数据科学社区Kaggle的最新调查显示，机器学习和数据科学研究者在被问到工作中面临的最大障碍时，最常见的回答是“脏数据”，其次是缺乏该领域的人才。此外，他们最常用的方法是“逻辑回归”，而神经网络只排在第4位。
想象一下机器学习研究者的生活，你可能会觉得很令人向往。你会给自动驾驶汽车编程，在科技界的巨头公司工作，而你编写的软件甚至可能导致人类的灭亡。太酷了！但是，正如最近一项针对数据科学家和机器学习研究者的调查所显示的，这些期待需要调整，因为这些职业面临的最大的挑战是一些相当平常的事情：清洗脏数据。
这是来自数据科学社区Kaggle（今年早些时候被谷歌收购）的一项调查。该网站130万会员中，约有16700人回答了问卷调查，当被问及工作中面临的最大障碍时，最常见的回答是“脏数据”（dirty data），其次是缺乏该领域的人才。
“工作中遇到的最大障碍是什么？”，接近一半被调查者回答“Dirty data”
但是究竟什么是脏数据，为什么会出现这样的问题呢?
数据是数字经济的新石油，这是不言而喻的，但在机器学习之类的领域尤其如此。现代的人工智能系统一般都是通过示例来学习的，也就是说如果你展示给AI系统一大堆“猫”的图片，随着时间的推移，它会开始识别构成“猫”的特征。这就是为什么像谷歌和亚马逊这样的公司能够建立起如此有效的图像和语音识别平台的原因：它们拥有大量来自用户的数据。
但AI系统仍然只是计算机程序，这意味着如果你在错误的时间按下错误的按钮，它们很容易出现故障。这种不灵活性包括他们要学习的数据。这些程序就像那些挑食的婴儿，除非香蕉搅碎了，否则他们不吃。AI领域的研究员虽然不用处理香蕉，但是要梳理数以万计条目的数据集，追踪丢失的值，删除任何的格式错误。
“有一个笑话是，数据科学中80%的工作是数据清洗，另外20%是抱怨数据清洗。”Kaggle的创始人兼首席执行官 Anthony Goldbloom 在 The Verge 的邮件采访中说道。“在现实中，不同情况数据清洗的工作量有所不同。但是数据清洗在数据科学工作中的比例要高于外界的想象。实际上，训练模型通常只占机器学习研究者或数据科学家工作的一小部分（不到10%）。”
Kaggle 这个网站最著名的是竞赛，任何公司都可以在上面发布一个特定的数据相关的挑战赛，然后付钱给提出最佳解决方案的人。（钱虽然不多，但这是赢得雇主注意的一种很好的方式。）这意味着Kaggle本身也成为了一个有趣的数据集的库，用户可以用它们做研究。数据集的范围很广，从22000份高中论文，到肺癌的CT扫描，再到大量的鱼类图片（美国一家环保NGO发布的，希望能吸引到更好的识别鱼类的AI）。
Kaggle的调查也不仅与数据有关，还包括其他有趣的信息。例如，被调查者中受教育程度最普遍的是硕士学位（其次是学士学位，然后是博士学位）。Python是最常用的编程语言，也是他们向想要进入该领域的人推荐的语言的第一名。同样值得注意的是，尽管人们将注意力集中在像神经网络这样的新数据工具上，但大多数从业者更多依赖那些较老的、不那么吸引人的统计学方法。
例如，在“工作中使用什么数据科学方法”这个问题中，“逻辑回归”的回答最多（63.5%），而神经网络只排在第4位（37.6%）。作为一种数学工具，逻辑回归方法已经存在几个世纪了，它被用来发现任何给定数据集的某个点属于某个特定类别的概率。Goldbloom认为，它之所以受欢迎的原因之一是，它是大学课程的基础知识，并且在各种各样的领域都可使用。
他说：“每一个本科有统计学相关课程的学生都会学到线性回归和逻辑回归，包括机器学习，计量经济学，心理学，生物信息学，等等。”Goldbloom说，作为一种数学工具，它可能“不是非常强大”，但学术和行业的惯性意味着它不会很快消失。正如Kaggle的一位排名高的“grandmaster”在调查回答中说：“30万年后，地球上仍将存在石头、蟑螂和逻辑回归。”
与此同时，最受关注的是神经网络，因为这类方法特别适合于涉及图像、视频和音频数据的任务。（这些正是现在AI变得很酷的方向。）不过，对于文本和数字信息，较老的方法更合适。因此，如果你打算尽快入门机器学习或数据科学，准备好开始清洗数据吧！
原文发布时间为：2017-11-5
本文作者：马文