乌克兰少妇性做爰_欧美在线导航_欧美久久黄_欧美永久_国产一二在线观看_狠狠操一操_欧美性视频一区二区三区_日韩中文在线视频_精品国产一二三产品区别在哪_日韩特黄特色大片免费视频_亚洲欧美日韩国产精品一区二区_国产精品国产精品国产专区蜜臀ah_国产午夜成人无码免费_插插射啊爱视频日a级_大奶子久久_国产精产国品一二三产区视频_日本少妇高潮正在线播放_视频免费1区二区三区_国产精自产拍久久久久久蜜小说_人善交videos欧美3d残废

數據科學是個廣義的學科， Analytics data scientist（Type A）和Builder data scientist（Type B）有所不同，Type A Data Scientists在工作中遇到數據相關時可以寫出不錯的代碼，但是并不必須是專家，這類data scientist可能專業是實驗設計、預測、建模、統計推斷或者其他統計學研究的典型部分。但是一般而言，數據科學家的工作產出可不是學術統計學有時候建議的那樣“p－values and confidence intervals”（正如有時候傳統的藥物領域統計學家會用到那樣）。在Google，Type A Data Scientists通常指統計學家、定量分析師、決策支持技術分析師或者數據科學家，可能還有其他的一些。

Type B Data Scientists是building data的。B類和A類有些相同的統計學背景，但他們還是更好的coders，可能有專業的軟件工程的訓練。他們主要對在產品中使用數據感興趣，他們建立與用戶交互的模型，通常是提供推薦的（產品、可能認識的人、廣告電影、搜索結果之類）。

1．機器學習 vs 深度學習

在深度探討machine learning和data science的聯系之前，這里簡要地討論一下machine learning 和deep learning。machine learning是一套算法，來訓練數據集做預測或者采取行動以使得系統最優化。舉例來說，supervised classification algorithms被用來根據歷史數據將想要貸款的客戶分成預期好的和預期差的（good or bad prospects）。對于給定的任務（比如監督聚類），需要的技術多種多樣：naive Bayes、SVM、neural nets、ensembles、association rules、decision trees、logistic regression，或者是很多技術的組合。所有這些都是數據科學的子集。當這些算法自動化后，比如無人駕駛飛機或者無人駕駛汽車，這就叫AI了，或者說的具體一點，deep learning。如果采集的數據來自傳感器并且通過互聯網傳播，那么這就是機器學習或數據科學或深度學習應用于物聯網了。

有些人對深度學習有不同的定義，他們認為深度學習是更深層次的神經網絡（一種機器學習的技術）。AI（Artificial Intelligence）是創建于20世紀60年代的計算機科學的一個子領域，是關于解決那些對人類來講非常容易但是對計算機而言很難的任務。值得一提的是，所謂的strong AI可能可以做所有人類可以做的事情（可能除了純粹的物理問題）。這是相當廣泛的，包括各種各樣的事情，比如做計劃，在世界上到處溜達，識別物體和聲音，說話，翻譯，社交或者商業交易，還有創造性工作（比如寫詩畫畫）等等。

NLP（Natural language processing）只是AI要處理的語言部分，尤其是寫。

Machine learning是這樣的一種情況：給出一些可以被以離散形式描述的AI問題（比如從一系列動作中選出對的那個），然后給定一堆外部世界的信息，在不需要程序員手動寫程序的情況下選出那個“正確的”行為。通常情況需要借助外界的一些過程來判斷這個動作對不對。在數學上，這就是函數：你給一些輸入，然后你想要他處理一下得到正確的輸出，所以整個問題就簡化為用一些自動的方式建立這種數學函數模型。和AI區分一下：如果我寫了一段特別機智的程序有著人類的行為，那這就可以是AI，但是除非它的參量都是自動從數據中學會的，否則就不是機器學習。

Deep learning是當下非常流行的機器學習的一種。它包含一種特殊的數學模型，可以想成是一種特定類型的簡單塊的組合（或者說是塊的功能的組合），這些塊可以進行調整來更好的預測最終結果。

2． Data Science VS Machine Learning

機器學習和統計學都是數據科學的一部分。Learning這個詞在machine learning里意味著依賴于某些數據的算法，被用作一種訓練模式集來調整一些模型或者算法參數。這包含很多技術，比如回歸、樸素貝葉斯或者監督聚類。但不是所有的技術都適合這個分類。比如，非監督聚類——一種統計學和數據科學的方法——旨在不依靠任何先驗知識和訓練集監測聚類或聚類結構來幫助分類算法。需要有人來標注被發現的聚類。有些技術是混合的，比如半監督分類。有些模式偵查或者密度評估技術適合這個分類。

然而數據科學比機器學習范圍大得多。數據科學里“data”，可能是也可能不是來自機器或者機械過程的（調查結果可能是人工采集的，臨床試驗需要一種特殊類型的small data等），而且可能和上面提到的”learning”一點關系也沒有。但是主要的不同還是因為數據科學實際上涵蓋了整個數據處理的范圍，而不只是算法或者統計學方面。