谈谈机器学习与传统编程之间的区别(2)

ML 与编程的另一个明显差异取决于模型能够处理的输入参数的数量。为了能够准确预测，你必须添加数千个参数并以高精度执行，因为每个参数都会影响最终结果。人类很难以合理的方式使用所有这些细节去构建一种算法。

但是对于 ML 没有这样的限制。只要你有足够的处理能力和内存，就可以根据需要使用尽可能多的输入参数。毫无疑问，这一事实使得 ML 现在变得如此强大和广泛。

总结一下：ML专家，数据科学家，程序员和软件工程师......究竟谁是谁？

根据 Wiki 上的定义，Data Science 是一个多学科领域，它使用科学方法、流程、算法和系统从结构化和非结构化数据中提取知识和见解。

看上去并不是那么酷。

但接下来还有一些有趣的东西：

使用最强大的硬件，最强大的编程系统，以及解决问题的最有效算法。

后面还有更有趣的部分：

2012年，“哈佛商业评论”称其为“21世纪最性感的工作”。

因此数据科学是另一个筐，就像计算机科学一样，数据科学旨在处理数据并从中提取有用的信息。

那么编程呢？现在的数据科学家为了研究的目的而而需要掌握这种技能。他们不仅是程序员，也应该具有应用统计或研究背景。有些人还从事软件工程，特别是在他们的产品中提供数据科学或机器学习技术的公司。最有趣的是，数据科学可以不必编程，但是会被限定在 Matlab、SPSS、SAS等工具上。

机器学习工程师的职位是怎样的？

机器学习工程师的位置更具有“技术性”。换句话说，机器学习工程师与传统的软件工程有着比数据科学更多的相同点。

ML 工程师的标准任务通常和数据科学家类似，但是你还需要处理数据，尝试用不同的机器学习算法来解决问题、创建原型和现成的解决方案。

我要强调一下关键的区别：

• 一种或多种语言（通常是Python）的强大编程技能；
• 不太重视在数据分析过程中工作的能力，而是更加重视机器学习算法；
• 能够基于现成的库使用不同的技术，例如，NumPy 或 SciPy；
• 使用 Hadoop 创建分布式应用的能力等。

现在让我们回到编程并仔细研究分配给程序员的任务。

程序员实际上就像数据分析师或业务系统开发人员。他们不必自己构建系统，只需针对现有系统编写松散结构的代码。是的，我们可以将数据科学称为新的编程浪潮，但编码只是其中的一小部分。所以不要误会。

但如果深入挖掘，我们会发现还有其他术语，如 Software Engineer 和 Software Developer，两者并不相同。例如软件工程师必须设计工程。它们涉及生产应用程序、分布式系统、并发、构建系统、微服务等。而软件开发人员需要了解软件开发的所有周期，而不仅仅是实现（有时甚至不需要任何编程或编码）。

那么，你现在感受到编程和机器学习的不同了吗？我希望本文可以帮你避免对这些术语产生混淆。毫无疑问，这些人都有一些共同点，那就是技术，但之间的差异要大得多。因此机器学习工程师、软件工程师和软件开发人员完全不可互换。

（编辑：ASP站长网）