AI技术内参
洪亮劼
Etsy数据科学主管,前雅虎研究院资深科学家
立即订阅
8829 人已学习
课程目录
已完结 166 讲
0/6登录后,你可以任选6讲全文学习。
开篇词 (1讲)
开篇词 | 你的360度人工智能信息助理
免费
人工智能国际顶级会议 (31讲)
001 | 聊聊2017年KDD大会的时间检验奖
002 | 精读2017年KDD最佳研究论文
003 | 精读2017年KDD最佳应用数据科学论文
004 | 精读2017年EMNLP最佳长论文之一
005 | 精读2017年EMNLP最佳长论文之二
006 | 精读2017年EMNLP最佳短论文
007 | 精读2017年ICCV最佳研究论文
008 | 精读2017年ICCV最佳学生论文
009 | 如何将“深度强化学习”应用到视觉问答系统?
010 | 精读2017年NIPS最佳研究论文之一:如何解决非凸优化问题?
011 | 精读2017年NIPS最佳研究论文之二:KSD测试如何检验两个分布的异同?
012 | 精读2017年NIPS最佳研究论文之三:如何解决非完美信息博弈问题?
013 | WSDM 2018论文精读:看谷歌团队如何做位置偏差估计
014 | WSDM 2018论文精读:看京东团队如何挖掘商品的替代信息和互补信息
015 | WSDM 2018论文精读:深度学习模型中如何使用上下文信息?
016 | The Web 2018论文精读:如何对商品的图片美感进行建模?
017 | The Web 2018论文精读:如何改进经典的推荐算法BPR?
018 | The Web 2018论文精读:如何从文本中提取高元关系?
019 | SIGIR 2018论文精读:偏差和“流行度”之间的关系
020 | SIGIR 2018论文精读:如何利用对抗学习来增强排序模型的普适性?
021 | SIGIR 2018论文精读:如何对搜索页面上的点击行为进行序列建模?
022 | CVPR 2018论文精读:如何研究计算机视觉任务之间的关系?
023 | CVPR 2018论文精读:如何从整体上对人体进行三维建模?
024 | CVPR 2018论文精读:如何解决排序学习计算复杂度高这个问题?
025 | ICML 2018论文精读:模型经得起对抗样本的攻击?这或许只是个错觉
026 | ICML 2018论文精读:聊一聊机器学习算法的“公平性”问题
027 | ICML 2018论文精读:优化目标函数的时候,有可能放大了“不公平”?
028 | ACL 2018论文精读:问答系统场景下,如何提出好问题?
029 | ACL 2018论文精读:什么是对话中的前提触发?如何检测?
030 | ACL 2018论文精读:什么是“端到端”的语义哈希?
复盘 7 | 一起来读人工智能国际顶级会议论文
搜索核心技术 (28讲)
031 | 经典搜索核心算法:TF-IDF及其变种
032 | 经典搜索核心算法:BM25及其变种(内附全年目录)
033 | 经典搜索核心算法:语言模型及其变种
034 | 机器学习排序算法:单点法排序学习
035 | 机器学习排序算法:配对法排序学习
036 | 机器学习排序算法:列表法排序学习
037 | “查询关键字理解”三部曲之分类
038 | “查询关键字理解”三部曲之解析
039 | “查询关键字理解”三部曲之扩展
040 | 搜索系统评测,有哪些基础指标?
041 | 搜索系统评测,有哪些高级指标?
042 | 如何评测搜索系统的在线表现?
043 | 文档理解第一步:文档分类
044 | 文档理解的关键步骤:文档聚类
045 | 文档理解的重要特例:多模文档建模
046 | 大型搜索框架宏观视角:发展、特点及趋势
047 | 多轮打分系统概述
048 | 搜索索引及其相关技术概述
049 | PageRank算法的核心思想是什么?
050 | 经典图算法之HITS
051 | 社区检测算法之“模块最大化 ”
052 | 机器学习排序算法经典模型:RankSVM
053 | 机器学习排序算法经典模型:GBDT
054 | 机器学习排序算法经典模型:LambdaMART
055 | 基于深度学习的搜索算法:深度结构化语义模型
056 | 基于深度学习的搜索算法:卷积结构下的隐含语义模型
057 | 基于深度学习的搜索算法:局部和分布表征下的搜索模型
复盘 1 | 搜索核心技术模块
推荐系统核心技术 (22讲)
058 | 简单推荐模型之一:基于流行度的推荐模型
059 | 简单推荐模型之二:基于相似信息的推荐模型
060 | 简单推荐模型之三:基于内容信息的推荐模型
061 | 基于隐变量的模型之一:矩阵分解
062 | 基于隐变量的模型之二:基于回归的矩阵分解
063 | 基于隐变量的模型之三:分解机
064 | 高级推荐模型之一:张量分解模型
065 | 高级推荐模型之二:协同矩阵分解
066 | 高级推荐模型之三:优化复杂目标函数
067 | 推荐的Exploit和Explore算法之一:EE算法综述
068 | 推荐的Exploit和Explore算法之二:UCB算法
069 | 推荐的Exploit和Explore算法之三:汤普森采样算法
070 | 推荐系统评测之一:传统线下评测
071 | 推荐系统评测之二:线上评测
072 | 推荐系统评测之三:无偏差估计
073 | 现代推荐架构剖析之一:基于线下离线计算的推荐架构
074 | 现代推荐架构剖析之二:基于多层搜索架构的推荐系统
075 | 现代推荐架构剖析之三:复杂现代推荐架构漫谈
076 | 基于深度学习的推荐模型之一:受限波兹曼机
077 | 基于深度学习的推荐模型之二:基于RNN的推荐系统
078 | 基于深度学习的推荐模型之三:利用深度学习来扩展推荐系统
复盘 2 | 推荐系统核心技术模块
广告系统核心技术 (18讲)
079 | 广告系统概述
080 | 广告系统架构
081 | 广告回馈预估综述
082 | Google的点击率系统模型
083 | Facebook的广告点击率预估模型
084 | 雅虎的广告点击率预估模型
085 | LinkedIn的广告点击率预估模型
086 | Twitter的广告点击率预估模型
087 | 阿里巴巴的广告点击率预估模型
088 | 什么是“基于第二价位的广告竞拍”?
089 | 广告的竞价策略是怎样的?
090 | 如何优化广告的竞价策略?
091 | 如何控制广告预算?
092 | 如何设置广告竞价的底价?
093 | 聊一聊“程序化直接购买”和“广告期货”
094 | 归因模型:如何来衡量广告的有效性
095 | 广告投放如何选择受众?如何扩展受众群?
096 | 如何利用机器学习技术来检测广告欺诈?
自然语言处理及文本处理核心技术 (0讲)
该章节暂未更新内容,敬请期待
计算机视觉核心技术 (0讲)
该章节暂未更新内容,敬请期待
数据科学家与数据科学团队养成 (0讲)
该章节暂未更新内容,敬请期待
热点话题讨论 (0讲)
该章节暂未更新内容,敬请期待
结束语 (0讲)
该章节暂未更新内容,敬请期待
AI技术内参
登录|注册

