可支付。

楼主呀，，，您太有才了。。。

啥玩应呀

看起来不错