忘记算法和模型——首先学习如何解决问题

我经常从那些有几年经验的人那里得到这些信息编码他们的经验，我说这些不是为了抱怨。研究不同编程语言、框架和人工智能模型的优缺点，以此谋生。人们提出这样的问题让我受益匪浅。

问题很直观。毕竟，每个人都希望用最好的工具工作，并尽可能快地建立他们的软件技能。

当你观察到每一个开发者似乎使用了不同的技术堆栈，所以想知道哪一个是正确的是完全合理的。

问题是，这完全取决于手头的问题。没有技术本身是好的或坏的;这取决于你想解决什么类型的问题。归根结底，编程就是:通过使用计算机来解决问题。

所以，对于那些想开始编程或者想提高软件开发或数据科学技能的人来说，问题不应该是“我应该用什么，问题应该是:“我怎样才能更好地解决软件问题?"

如何解决问题

完全公开，我的职业不是计算机科学家。我是一个粒子物理学家，碰巧使用编程和数据科学因为我要处理来自粒子对撞机的海量数据。也就是说，物理学家和计算机科学家一样受欢迎。这不是因为他们对中微子或黑洞的了解;是因为他们解决问题的能力。

对于程序员和数据科学家来说，这意味着在开始编码之前，要花时间理解问题并找到高层次的解决方案。在一般的编码面试中，候选人预计花在实际编写代码上的时间不到一半，其余时间用于理解问题。

1.理解问题

永远不要跳过这一步!

知道你是否理解一个问题的关键是你是否能向不熟悉它的人解释它。尽量用通俗易懂的英语或者母语写下来;画一个小图;或者告诉一个朋友。如果你的朋友不明白你在说什么，你需要回到问题陈述。

要问的关键问题是:

• 输入是什么？期望的输出是什么？例如，输入可以是一组数据，输出可以是数据的线性回归。
• 这个问题背后的假设是什么？例如，您可能假设数据中(几乎)没有测量误差。
• 是什么让这个问题变得复杂？例如，您拥有的数据可能不完整，或者数据集可能太小而无法得出明确的结论。

2.分解问题

每个大问题都由许多小问题组成。鉴于我们之前的线性回归示例，您可能需要考虑以下子问题:

• 清理数据
• 找出数据中哪些变量对回归有意义，哪些变量可以安全地忽略
• 寻找合适的工具来进行回归(这就是关于编程语言和框架的老问题发挥作用的地方)
• 评估您的结果并检查错误

把问题分解有助于你为工作制定一个合适的计划。

这也更有激励性，因为你会在前进的道路上实现小而重要的里程碑。这比坐在堆积如山的工作面前感觉自己没有前进要令人满意得多。

3.从一个例子开始

魔鬼总是在细节中。

不要从整个项目开始，取其中的一小部分。试试你的计划是否可行，或者你是否因为不可预见的困难而不得不修改它。

这有助于你理解困难的部分。许多问题听起来很简单，但是当你开始构建它们时，就会遇到一个接一个的障碍。

在我们的例子中，我们可以先对几个变量进行线性回归，而不是使用所有相关变量。这不会给你任何项目完成的分数;然而，当您仍在处理少量数据时，发现脚本中的错误可以挽救生命。

当你把所有的数据都扔在机器上，运行几个小时，然后回来意识到脚本中途挂起，你会非常沮丧。

相信我，这种事经常发生!

首先运行小测试，并确保您的解决方案如您所设想的那样工作。

4.执行

这是肉多的部分。现在，您可以为您的大问题构建解决方案了。

把你所有的数据都扔给代码。运行一个奇特的模型。想做什么就做什么。

完成前面的三个步骤后，这应该会非常顺利!

如果有错误，您可能需要返回到步骤1-3，看看您是否已经理解了所有内容，并且没有忽略任何错误。

5.显示

仅仅因为你找到了一个解决方案，并不意味着你找到了最好的解决方案。不要跑掉，收工;思考如何优化您的解决方案，以及如何以不同的方式实现它。

你可能想和你的同事交流，问他们如何解决这个问题。他们的方法和你的不同吗?

您还可以尝试确定解决方案中最大的瓶颈，即执行时花费最多时间和资源的部分。你如何改进它们?

最后，思考您的解决方案在未来可能会如何发展。新的软件框架或人工智能的使用会让你的解决方案更好吗?你的解决方案如何有助于解决其他更复杂的问题?

吹牛

包括我自己在内的人们，倾向于沉迷于不同的编程语言和最新的框架，这些语言和框架可能会使所有事情的效率提高1000倍。

值得提醒自己的是，这还不到成为一名优秀程序员所需的一半。另一半是解决问题。

你不会在一夜之间获得解决问题的技能。

但是如果你运用这些步骤，问正确的问题，并且经常这样做，你就走在了让你的职业生涯从优秀走向卓越的正确道路上。