什么是數(shù)據(jù)科學

《什么是數(shù)據(jù)科學》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。

1、什么是數(shù)據(jù)科學？（1）PostedOn星期二,18一2011Byadmin.Under?Knowledge??Tags:?DataScience,Google,Translation??原文鏈接：http://radar.oreilly.com/2010/06/what-is-data-science.html我們都聽說過：根據(jù)HalVarian的說法，統(tǒng)計學就是下一代給力的工作（statisticsisthenextsexyjob）。5年前，在什么是Web2.0（WhatisWeb2.0）的討論中，TimO’Reilly說“數(shù)據(jù)就是下一個intelinside”。但這到底什么

2、意思？為什么我們突然酒開始關(guān)注統(tǒng)計學和數(shù)據(jù)了？文中，我會提到數(shù)據(jù)科學的方方面面——技術(shù)，公司，以及獨一無二的技能集。什么是數(shù)據(jù)科學？網(wǎng)絡(luò)上充滿各種“數(shù)據(jù)驅(qū)動類應用（data-drivenapps）”。幾乎任何電子商務(wù)應用都是數(shù)據(jù)驅(qū)動類的應用程序。在web界面的后面是個數(shù)據(jù)庫，二者之間有與數(shù)據(jù)和數(shù)據(jù)服務(wù)（如信用卡處理公司、銀行等）交互的中間件。但只是“用數(shù)據(jù)”并不能被稱作“數(shù)據(jù)科學”。一個數(shù)據(jù)應用程序從數(shù)據(jù)本身獲得數(shù)值，并創(chuàng)造出更多的數(shù)據(jù)作為結(jié)果。這并不僅僅是用數(shù)據(jù)的應用程序，它是一個數(shù)據(jù)產(chǎn)品。而數(shù)據(jù)科學就是使得創(chuàng)建數(shù)據(jù)產(chǎn)品變成可能的學科。網(wǎng)絡(luò)中早期的數(shù)據(jù)產(chǎn)品是CDDBdatab

3、ase（譯者注：CompactDiscDatabase，一種支持通過網(wǎng)絡(luò)訪問音頻信息的數(shù)據(jù)庫）。CDDB的開發(fā)者認識到任何CD都有一個唯一的簽名，（舉例來說）這基于每個音軌的長度。Gracenote（譯者注：CDDB的開發(fā)公司）建立了一個關(guān)于音軌長度的數(shù)據(jù)庫，并將它與專輯元數(shù)據(jù)信息（音軌名，表演者，專輯名等）數(shù)據(jù)庫結(jié)合。如果你用過iTunes燒錄CD，你就應用到這個數(shù)據(jù)庫了。在做任何其他事情之前，iTunes讀取每個音軌的長度，發(fā)送給CDDB，并獲得音軌的標題信息，如果你有個CD不在數(shù)據(jù)庫中（包括你自制的CD），你可以為這個未知專輯創(chuàng)建新條目。盡管這聽起來很簡單，但它是革命性的

4、：CDDB把音樂視為數(shù)據(jù)，而非音頻文件，并通過創(chuàng)建數(shù)值來做到這一點。他們的業(yè)務(wù)與販賣音樂、共享音樂或分析音樂的品味（盡管這些也是“數(shù)據(jù)產(chǎn)品”）有著本質(zhì)不同。CDDB將音樂問題完全視為數(shù)據(jù)問題。Google是創(chuàng)建數(shù)據(jù)產(chǎn)品的專家。有一些例子：·Google的突破在于意識到搜索引擎可以不僅僅是通過頁面輸入文字（來進行搜索）。Google的PageRank算法會首先使用頁面本身以外的數(shù)據(jù)，特別是指向頁面的連接數(shù)量。追蹤連接使得Google搜索更加有用，而PageRank已經(jīng)是公司成功的關(guān)鍵部分。·拼寫檢查并不是非常困難的問題，但通過糾錯建議來糾正那些誤寫的搜索，并觀察用戶對相應的點擊，

5、Google使之更為精確。他們已經(jīng)構(gòu)造了一個字典，包含了通用拼寫錯誤，它們的正確拼寫，以及發(fā)生的上下文?！ふZ言識別一直是個難題，現(xiàn)在依然如此。但Google通過使用他們搜集的音頻數(shù)據(jù)，已取得重大進展，如今他們已經(jīng)將語音搜索（voicesearch）整合到核心搜索引擎中了?！ぴ?009年的豬流感疫情中，Google能夠通過跟蹤針對流感相關(guān)主題的搜索（byfollowingsearchesforflu-relatedtopics），來追蹤疫情進展。FlutrendsGoogle可以通過分析不同區(qū)域人們的搜索，比疾病控制中心提前兩周繪制出豬流感疫情大概的趨向。Google并不是唯一一

6、個知道如何應用數(shù)據(jù)的。Facebook和LinkedIn使用好友關(guān)系規(guī)律來提示你那些你可能認識的人，有時候精確的難以置信。Amazon干脆省省去你的搜索，將你搜的和其他用戶搜的相結(jié)合，來做出令人驚訝的合適推薦。這些推薦就是“數(shù)據(jù)產(chǎn)品”，推動了Amazon的傳統(tǒng)零售業(yè)務(wù)。這一切都源于Amazon明白書不僅是書，客戶不僅是客戶；客戶會留下數(shù)據(jù)線索，通過對其挖掘并付諸使用——把照相機當作能與客戶行為（每次用戶訪問網(wǎng)站都會留下的數(shù)據(jù)）相關(guān)聯(lián)的數(shù)據(jù)。將所有這些應用綁在一起的是從用戶提供的數(shù)值中搜集來的數(shù)據(jù)。無論這種數(shù)據(jù)是被搜索的術(shù)語，音頻樣本，還是對某產(chǎn)品的一次查閱，用戶一直在為他們所使

7、用的產(chǎn)品貢獻著數(shù)據(jù)，而他們也會在這種循環(huán)中獲益。這就是數(shù)據(jù)科學的起點。在過去幾年，可用數(shù)據(jù)爆發(fā)式增長。無論是我們說的網(wǎng)絡(luò)服務(wù)器日志，tweet流，在線交易記錄，還是來自政府的“公民科學”數(shù)據(jù)，抑或其他數(shù)據(jù)源的數(shù)據(jù)，問題的關(guān)鍵不是找到數(shù)據(jù)，而是如何用數(shù)據(jù)。而且，公司不僅僅用到他們自己的數(shù)據(jù)，還有用戶貢獻的數(shù)據(jù)。從好多源頭中混搭數(shù)據(jù)已經(jīng)越來越稀松平常?！癉ataMashupsinR”分析了費城的喪失抵押品贖回權(quán)（mortgageforeclosures）的情況：通過警長辦公室發(fā)布的一份報告，抽取