如何合理使用科技？
这大概是每个学习《数据结构》学生都会想到的问题，也是值得所有从业者思考的问题。 合理地使用计算机技术（及对应的算法）解决难题的途径大致有三种： ①用优化的思路去解决复杂问题；
②用数据挖掘的方法从海量数据中获取有效信息；
③用人工智能的技术让人类智能与计算机技术完美结合，提高生产力和效率。 我想结合我最近的项目经验跟大家简单聊一聊这三方面的内容。
(1) 以目标为导向，将大问题拆解成小问题 大问题是：如何使用数据结构和算法来解决这个难题呢？ 小问题是：已知两个数组怎么来比较它们的大小？ 解决这个小问题的思路是：如果直接比较两数组的元素，时间复杂度太高，能不能想一个间接的办法呢？ 我们知道数组是一种线性表，而线性表的实现最典型就是双向链表和顺序表。我们可以先构造一个类似于双向链表的容器来存放这两个数组，然后通过比较这两个容器的方式来比较数组A和B。 这样就解决了原来的大问题，同时我们学到了新的知识——双向链表以及容器的数据结构。 这就是把大问题拆解成小问题从而得到解决方案的过程！
(2) 从数据分析到算法实现 因为大数据是目前最为火热的领域之一，因此这里以大数据的相关技术为例来介绍第二种方式的步骤。 第一步：提出问题并收集数据 问题：如何让机器学习快速应用于实际的大数据？ 数据：包含文本数据和数字数据的大规模数据集、机器学习的算法库以及相应的参数。
第二步：数据清洗 和关系数据库中的SQL一样，在大数据环境中同样存在各种格式不统一的问题，因此需要对原始数据进行清洗，使得数据能够作为“规范”的数据集提供给下游的用户。
第三步：数据提取 数据清洗之后还需要进一步处理，抽取真正需要的信息供后续算法使用。这一步往往根据用户的需求而定，可以是单条记录，也可以是多条记录。
第四步：特征工程 在大数据的环境中，特征工程的意义更加重要。因为数据量大的原因，很多原本由人工设计的特征需要重新设计和计算。例如对于文本数据，传统的方法是分词+词频统计，但是在大规模数据面前这种情况就难以发挥优势了，我们需要设计更合理的特征。