数据科学、人工智能与机器学习傻傻分不清楚，看这篇就够了

deephub

发布于 2020-05-09 16:30:48

3.9K0

发布于 2020-05-09 16:30:48

什么是数据科学？

数据科学是指与数据系统和数据处理有关的研究领域，它旨在维护数据并从中推导出数据蕴含的意义。数据科学家将工具、应用、理论和算法结合在一起来理解数据。由于现在全球各个组织或系统都在生成指数级的数据量，因此很难监视和存储这些数据。数据科学侧重于数据建模和数据仓库，以跟踪不断增长的数据，通过数据科学软件提取信息来指导业务并实现特定目标。

数据科学范围

数据科学直接影响的领域之一是商业智能。数据科学家主要处理大数据，以分析模式、趋势等。编写数据分析报告，以帮助之后的推理。商业智能专家会接手数据科学家的工作——– 使用数据分析报告了解任何特定业务的数据趋势，并根据这些信息进行预测并制定行动方案。另外一个与数据科学和商业智能相关的领域 —— 业务分析师。业务分析师将两者结合一点，以帮助公司做出基于数据驱动的决策。数据科学家根据不同的要求分析历史数据，采用不同的形式，如：

预测性因果分析：数据科学家使用此模型来预测业务。预测模型以度量方式展示各种决策的结果。对于试图了解新业务的企业来说，这可能是一种有效的模式。
规范分析：这种分析通过预测最有可能成功的行为，帮助企业设定商业目标。规范性分析使用预测模型进行推理，并通过给出实现这些目标的最佳方式来帮助企业。

数据科学大量地使用面向数据的技术，包括SQL、Python、R和 Hadoop 等。并且它还广泛使用统计分析、数据可视化、分布式体系结构等从数据集中提取信息。

数据科学家是能够熟练运用专业技能的人士，他们的专业知识使他们能够在数据科学项目的任何阶段快速转换角色。他们可以使用 AI 和机器学习等技术轻松地工作。事实上，数据科学家需要机器学习技能来实现特定要求，例如：

用于预测的机器学习：数据科学家使用机器学习算法来研究数据，以便做出有价值的预测。也称为监督学习，这些模型可以为企业提出最有效的行动方案。
用于模式发现的机器学习：通过机器学习发现一些商业模式，这对于企业非常有用。这基本上属于无监督的学习，没有预先决定的参数。模式发现最常用的算法是聚类。

什么是人工智能？

AI，是一个相当“黑客化”的技术术语，在流行文化中经常讲其与未来的机器人或者以机器为主的世界联系在一起。然而，在现实中，人工智能远非如此。简单地说，人工智能旨在通过复现人类智能，使得机器能够进行推理。

由于 AI 的主要目标是用经验知识训练机器，因此提供正确的经验信息和自我校正至关重要。AI 专家依靠深度学习和自然语言处理来帮助机器识别模式和推理。人工智能的范围

AI 自动化：您可以通过建立可靠系统，让AI自动执行重复的、繁杂的任务。
智能产品：人工智能可以将传统产品转化为智能商品。对话平台、机器人和其他AI技术使得科技不断进步。
渐进式学习：AI 算法可以训练机器执行任何所需的功能。算法主要包含预测器和分类器。
分析数据：由于机器从我们提供的数据集中学习，分析和收集正确的数据集就变得非常重要。而神经网络使得训练变得更加容易。

什么是机器学习？

机器学习是指系统可以从经验中自动学习和改进，它是人工智能的一部分。AI 的这一特殊分支旨在研发独立的学习技术，从而不必特意去编程来实现这些技术。

机器学习包括观测和研究数据或经验，以确定模式并建立推理系统。机器学习包括：

有监督机器学习：此模型使用历史数据来理解行为并建立对未来的预测。这种学习算法可以分析任何给定的训练数据集，以推理出有效的输出。监督学习的参数对于结果至关重要。
无监督机器学习：这种类型的 ML 算法不使用任何分类或标签参数。它侧重于从未标记的数据中发现隐藏结构，以帮助系统推断出正确的分布函数。无监督学习算法既可使用生成学习模型，也可以使用基于检索的方法。
半监督机器学习：此模型结合了有监督和无监督学习，但却和它们都不同。它的工作原理是使用标记和未标记的数据来提高学习的准确性。当标签数据成本高昂时，半监督学习可能是一种经济高效的解决方案。
强化机器学习：这种学习不使用任何训练数据，而是从经验中来学习。不断地试验和错误导致强化学习的回报周期比较长。机器学习通过分析海量数据集提供准确的结果。将 AI 技术应用于 ML 系统可以更有效地处理数据和信息。 数据科学、人工智能与机器学习的关系

