1樓：張俊紅
首先可能需要拉齊一下大家對於「理解資料」中「理解」這一詞的認知，我覺得這裡的「理解」可以等同於「分析」。那變換下這個問題就是：分析資料，用統計方法好還是用機器學習更好？
先說結論：好的分析是分析中統計和機器學習都會用到，都需要好好學。
所以這個問題可能也就不必要存在了。
如果非要在兩者中間選乙個的話，還是看場景，分析師的工作內容最後還是需要對業務負責的，不能為了炫技而炫技。
如果你的合作方是業務運營多一點，那麼可能還是需要盡量多用一些統計相關的東西，解釋性會比較強一點，你需要告訴你的合作方為什麼會這樣。
2樓：資料分析師
首先應該看自己對那個感興趣，畢竟興趣是最好的老師。
關於大資料就業前景：
當前大資料技術正處在落地應用的初期，所以此時人才招聘會更傾向於研發型人才，而且擁有研究生學歷也更容易獲得大廠的就業機會，所以對於當前大資料相關專業的大學生來說，如果想獲得更強的崗位競爭力和更多的就業渠道，應該考慮讀一下研究生。
讀研之後在崗位選擇上可以重點考慮一下大資料平台開發，在5G通訊的推動下，未來雲計算會全面向PaaS和SaaS領域覆蓋，這個過程會全面促進大資料平台的發展。另外，由於人工智慧平台的陸續推出，對於大資料平台也是一種促進。相比於大資料應用開發崗位來說，大資料平台開發崗位不僅薪資待遇更高，職業生命週期也會更長，而且未來也可以獲得更多的發展機會，也會更容易進入雲計算、人工智慧等領域發展
對於當前在讀的本科生來說，如果不想讀研，那麼應該從以下三個方面來提公升自身的就業競爭力第一：提公升程式設計能力。動手實踐能力對於本科生的就業有非常直接的影響，尤其在當前大資料落地應用的初期，很多應用級崗位還沒有得到釋放，不少技術團隊比較注重學生程式設計能力，所以具備紮實的程式設計基礎還是比較重要的第二：
掌握一定的雲計算知識。大資料本身與雲計算的關係非常緊密，未來不論是從事大資料開發崗位還是大資料分析崗位，掌握一定的雲計算知識都是很有必要的。掌握雲計算知識不僅能夠提公升自身的工作效率，同時也會拓展自身的技術邊界。
第三：重視平台知識的積累。產業網際網路時代是平台化時代，所以要想提公升就業能力應該重視各種開發平台知識的積累，尤其是與行業領域結合比較緊密的開發平台。
實際上，大資料和雲計算本身就是平台，所以大資料專業的學生在學習平台開發時也會相對順利一些。
3樓：wei chris
用機器學習理解資料，對你找工作可能更靠譜。
用統計理解資料，對你在學科上的貢獻更靠譜。
統計學的是分布，是模式，是結構。機器學的是例項，是散點，是共現。
到底哪個靠譜？各有所長吧。
4樓：
統計和機器學習本來就是互相融合的兩個學科，沒有必要割裂了來看。
不論想說自己是統計還是機器學習出身，一定程度的程式設計能力、統計思維能力和數學能力都是必不可少的。能力才是靠譜的，標籤一點用都沒有。乾脆稱自己是資料學家更時髦呢 hoho
5樓：清香白蓮
我覺得你的問題應該是做資料分析師還是做程式設計師或者說演算法工程師。哪個有錢途？從起薪來看應該是後者。
但說前途，我只能說差不多，馬仔工資能高多少，想要錢還是要往上爬做管理。去過追求情懷的話，那機器學習跟統計學相比就是渣渣，完全不是乙個層面。
6樓：hunting
這個問題問的，怎麼感覺機器學習就這麼隨便，上來就能學習的嗎？
機器學習也有他的原理啊，以神經網路為例，他之所以能學習，能辨別什麼是什麼，是因為內部的loss函式設計的符合實際，而loss函式不是憑空出現的哇！一般情況下，都是根據某些數學理論，統計理論得出的，所以，機器學習本身，很多時候就離不開統計！
7樓：涇渭漳淮
這個沒有矛盾，不是非此即彼的關係。
所謂的機器學習，不過是一些統計狗用程式語言把統計學方法封裝成了乙個個庫乙個個包而已。
別的統計狗能做到，你去學一點計算機就也能做到。
至於哪個更有前途，懂原理的比懂調包的有前途。
8樓：養貓的程式碼狗
前者靠人，後者靠系統
