数据科学家必须学习所有的机器学习算法还是只学习一种？
Does a data scientist have to learn all the machine learning algorithms or just one of each type?
数据科学家必须学习所有的机器学习算法还是只学习一种？
大多数 YouTube 用户和网站写道，数据科学家应该学习所有这些遵循的算法。
线性回归，
逻辑回归，
决策树，
支持向量机算法，
朴素贝叶斯算法，
KNN算法，
K均值，
随机森林算法，
降维算法，
梯度提升算法和AdaBoosting算法。
然而，当我在udemy上学习365团队的数据科学课程时，我对此感到有点困惑，他们只接触到线性回归、逻辑回归、K均值和神经网络。但过了一段时间后，我大多听说了这些对数据科学家来说非常重要的算法。这是真的还是 Team 365 是对的？请帮忙。>
是的，您应该学习所有这些算法，因为它们用于各种情况。算法根据其目的分为几类，主要类别如下：
监督学习：包含常用算法，例如：
最近的邻居
朴素贝叶斯
决策树
线性回归
支持向量机 (SVM)
神经网络
这些算法主要用于创建预测模型。
无监督学习：它包含k-means聚类，关联规则主要用于创建描述模型。
强化学习：包含Q-Learning等算法
时间差异 (TD) 深度对抗网络主要使用计算机玩棋盘游戏（国际象棋、围棋）、机械手和 self-driving 汽车
数据科学家必须学习所有的机器学习算法还是只学习一种？ 大多数 YouTube 用户和网站写道，数据科学家应该学习所有这些遵循的算法。
线性回归， 逻辑回归， 决策树， 支持向量机算法， 朴素贝叶斯算法， KNN算法， K均值， 随机森林算法， 降维算法， 梯度提升算法和AdaBoosting算法。
然而，当我在udemy上学习365团队的数据科学课程时，我对此感到有点困惑，他们只接触到线性回归、逻辑回归、K均值和神经网络。但过了一段时间后，我大多听说了这些对数据科学家来说非常重要的算法。这是真的还是 Team 365 是对的？请帮忙。>
是的，您应该学习所有这些算法，因为它们用于各种情况。算法根据其目的分为几类，主要类别如下：
监督学习：包含常用算法，例如： 最近的邻居 朴素贝叶斯 决策树 线性回归 支持向量机 (SVM) 神经网络 这些算法主要用于创建预测模型。
无监督学习：它包含k-means聚类，关联规则主要用于创建描述模型。
强化学习：包含Q-Learning等算法 时间差异 (TD) 深度对抗网络主要使用计算机玩棋盘游戏（国际象棋、围棋）、机械手和 self-driving 汽车