10 KiB
定義數據科學
 |
|---|
| 定義數據科學 - 由 @nitya 繪製的手繪筆記 |
課前測驗
什麼是數據？
在我們的日常生活中，我們無時無刻不被數據包圍著。你現在正在閱讀的文字就是數據。你智能手機裡朋友的電話號碼列表是數據，你手錶上顯示的當前時間也是數據。作為人類，我們天生就會處理數據，比如數錢或者給朋友寫信。
然而，隨著電腦的誕生，數據變得更加重要。電腦的主要功能是進行計算，但它們需要數據來操作。因此，我們需要了解電腦如何存儲和處理數據。
隨著互聯網的出現，電腦作為數據處理設備的角色進一步增強。如果你仔細想想，我們現在使用電腦更多的是進行數據處理和通信，而不是純粹的計算。當我們給朋友寫電子郵件或在互聯網上搜索信息時，我們實際上是在創建、存儲、傳輸和操作數據。
你能記得上一次真正用電腦進行計算是什麼時候嗎？
什麼是數據科學？
根據 維基百科，數據科學被定義為一個使用科學方法從結構化和非結構化數據中提取知識和洞察力，並將這些知識和可行的洞察力應用於廣泛應用領域的科學領域。
這一定義突出了數據科學的以下重要方面：
- 數據科學的主要目的是從數據中提取知識，換句話說，就是理解數據，發現隱藏的關係並構建模型。
- 數據科學使用科學方法，例如概率和統計。事實上，當數據科學這個術語首次被提出時，有些人認為數據科學只是統計學的一個新潮名稱。然而，現在已經明顯看出這個領域要廣泛得多。
- 獲得的知識應該被應用於產生一些可行的洞察力，即可以應用於實際商業情境的實用洞察。
- 我們應該能夠處理結構化和非結構化數據。我們稍後會在課程中討論不同類型的數據。
- 應用領域是一個重要的概念，數據科學家通常需要對問題領域（例如金融、醫學、營銷等）有一定程度的專業知識。
數據科學的另一個重要方面是研究如何使用電腦收集、存儲和操作數據。雖然統計學為我們提供了數學基礎，但數據科學將數學概念應用於實際從數據中獲取洞察。
根據 Jim Gray 的觀點，數據科學可以被視為一種獨立的科學範式：
- 經驗科學，主要依賴觀察和實驗結果
- 理論科學，從現有的科學知識中產生新概念
- 計算科學，通過計算實驗發現新原則
- 數據驅動科學，基於發現數據中的關係和模式
相關領域
由於數據無處不在，數據科學本身也是一個廣泛的領域，涉及許多其他學科。
數據的類型
正如我們之前提到的，數據無處不在。我們只需要以正確的方式捕捉它！區分結構化和非結構化數據是很有用的。前者通常以某種結構化的形式表示，通常是表格或多個表格，而後者則只是文件的集合。有時我們還可以談到半結構化數據，它具有某種結構，但可能差異很大。
| 結構化數據 | 半結構化數據 | 非結構化數據 |
|---|---|---|
| 包含人員及其電話號碼的列表 | 包含鏈接的維基百科頁面 | 《大英百科全書》的文本 |
| 過去 20 年內每分鐘建築物內所有房間的溫度 | 以 JSON 格式存儲的科學論文集合，包含作者、發表日期和摘要 | 包含公司文件的文件共享 |
| 記錄進入建築物的所有人的年齡和性別數據 | 網頁 | 監控攝像頭的原始視頻流 |
數據的來源
數據的來源有很多，無法一一列舉！然而，我們可以提到一些典型的數據來源：
- 結構化數據
- 物聯網（IoT），包括來自不同傳感器（如溫度或壓力傳感器）的數據，提供了大量有用的數據。例如，如果辦公樓配備了物聯網傳感器，我們可以自動控制供暖和照明以降低成本。
- 調查問卷，例如我們在用戶購買後或訪問網站後要求他們完成的問卷。
- 行為分析，例如可以幫助我們了解用戶在網站上的瀏覽深度，以及用戶離開網站的典型原因。
- 非結構化數據
- 文本可以是豐富的洞察來源，例如整體的情感分數，或者提取關鍵詞和語義含義。
- 圖像或視頻。監控攝像頭的視頻可以用來估算道路上的交通流量，並通知人們潛在的交通擁堵。
- 網絡服務器的日誌可以用來了解我們網站上哪些頁面最常被訪問，以及訪問時長。
- 半結構化數據
- 社交網絡圖譜可以是關於用戶個性和信息傳播潛在效果的極佳數據來源。
- 當我們擁有一堆派對照片時，我們可以通過構建人們互相拍照的圖譜來提取群體動態數據。
通過了解不同的數據來源，你可以嘗試思考不同的場景，看看數據科學技術如何應用於更好地了解情況並改進業務流程。
數據可以做什麼
在數據科學中，我們專注於數據旅程的以下步驟：
當然，根據實際數據的情況，有些步驟可能會缺失（例如，當我們已經擁有數據庫中的數據，或者當我們不需要模型訓練時），或者某些步驟可能會重複多次（例如數據處理）。
數字化與數字化轉型
在過去的十年中，許多企業開始意識到數據在商業決策中的重要性。要將數據科學原則應用於企業運營，首先需要收集一些數據，即將業務流程轉化為數字形式，這被稱為數字化。將數據科學技術應用於這些數據以指導決策，可能會帶來生產力的顯著提升（甚至是業務轉型），這被稱為數字化轉型。
讓我們考慮一個例子。假設我們有一門數據科學課程（比如這門課程），我們在線上向學生提供，並希望利用數據科學來改進它。我們該怎麼做？
我們可以從問「什麼可以被數字化？」開始。最簡單的方法是測量每位學生完成每個模塊所需的時間，並通過在每個模塊結束時進行選擇題測試來測量獲得的知識。通過計算所有學生的平均完成時間，我們可以找出哪些模塊對學生來說最具挑戰性，並著手簡化它們。 你可能會認為這種方法並不理想，因為模組的長度可能各不相同。或許更公平的做法是根據模組的長度（以字元數計算）來分配時間，然後比較這些數值。 當我們開始分析多項選擇題的結果時，可以嘗試找出學生在哪些概念上有困難，並利用這些資訊改進內容。為了做到這一點，我們需要設計測試，使每個問題對應到某個特定的概念或知識塊。
如果我們想進一步深入分析，可以將每個模組所需的時間與學生的年齡類別進行對比。我們可能會發現，某些年齡類別的學生完成模組所需的時間過長，或者在完成之前就中途退出。這可以幫助我們為模組提供年齡建議，並減少因錯誤期望而導致的不滿意。
🚀 挑戰
在這個挑戰中，我們將嘗試通過分析文本來找出與數據科學領域相關的概念。我們將選取一篇關於數據科學的維基百科文章，下載並處理文本，然後生成一個像這樣的文字雲：
訪問 notebook.ipynb 查看代碼。你也可以運行代碼，並即時觀察它如何執行所有數據轉換。
如果你不知道如何在 Jupyter Notebook 中運行代碼，可以參考 這篇文章。
課後測驗
作業
- 任務 1：修改上述代碼，找出與 大數據 和 機器學習 領域相關的概念
- 任務 2：思考數據科學場景
鳴謝
這節課由 Dmitry Soshnikov 用 ♥️ 編寫。
免責聲明：
此文件已使用人工智能翻譯服務 Co-op Translator 翻譯。我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。應以原始語言的文件作為權威來源。對於關鍵資訊，建議尋求專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解讀概不負責。