136 | 如何组建一个数据科学团队?

洪亮劼 2018-02-04
数据科学团队眼下已经成了很多数据驱动型公司的标准配置,数据科学家也成了最“性感”的职业。不少公司都在想办法建立或扩展自己的数据科学团队,而究竟需要什么样的数据科学团队,成了很多公司在发展过程中都会遇到的棘手问题。
在目前的职业市场上,有各种背景、各种经历的人都自称为“数据科学家”。那么,如何从这个蓬勃发展,却鱼龙混杂的人才市场中找到合适的团队成员呢?今天我就来和你聊一聊作为一个工程团队的负责人,或者一家公司的 CEO,该如何招聘并打造自己的数据科学团队。

数据分析还是算法模型

目前人才市场上大致有两类数据科学家,一类偏数据分析,一类偏算法模型。因为这两类人才的区别,不同公司乃至同一公司的不同数据科学团队就有了差别。在招聘之前你必须明白,这两类数据科学家的特质很难在同一个人身上体现出来。也就是说,你必须根据当前公司和团队的需求,来决定目前应该招聘更偏重数据分析,还是偏重算法模型的数据科学家。
先来说说偏重数据分析的数据科学家,他们可能来自于统计、数据分析等学科,也可能来自于很多需要数据分析的自然科学学科,比如实验物理、生物、计算化学等。作为团队的负责人,你需要重点考察候选人是否系统学习过数据分析的相关课程,是否具备数据分析的基本能力。下面我从理论知识和实际应用操作两个角度来和你介绍下考察要点。
从理论知识的角度来说,你需要考察候选人:
是否对概率统计有基本的认知;
是否能够使用基本的假设检验对数据进行分析;
是否对高级的假设检验方法,比如非参数假设检验(Nonparametric Hypothesis Testing)有所了解,能否快速学习和查询到相关的方法;
是否了解 A/B 实验,并基本了解实验设计;
是否了解高级的因果推论(Causal Inference)工具,并能够使用简单的因果推论工具对实验数据进行分析;
是否了解如何对时间序列下的数据进行合理分析。
当然这些技能只是作为数据分析候选人的一些基本素质,具体还需要和领域知识相结合。
从实际应用操作的角度来说,你还需要考察候选人:
取消
完成
0/1000字
划线
笔记
复制
© 版权归极客邦科技所有,未经许可不得传播售卖。 页面已增加防盗追踪,如有侵权极客邦将依法追究其法律责任。
该试读文章来自付费专栏《AI技术内参》,如需阅读全部文章,
请订阅文章所属专栏。
立即订阅
登录 后留言

