数据科学家和软件工程师有许多相同的关注点：可重复的实验（比如可重复的构建）；可移植和可复制的环境（如在开发、过渡和生产环境中具有相同的设置）；凭证管理；跟踪和监控生产环境中的指标；灵活的路由；轻松扩展。不难看出，应用程序开发人员使用 Kubernetes 所做的事情与数据科学家可能想做的事之间有一些类似之处：
明确问题是进行机器学习的第一步。机器学习的训练过程通常都是一件非常耗时的事情，胡乱尝试时间成本是非常高的。这里的抽象成数学问题，指的我们明确我们可以获得什么样的数据，目标是一个分类还是回归或者是聚类的问题，如果都不是的话，如果划归为其中的某类问题。
数据决定了机器学习结果的上限，而算法只是尽可能逼近这个上限。数据要有代表性，否则必然会过拟合。而且对于分类问题，数据偏斜不能过于严重，不同类别的数据数量不要有数个数量级的差距。还要对数据的量级有一个评估，多少个样本，多少个特征，可以估算出其对内存的消耗程度，判断训练过程中内存是否能够放得下。如果放不下就得[……]
数据清洗，是进行数据分析和使用数据训练模型的必经之路，也是最耗费数据科学家/程序员精力的地方。大数据工程师 Kin Lim Lee 在 Medium 上发表了一篇文章，介绍了8个用于数据清洗的Python代码。这些用于数据清洗的代码有两个优点：一是由函数编写而成，不用改参数就可以直接使用。二是非常简单，加上注释最长的也不过 11 行。
在进行数据分析时，并非所有的列都有用，用 df.drop 可以方便地删除你指定的列。
近日，Google 联合 MIT、布朗大学的研究人员共同推出了新型数据库系统 SageDB，并撰写了一篇论文详述 SageDB 的设计原理和性能表现。他们在论文中提出了一个观点：学习模型可以渗透到数据库系统的各个方面 ——
基于机器学习的组件可以完全取代数据库系统的核心组件，例如索引结构、排序算法，甚至是查询执行器。
在 17 年的论文中，谷歌研究团队尝试通过实验论证：与基于缓存优化的 B-tree 结构相比，使用神经网络在速度上可以提高 70%，并且大大节省了内存。“机器学习模型有可能比目前最先进的数据库索引有更显著的好处”。而今天我们要介绍的 SageDB，就是研究团队在该研究基础之上[……]