人工智能，就像数据科学一样，也是一个应用广泛的领域，它旨在通过机器复现人类的智能。人工智能中可以用行动、计划、感知、反馈来描述。

感知> 计划> 行动 > 感知反馈。数据科学中使用此模式或这样的循环来解决特定问题。例如，在第一步感知中，数据科学家尝试在数据的帮助下识别模式。同样地，计划包括：

寻找所有可能的解决方案
在所有解决方案中寻找最佳解决方案数据科学创造了一个系统，将上述要素相互关联，帮助企业向前发展。尽管可以通过将机器学习作为独立主题来解释，但更好的还是在某种背景中去理解它。简而言之，机器学习是连接数据科学和 AI 的纽带。这是因为机器学习是从数据中不断学习的过程。因此，AI 是帮助数据科学获得结果和解决用于特定问题的方案的工具。机器学习有助于实现这一目标。谷歌的搜索引擎就是一个真实的例子。
谷歌的搜索引擎是数据科学的产物
它使用预测分析（AI系统）向用户提供智能结果
例如，如果一个人在谷歌的搜索引擎上键入"纽约最好的夹克"，那么 AI 会通过机器学习收集此信息
现在，一旦此人在搜索栏中输入"最佳购买地点"，AI 就会开始，并且通过预测分析将句子描述为"在纽约购买夹克的最佳地点"，这可能是用户最想要的搜索结果。人工智能、机器学习、深度学习的关系因此确切地说，数据科学涵盖 AI，包括机器学习。然而，机器学习有另一个子技术 ——深度学习。深度学习是机器学习的一种形式，其不同之处在深度学习使用了神经网络这一仿生技术：当我们看到数据时，数据会刺激大脑中的神经元，神经元的层次结构会识别有用的模式。

数据科学、人工智能与机器学习的区别

数据科学和商业分析的区别

数据科学、人工智能和机器学习工作

数据科学、人工智能和机器学习都是高收入行业。然而，这三个领域并不是相互排斥的。这些领域所需的专业技能通常会相互重叠。数据科学岗位需求（如数据分析师、数据科学工程师和数据科学家）在相当长的一段时间内呈上升趋势。这些工作不仅提供了高薪，而且有很大的上升空间。数据科学的技能要求

编程知识
数据可视化和报告
统计分析和数学
风险分析
机器学习技术
数据仓储和结构无论是报表制作还是将这些报告拆分给其他人，这一领域的工作并不仅限于编程或数据挖掘。数据科学专家是连接技术部门和运营部门之间的桥梁，除了技术要求之外，优秀的人际交往能力也是至关重要的。同样，人工智能和机器学习正在从市场上吸收大量人才。机器学习工程师、人工智能架构师、人工智能研究专家等都属于此领域。 AI-ML 所需的技术和技能
精通编程语言，如Python、C++、Java
数据建模和评估
概率和统计
分布式计算
机器学习算法

如您所见，两个领域的技能集要求重叠。在大多数情况下，数据科学和AI-ML 除了各自的专业外，还要有其他领域的基本知识。

尽管数据科学、人工智能和机器学习相互重叠，但它们的具体功能也不同，并且有各自的应用领域。数据科学市场不断地壮大，为这一领域的专家创造了机会。掌握这些领域的任何技能都会使你的事业领先一步。探索人工智能的事业 .

deephub翻译组：zhangzc

本文参与腾讯云自媒体分享计划，分享自微信公众号。

原始发表：2020-03-25，如有侵权请联系 cloudcommunity@tencent.com 删除

数据可视化