工业领域数据挖掘

Question

bobo老师你好，我现在是在工业领域，想做对生产过程中MES采集到的数据进行挖掘，从而发掘出有价值的信息，实现降本增效的实际收益，例如对生产过程中的进料参数进行调优或者预测转化率等。针对这方面我知道应该找一个具体的研究方向学习，后续的学习想听听bobo老师的建议，下一步是该学习深度学习呢还是数据挖掘呢还是什么呢？谢谢老师：）

Answer 1

liuyubobobo 2022-06-12 07:13:22

你在的领域并不是我熟悉的领域，所以我只能根据我的经验泛泛而谈。

简单而言，你的问题是具体学习什么方向对你现在的工作最有意义。能够回答这个问题的最佳人选，是你的导师或者老板，而不是我。这并不是一个领域固定的问题，不是说你在什么领域，就一定学习某个方向或者技术栈是最优解。对于一个领域而言，不同的方向，不同的技术栈，都有意义，但最关键的是，贴合你现在的工作，学习什么方向是最佳的？这个问题，你的导师，老板，直接管理者或者间接管理者（老板的老板）最有发言权。你应该直接问他。

从我个人的角度，我的经验是这样的：

1）如果你在学术界，去深入学习深入学习。原因很简单，深度学习最火，最容易发论文。（或者说现在其实也不容易了，但是没有深度学习更难。）

2）如果你在工业界，我比较难判断出当下对于你来说，深度学习还是数据挖掘对你的意义更大（其实这二者有不小的交集），我的建议是咨询你的导师。但是在这里，我想提一个不一样的思路：

我的观察是，很多业界的问题，尤其不是业界的研究院研究的问题，而是实打实要用在真正生产环境的问题，其实很多时候重点并非是算法，而是“基础设施”。

什么叫“基础设施”？比如数据采集的精度，数据采集中出现异常的警报，对异常的处理，数据管道的建设，数据的检测，每一道工序可能的自动化（或者是更加自动化）的处理，数据的存储，等等等等（都在数据分析或者数据挖掘的前面）。这些步骤，其实还有很多可以完善的地方。

“数据分析”看起来很“高级”，但其实一方面都是基于前期的工作；另一方面，可替代性其实挺强的，门槛也并不高。（当然，门槛不高不代表做不出成绩。前端的门槛也不高，做到尤雨溪的水平没几个人。）

我给你举个小例子，我认识的朋友，在金融领域做大数据方面。金融领域算是相当相当依赖数据分析的了，但是，他主要做数据存储相关，在我看来是最吃香的。他想跳槽，高端猎头排着队找他，其中不乏海外大厂。但是他们企业做数据分析的，就远远没有这么吃香。我个人听说的走“算法”线，特别吃香的，主要是学术水平超高的学术人才。

一家之言，仅供参考。如果我后面说的内容不是你现在关注的重点，也并不是让你转方向。道理上每一个方向都能取得不俗的成绩。我只是给你一个思路，供参考。在强调一遍，你当下选择怎么走，对你当下的工作最有意义，你的导师或者直接领导者的意见最有用。

继续加油！：）

• 提问者 慕仙3296778 #1

  bobo老师给我了一个新的思路方向，前期的数据才是最重要的基础，谢谢老师：）加油💪

• 提问者 慕仙3296778 #2

  bobo老师，最近一段时间通过对机器学习和深度学习方面的学习，我的思路和理解也有了一些新的变化。
  
  以前我以为算法是最重要的，但后来发现表征参数更重要。
  
  其实算法已经很成熟了，在表征参数变化不大的领域应用情况也得以体现。例如图像识别的表征参数都在这张图像中，没有其他干扰项，还有自然语言识别的语义和文字都是确定的内容，因此目前在这两个领域的机器学习应用比较成熟。
  
  而在工业领域里影响实际情况的表征参数太多了，很多情况下不能很好的将这些信息全部收集到，而缺少其中一个参数可能就会导致结果数据的准确性。就像一个保温杯刚开始的时候保温效果很好，但是用的时间久了保温效果越来越弱，乍一看这个保温杯没什么变化，相应的数据也很难采集，但这其中的影响因素就需要经过大量的研究了。
  
  在工业领域，未获取到确切的所有影响参数情况下进行机器学习的训练和使用是没有意义的，所以我接下来要着重探寻这些表征参数，在满足所有特征采集的情况下我相信智能化的应用一定可以发挥它的超凡作用！
  
  以上内容不一定对，只是作为初学者的理解，想听下经验丰富的bobo老师对于目前机器学习在不同领域应用情况的见解。
  
  
  谢谢bobo老师！

• 提问者 慕仙3296778 #3

  非常感谢！

点开查看后面2条评论