---

難就難在專業的分析
研究data science 的人專心搞數學、演算法
如果要運用在商業上，他們不懂商業
要運用在醫學上，他們也不懂醫學
他們管的是資料
要他們跟其他領域的人溝通是很困難的
要怎麼解釋deep learning中間發生什麼事？

今天老闆要你找方法提高收益
你跟老闆講方程式？
但是不講方程式怎麼解釋人事成本和研發成本解釋了87%的收益變異量

除非以後每個專業都把data science加入必修
不然data science 現在就是別人有我也要有
但是有了後不知道幹嘛的雞肋

所以data science是文組反攻理組的最好機會
反正也沒人真正知道deep learning中間在幹嘛（By Andrew Ng）
模型建好後理組就閉嘴了
社會科學、藝術、文學等等 都已經大量使用相關技術了
為了建立一個文組、理組沒有隔閡的世界
data science真的必須成為各領域必修



※ 引述《allbs (喵嗚)》之銘言：
: ※ 引述《rainyday1908 (宜蘭東河馬)》之銘言：
: : 有人說未來是大數據分析的時代
: : 而且是未來的趨勢
: : 但也有人持反對意見 覺得是在譁眾取寵
: : 大數據是不是在劃大餅呢？ 真的有這麼神嗎
: : 大數據是不是過譽了？
: 大數據必須數字夠大加上專業分析才有用
: 如果隨便抓上千個數字就開始做分析，那只是搞笑而已
: 之前有討論過一件事
: 台灣最賺公車路線307要不要拆開的問題
: http://275.tw/image/307.gif
: 要不要以台北車站為中間拆成2截，減短路線距離，增加周轉率
: 這時候就需要台北車站東西邊乘客行為模式的比例
: 如果台北車站兩邊的乘客很少利用307到台北車站另一邊
: 那307拆成2條路線就有科學根據
: 如果數字做出來，台北車站東西邊的乘客靠307來往比例很高
: 307不拆的科學根據也就出來了
: 大概是這樣

--
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 35.22.118.242
※ 文章代碼(AID): #1Ouw_g14 (Gossiping)
※ 文章網址: https://www.ptt.cc/bbs/Gossiping/M.1491316714.A.044.html