除了算法及其参数调优外，还有另外两个重要的内容，特征提取与模型评估。如何从原始数据中提取出用于算法的特征是很关键的。很多时候，不同算法在性能差异上并不明显，但不同的特征提取方法，却能产生比较大的差距。
在某种特征上应用特定的算法，还需要做的就是模型评估，如果评估一个模型是好还是坏，在一定程度上也体现了机器学习是否有效的依据。在特征提取上，一个比较火热的领域自然是深度学习了。源于多层神经网络，是一种非监督的特征提取方法，更好的用于图片、语音与视觉处理。值得一提的是，深度学习在很多地方的性能已经超过传统的机器学习算法。
除上上面的纯技术外，还有一些非技术上的技能。业务理解，商业洞察，沟通与交流能力，尤其以业务的理解能力为重要。数据是死的，无法更好的理解业务中的问题，也就无法更好的利用现有数据，甚至无法更好的解读其中的结论。
理解业务通常需要一些专业的领域知识，比如做网络安全的，需要安全的一些基础知识；做电商的，需要理解其中各个指标对当前销售的影响；做二手车估值的，需要对二手车残值评估有一定的了解。
除了业务知识外，还需要一定的文档与报表技能，比如Word、PPT与Markdown工具的使用，只有完整的文档与良好的表达，才更好体现数据所展现出来的效果。
另外，英文能力与写作也同样重要，需要经常阅读一些英文文章。阅读的主要目的，就是随时更新自己的技能，扩展知识面。而写作，就是自己知识积累的一种方式，将纸上的东西，变成自己的技能。
这儿列出的七项主要技能，和上一篇文章的7大技能基本相同。对于高级信号处理，主要用于特征提取，个人感觉目前可能通过学习神经网络与深度学习来解决，深度学习是专为解决特征提取的问题而来。
小编推荐阅读
