@babyformula 谢谢耐心而详细的回复。不知道业内达到“突破或创新”水平的成果一般会公开发表么？（因为有些成果是公司员工创造的。理论上不应该公开发表。但是一来有些会开源，二来申请专利的时候也会让大家知道我有突破。还有技术过时了也会公开，使大家知道“事后”知道这些突破创新来自该公司且长期由其独家使用。）

@tfdetang 谢谢回复
如果工程师型，微积分线代，概率，统计应该也要很好的掌握吧。否则算法也理解不了。对么？一楼说还要看最优化, 随机过程, 矩阵论, 少部分信号处理。前三个非数学专业或应数专业的课程一般不会讲的。这使我觉得数据科学对数学的门槛要求还是挺高的。不知道工程师型的人员是否也要拿下最优化, 随机过程, 矩阵论, 少部分信号处理这些课程呢？

@babyformula 谢谢回复。很有启发。
“ 如果只是调用 matlab 或者 python 常用库其实在 ML 和 DL 领域可做的东西真的不太多. 举个例子, 研究领域要体现创新性 /突破性势必会要提出一些新的算法或者结构, 那么如何验证这种算法可行或者 benchmark 还是要落在程序的实现上, 这种往往都不是常用库里会出现的. ”———————这段文字所说的创新突破大概是什么段位的创新突破？新的算法或结构又是在什么层面的？例如，现有的“工具”有：k 临近算法，回归，卷积神经网络………。“ 创新性和突破性”是指为这个“工具库”发明添加一些没有的工具么？

“ 如果数据处理(甚至是前处理), 还有训练 /验证框架(甚至是训练代码), 然后还有模型的压缩和部署都由其他专人给处理好, 那剩下的岂不是缓缓键入‘python run.py’就好了. 现实情况下往往这些都是需要 ML/DL engineer 需要考虑的内容
最后模型的效率和具体语言无关, 和硬件 /架构 /数据结构 /计算机系统 /算法优化 等等这些计算机不同方向的关系很大”——————不知道有没有这方面“导论”水平的书推荐。不是单独的算法导论，数据结构导论（这有可能会偏向计算机科学领域了），而是数据科学领域的算法、数据结构，硬件，架构这些需要统筹考虑问题的“导论”

@oneTimeElastic 谢谢回复。你回复的内容对我很有启发。

“如果你做 learning theory 这类 数学要求还是很多的。相反现在深度学习这里很多 paper，如果你去看，其实并没有那么多数学要求。”——————意思是，如果不做数据科学理论的推动者，只是将现有数据科学的理论用于实践，并没有那么多数学要求，对么？（这里说的没有那么多数学要求是没有那么高的“纯数学”要求。但是微积分线代概率统计最优化随机分析……这些依然要会，否则现有的数据科学理论方面的书也看不懂，更加不会灵活应用，也不会调参数，对么？？？）


“如果你想做 ml engineer 这类，那么你要掌握的就不只是 python spark 这类，你可能还要根据业务学会别的”————这段话中如何定义 ml engineer 的工作内容？还需要根据业务学会什么？可否举个例子？

@babyformula 等于说数学专业转 ML 最大的短板还是在“代码”方面？不过这方面也不会太短吧？毕竟数学专业的日常也会用 Matlab 或者 python 的常用库吧。致于数据库什么的，只要会用 python 或 Matlab 从数据库取数据就可以了吧。毕竟计算机专业的最后工作也不是所有事情都亲力亲为，而是专精某个细分领域。模型运行效率更加不是 ML 专业的人考虑的事情了吧。关注效率的话，至少要用 c 或 c++重写模型吧。
不知道以上认知是否靠谱？如有偏颇还望指正。

@heavenToothpaste
谢谢你的回复。刚看了卷积神经网络的一个小视频。不知道理解的对不对：卷积层实际上就是一个“过滤器” ，即“当某个维度特征是其他维度特征的线性组合的时候，”卷积层就把这个维度“优化掉”。这样就大大减轻了后面的神经网络层处理这些“冗余”维度数据的“压力”。达到同样的识别准确率只需要比较少的神经网络层。或者是需要的训练集更少。
-------------------不知道这样的理解是否恰当？

@mcoo1997 请问你是翻到第几页才看到的我的帖子？

@Livid 发链接有用么？

@silkriver 我是在一个视频中看别人配置遇到这样的问题。

@silkriver 谢谢回复。我的问题主要是关于 anaconda navigator 的。tensorflow 在这里只是一个例子。tensorflow 官方改了。这很好。但是“anaconda 在搜索结果中还显示一个不能用的包。”的问题是否还存在呢？

有大佬知道吗？

@kilasuelika 谢谢回复。
我在维基百科上看到“格兰杰本人在其 2003 年获奖演说中强调了其引用的局限性，以及“很多荒谬论文的出现”（ Of course, many ridiculous papers appeared ）。格兰杰因果关系检验的结论只是一种统计估计，不是真正意义上的因果关系，不能作为肯定或否定因果关系的根据。同时，格兰杰因果关系检验也有一些不足之处，如并未考虑干扰因素的影响，也未考虑时间序列间非线性的相互关系。一些基于格兰杰因果关系检验的方法一定程度上解决了这些问题”

是否可以理解为。一个指标是另一个数据的领先指标。但这种领先可能是相关性产生的，但不是因果关系造成的？

@kaiwen0110 但是操作系统还是国行 IOS 。所以有点拿不准。

@IgniteWhite #103 。刚看见荐书。谢谢。如果有中文版的书更好了。

@IgniteWhite#101 谢谢回复。“我觉得楼主之所以问这个问题，就是很多教程和回复其实对于初学者很抽象很陡峭，他听不懂啊！”---------说到我心坎里了，由于我 python 还没深入学习。你举得例子我也没完全参透。关于面向对象，类的理解有没有什么好书推荐（不限于 python 的。我 c 和 matlab 都比 python 用的多。但是也都是皮毛而已）

@alluofuyo #99
“这下好了，里面全部是各种各样的函数，以及复杂调用关系，你自己都理不清了，”-----------有体会


“这个时候面向对象的优势就出来了，说到底，面向对象就是对现实生活的抽象，是相比函数，更贴进人类思考问题的形式，就像我们建立起自然界物种的分类一样，界门纲目科属种，层层下来，以分类的形式来区分一个物种，那为什么不直接描述一个生物能够做的事情就行了呢，这就是分类和函数的区别
”-----------如果能这样当然很好。但根据我目前对面向对象和类的粗浅了解。还感受不到这样的便利。相反。继承之类的关系感觉更加烧脑。我还需要学习。

@Donahue 不知道决策树对输入数据维度有什么限制么？比如不止上面的九维数据。100 维呢？每一维度又有 10000 个数据呢？决策树可以“消化么”

@jmc891205 谢谢指教。纠正了我一个思维误区。

@GeruzoniAnsasu 谢谢回复。比如什么方法？