在很多方面，数据科学家就像狗。我并不是说他们多毛（尽管胡须在男人中很常见）。我的意思是，与狗一样，有许多不同的类型，具有截然不同的属性和专长，都属于同一个“家族”。就像梗犬和罗威纳犬彼此之间存在巨大差异一样，“贝叶斯统计”数据科学家与“机器学习”数据科学家之间也存在很大差异。 在很多方面，数据科学家就像狗。我并不是说他们多毛（尽管胡须在男人中很常见）。我的意思是，与狗一样，有许多不同的类型，具有截然不同的属性和专长，都属于同一个“家族”。就像梗犬和罗威纳犬彼此之间存在巨大差异一样，“贝叶斯统计”数据科学家与“机器学习”数据科学家之间也存在很大差异。 这有关系吗？对于企业来说，这可能非常重要。公司使用的数据科学家“类型”可能会对处理和解决问题的方式产生深远影响。
这并不意味着数据
科学家将得出的答案将是“错误的”，但这可能意味着从广泛的数据科学技术中，可能无法获得为企业提供最多信息的解决方案的方法之所以选择，是因为该数据科学家不熟悉该方法。在团队中建立数据科学家的适当平衡将创造一个允许从不同角度解决问题的环境，并激发健康的方法论辩论，从而激发 最新邮件数据库 创新并找到“最佳”解决方案。 确定是什么让数据科学家打勾，对于理解他们将采取什么方法来解决问题大有帮助。首先，重要的是要记住，数据科学家是几个不同学术部分的总和：部分计算机科学家、部分数学家和特定领域（例如重工业）的专家。 更多阅读 中国会计准则委员会 CASB 帮助基于云的企业避免数据泄露 数据货币化正在改变信息技术就业市场的 7 种方式 对数据科学和数据分析师角色的需求不断增长 大数据如何改变海运业 增加你找到数据科学家工作的机会 其次，构成数据科学的方法论并不一致。从业者可以更像数学家而不是计算机科学家，反之亦然。
无论数据科学家喜
欢哪个主题，自然都会对他们喜欢的技术产生巨大影响。 例如，“统计学家”数据科学家往往会更担心误差项，并强调使用统计模型来描述和预测。这与来自计算机科学背景的数据科学家形成对比。他们往往更担心如何高效地查询和转换数据。 更复杂的是，这些主题还可以进一步细分为许多不同的专业领域，或者可以说是独立的主题。统计可以细分为专业领域，例如经典频率统计、贝叶斯统计和非参数统计。在实践中，这可能 AOB目录 意味着以不同的方式解决问题。贝叶斯主义者明确地假设他们认为他们可能会在他们的数据中看到什么，然后他们在数据到达后更新他们的信念。频率论者倾向于对他们正在处理的数据的性质做出很多隐藏的假设（例如，数据呈正态分布），并且他们非常关注无偏估计量。而非参数统计学家往往不对其数据的性质做出任何假设。 关于每种类型的数据科学家将如何实际处理数据，可以说他们基于相同的信息可能会得出略有不同的结论就足够了。 数据科学是寻求将问题转化为可以使用数据回答的问题，然后应用各种技术来观察会发生什么并推动我们前进。