精选留言(12)

  • 阿祺 置顶
    讲得很好,重点很多而且不冗余sweet and short,也为我今后找工作或者创业理清了不少思路。非常感谢分享!
    2017-10-24
    4
  • Momo
    对不同角色的要求清晰地定义了两个job model,给想做数据科学家的同学制定了两个清晰可触达的目标

    作者回复: 是这样的。

    2017-10-31
    7
  • 帅帅
    好尴尬,我就属于文中的通才。

    一方面,能做数据分析,会使用hadoop/hive/spark做数据打点接入、处理建模、出dashbord报表,供老大和产品进行迭代决策;

    另一方面,能做简单算法,用spark mllib实现协同过滤/CTR,进行个性化猜你喜欢、相关推荐、发现流排序;

    可是我当然不是某一方面精深的专家,文中也提到,从通才到专才很难转变;

    那我的职业路子该怎么走~~~继续通才的路子,将来转技术管理吗;还是在我当前接触的推荐领域做到专才呢,期待建议;
    2018-10-20
    4
  • Lynn
    如何在筛选候选人简历的时候,就能够比较准确地了解这位候选人的经历和能力更偏向数据分析还是偏向算法呢?
    ————————————————————
    主要看候选人的所学专业背景(统计相关or计算机相关)
    技术背景(分析工具用的多还是算法模型用的多)
    工作经历(分析性工作比较多还是研究算法研究提升比较多)
    2018-05-25
    1
  • Drowning Fish
    请问,有比较好的数据分析的课程(或其他资源)推荐么?突然发现数据分析的相关的理论知识第一次听说。
    2017-12-26
    1
  • 漂泊的小飘
    天呐 买了这么久今天终于开始看了。。应该早点看的 太棒了
    2019-07-16
  • hallo128
    1. 项目经历:
    数据分析——统计假设检验建模
    算法——了解基本算法,深入理解各个算法的细节,能够提出改进思路
    2. 知识贮备
    数据分析——传统统计课程:假设检验,试验设计,抽样调查
    算法——数据结构
    3. 编程实现能力
    数据分析——R/Python实现统计模型,了解大数据框架
    算法——能编程从底层进行算法实现并进行调整改进
    2019-01-21
  • 杰之7
    通过这一节的阅读和结合我自己的看法,我觉得如果候选人能在一定时间能通过各项运营指标发现其中的问题和落地改善方案,这种候选人偏向数据分析。如果后选人能通过不断优化产品的性能指标,推出更快速准确的数据模型,这种候选人更适合算法类。

    目前我还没有正式接触过数据科学的工作,也不是科班生,基本素质和职位背景都需要提升。
    2019-01-19
  • 陈星强·DeepOmics
    很不错👍团队小 就得啥都干。干好了就行,团队大,专人专事,一人一责
    2018-10-01
  • 蒋鑫
    数据分析,更偏向产品数据的指标性分析,帮助达到业务目标,往往与产品和运营人员配合;算法建模,更偏向产品某个模块本身,如何挖掘数据背后的规律和价值,提升产品功能,与产品人员深度合作。
    2018-09-12
  • 一只豆
    因为交叉的职业经历,我是有领域经验的互联网产品经理,也是公司创始人。一方面需要搭建团队,另一方面希望能够成为完美配合数据科学团队的领域专家。关于前者,老师已经说得足够清楚,现在想请教的是关于后者:完美配合数据团队的领域专家的内功心法是什么?场景需求的抽象化?还是什么别的?
    2018-04-29
  • Steve 大壮
    「对各个产品领域进行长时间分析数据内涵(Insights)」,这句话不太理解,您能解释一下吗,谢谢
    2018-01-02
收起评论
12
返回
顶部