数据科学与AI：基础知识
介绍： 从数据堆中获取有意义的信息是当今任何企业生存和维持的最低要求。与该领域相关的许多术语和流行语模糊了人们的困惑，例如大数据，数据仓库（DWH），BI分析，AI（人工智能），数据科学，机器学习，高级分析，深度学习，认知，预测建模等。我已经看到机构可以让团队使用机器学习来构建分类器，但是它们的名称与AI团队相同，业务分析师会使用Tableau进行一些诊断分析，但被称为数据科学家，有时我们编写常规代码，或者使用RPA工具，例如自动执行业务流程中某些部分的蓝色棱镜（例如，从一个应用程序中获取数据，粘贴到文件中，格式相同，然后再发送为费用报告），我们可能会无意中将其称为AI生态系统，依此类推。大学毕业生，求职者（新鲜或横向），业务主管和技术人员必须尽力理解各种数据管理学科领域（AI，ML，DS，深度学习，认知计算，统计，BI，DWH等）背后的概念。 ，相关角色（例如数据工程师，业务分析师，数据科学家，ML工程师，数据建模人员，数据管理员等），并随后计划学习和应用其他行业可能会损失收入，CoE和实践在预期与预期之间现实。但是，我们并没有走那么远 求职者（新鲜或横向），业务主管和技术人员必须尽力理解各种数据管理主题领域（AI，ML，DS，深度学习，认知计算，统计，BI，DWH等）背后的概念。 （例如数据工程师，业务分析师，数据科学家，机器学习工程师，数据建模师，数据管理员等），并随后计划学习和应用其他行业可能会损失收入，CoE和实践在期望与现实之间变得模糊和沮丧。但是，我们并没有走那么远 求职者（新鲜或横向），业务主管和技术人员必须尽力理解各种数据管理主题领域（AI，ML，DS，深度学习，认知计算，统计，BI，DWH等）背后的概念。 （例如数据工程师，业务分析师，数据科学家，机器学习工程师，数据建模师，数据管理员等），并随后计划学习和应用其他行业可能会损失收入，CoE和实践在期望与现实之间变得模糊和沮丧。但是，我们并没有走那么远 ML工程师，数据建模人员，数据管理员等），随后计划学习和应用其他行业，否则行业可能会损失收入，CoE和实践变得模糊，并且期望与现实之间会出现挫折感。但是，我们并没有走那么远 ML工程师，数据建模人员，数据管理员等），随后计划学习和应用其他行业，否则行业可能会损失收入，CoE和实践变得模糊，并且期望与现实之间会出现挫折感。但是，我们并没有走那么远 数据成熟度区域（探索，诊断，预测和说明性），因此对于在此之前弄清和理解各种数据主题领域非常重要。这篇文章是把周围的清晰度，涉及人工智能，数据科学及相关方面帮助毕业生，数据的从业者，企业高管等，这些数据学科领域发展事业，建立实践，社区和能力在数据科学领域的尝试。
1