未來的趨勢是靠後者，但是哪個老闆又能把企業的命運真正交給機器呢？
而且統計和機器學習是互補的，不是所有的都能靠統計完成，例如客戶形象，多維度分析。
但也不是所有的都靠機器學習來完成的，企業的發展趨勢，產品的導向，有很多人為因素
9樓：金戈老馬
統計學是基礎，如果沒有統計分析能力，很難想象在機器學習領域能做出什麼出色的工作。
由於前人大量的努力，市場上已經有了很多成熟的機器學習演算法、工具、軟體庫庫，因而對於大多數常用的場景，只要採集的資料質量高，很多機器學習演算法和工具都可以直接使用。
但是，每個場景和工程應用的背景都不會完全相同，要學會變通，統計理論和方法仍然是不可或缺的基礎。
10樓：藍天森林小樹
機器學習是乙個交叉學科，機器學習的很多理論基礎都來自於統計學。現在的商業資料基本上都是大資料，用人力去統計和分析基本上是不可能的，而機器學習就是幫助人類去分析大資料的乙個工具，是統計融合了程式設計的更高階的工具。
11樓：
有本書，算是機器學習必讀教材之一《統計學習方法》，聽說過麼？
目前主流的機器學習演算法都是統計學習方法。所以本質上是一回事兒。
你為啥覺得機器學習比統計分析高階一點，主要你多學學python，多學學那幾個包比如sklearn、tensorflow或者pytorch就好了。
12樓：李狗嗨
目前就在這個行業當中，統計和機器學習不分家。學統計的時候一般會用到R，工作中就相對較少了。在機器學習的一些專案裡，如果你能運用好統計學知識其實已經很不錯了，建議學好統計再自學機器學習。
工作上的資料大部分都沒有平時練習時那麼簡單直觀，而且機器學習建模內容頂多佔整個專案的30%。獲得資料後能運用統計學先做個EDA，視覺化清洗單多變數分析篩選降維下來就基本完成了大半部分專案了。至於後面建模優化，學調包兩星期都不要。
最重要的不是機器學習，而是你題訴的理解資料。
再舉個極端的例子，在某些情況下你用機器學習線性模型比如邏輯回歸做出來發現，有些直觀理解為正影響的變數係數在模型裡竟然是負數。如果你掌握一定的數理統計的話，你就會往共線性，中介效應或者壓抑效應上推測，從而幫你更好的理解和處理優化模型。
所以總之，多一門手藝就意味著你比別人強了那麼一點，況且這兩個其實是一家東西。好好學，就業或者創業都不會太難的…額，前提是你深入理解資料理解業務，哈哈。
13樓：zjreed
兩者的適用場景不一樣吧，如果要做乙個年度分析報告，肯定是統計好用；要是用來做一些工業化的應用，毫無疑問機器學習更好用。
換個角度說，統計能做的事，機器學習也能做；而機器學習能做的，統計學習可能就實現不了，或者實現起來很麻煩。
學習前端，需要刷題 用js求解資料結構之類問題 來提公升嗎？
十日 首先，你學習前端，是為了工作，那你提公升自己，是要根據崗位和實際需要來決定的。首先確定一點，演算法，在日常的前端開發中用的確實不多。但是，對於前端架構，也是非常重要的乙個技能。如果你是乙個剛入門的前端，那你不用執著於演算法，因為限制你技術的，更多的是這門語言本身的東西。如果事件閉包這些東西都搞...
如何理解DAG資料結構，並且用淺顯易懂的話說出來？
小羊開門吶是我 DAG Directed Acyclic Graph，中文意為 有向無環圖 有向無環圖是一種儲存資料的方式。有向 指所有資料順著同一方向儲存 無環 指資料結構間不構成迴圈。像條毛線織的圍巾，可以一直編下去。為什麼要連線 標箭頭？因為使用者每發起一筆交易，必須驗證之前的兩筆交易。這很像...
長期用 C 和 MATLAB 做機器學習的你，有沒有遇到乙個讓你相見恨晚的語言或包？
lhrbu cuda，雖然看上起很複雜但相對於gpu硬體本身的複雜性而言，cuda可以說是包裝的很易用了，掌握cuda不僅有利於理解各類深度學習框架的實現也方能自定義輪子實現特殊的需求。 genekiller 菊花三弄 膠水用matlab 即可，cpu 的平行計算才是王道，安利你乙個模版元寫線性代數...