问对数据科学来说，真正的分析和测量理论是必不可少的吗？

EN

数据科学既不需要实际的分析，也不需要测量理论。你需要知道的大多数数学都在本科阶段，这些课程应该足够了：

1. 微积分
2. 线性代数
3. 概率与统计
4. 优化

大多数机器学习涉及数据科学(涉及应用和创建新的机器学习算法)，需要上述数学课程中学习的概念的线性组合。例如，如果您了解线性代数(内积、矩阵等)，那么您就可以很好地理解足够的内核方法。

此外，数据科学与实践和实验有关。许多关键的概念只有通过实验才会变得更清晰，如果你需要理解一种新的方法，最好的方法就是专门阅读它，然后用它进行实验。在这方面，我觉得如果你的目标是理解机器学习方法--在这种情况下，你总是可以要求大师解释你在概念层面上缺少的东西，那么学习一整门涉及数学的分支是不值得的：)

不，你不需要了解测量理论和实际分析来做数据科学中的机器学习。然而，如果你没有这些知识，你就很难阅读学术论文(例如:核心方法)。

除非你想成为一名数学家，或者想攻读博士学位，否则你真的不需要对这些理论了解太多。事实上，大多数在这个领域工作的工程师根本不懂统计学。他们只是使用一些框架，得到一些好的结果，然后得到报酬。