传统上，分析师，任何分析师，一直是查看特定主题领域内信息的人，并且从他们的分析中，既可以确定事物为何如此，也可以在一定程度上预测这些相同事物将在何处出现。未来。

分析师已经存在了很长时间，并且对他们总是有一种神秘的感觉。举个例子，在罗马帝国早期，有许多著名的神职人员被称为占卜师，据说他们能够从鸟类的飞行中预测未来。他们的成功率出人意料地高，并且通常受到需要战略建议的军事领导人和寻求更好地部署他们的舰队和陆地特工的商人的巨大需求。

起初，鸟类飞行模式与合理的贸易政策建议之间的相关性充其量似乎很低，但与任何好的魔术技巧一样，值得了解背后发生的事情。鸟儿为什么要仰望天空？简单的。某些类型的鸟类，例如信鸽，可以将信息从船只或商队传送到各个前哨站，然后这些信息可以通过鸟类和其他人类传递到中央聚集点。换句话说，占卜者已经设法建立了一个非常复杂、相当快速的情报网络，可以跟踪船只、部队动向、瘟疫点等等，所有这些都是在观察天空的鸟类的掩护下进行的。因此，即使在今天，动词 to augur 也意味着预测。

自 Data Science Central 发表第一篇文章以来的八年里，该领域已经发展壮大。统计和随机函数已经变得相当复杂。R 和 Python 之间的大逃杀在很大程度上被解决为“无关紧要”，因为统计工具集进入了 Scala、Javascript 和 C# 等多种环境。孤独的数据科学家已经成为一个团队，其领域多种多样，从数据可视化到神经网络训练，再到数据讲故事的人，将他们的主张押在数据分析的青翠土壤上。

更令人兴奋的是，这种重塑正在超越“量化”，进入商业、研究和制造组织的所有领域。市场营销，长期以来被认为是业务中最不“数学”的学科，现在至少需要在统计和概率方面有良好的基础，并且越来越多地消耗公司分析预算的大部分份额。神经网络和强化学习现在是董事会讨论的主题，代表了启发式或算法工具正在被数百万甚至数十亿维度的模型补充甚至取代的情况。数据科学家是组织数字化转型的核心。

让我把这个带回 DSC，给你，温柔的读者，我的简短简历，以及我希望能够为 Data Science Central 带来的东西。三十多年来，我一直是一名咨询程序员、信息架构师和技术布道者。那段时间我写了二十几本书，主要是那些在书架上看起来很不错的大型技术门塞。自 2003 年以来，我还在一个或另一个论坛上写博客，包括 O'Reilly Media、Jupiter Publishing 和 Forbes。我花了相当多的时间尝试推动与 W3C 合作的许多信息标准，并且自 2000 年代中期以来，我将大量时间和精力集中在数据表示、元数据、语义、数据建模和图形技术上.

我 不是数据科学家。我确实拥有天体物理学学士学位，以及大部分系统理论硕士学位。这意味着，在 Apple II+ 系统中最先进的处理器是 Zylog-80（称为 Z80）和 6502 芯片的时候，我几乎正在研究现代数据科学的所有基础模块。说白了，我就是个老屁。

然而，当接手 DSC 的机会出现时，我欣然接受，原因很简单：上下文。你看，我一直在争论我们正在进入上下文计算的时代，最终将是隐喻计算（大约十二年，给予或接受一些）。很有可能，您还没有听说过上下文计算这个术语。它不在 Gartner 的炒作周期中，因为它本身并不是一种“技术”。相反，您可以将上下文计算视为系统对周围世界具有上下文理解时所发生的信息的处理和操作。

上下文计算有几个部分。数据科学是一门大学科。图计算也是如此。机器学习、人工智能、物联网、数字工作场所、数据结构、自主无人机，这个清单很长，而且一直在变长。这些都是上下文相关的——你是谁，你在哪里，你为什么在这里，你在做什么，为什么重要？

数据科学中心已成为世界权威。我希望，我在这一点上的计划，是将其重点扩大到本世纪的第三个十年。我请求作为读者、作家和社区成员的你们加入我的旅程，帮助塑造上下文计算的本质。DSC 是一个分享技术的论坛，也是一个分享有关道德和目的、更大的利益和着眼于机遇的深刻问题的论坛。我希望在您的帮助、观察和偶尔的挑战下，将文森特和蒂姆的伟大社区建立起来。

编辑推荐
1、2022年300个以上最佳免费数据科学课程
2、大厂数据分析面试指南！来自亚马逊、谷歌、微软、头条、美团的面试问题！
3、机器学习模型方法总结
4、历史最全机器学习/深度学习/人工智能专业术语表中英对照表
5、机器学习如何应用于商业场景？三个真实的商业项目
6、数据工作者的自我修养 | 哪些技能是必不可少的？
7、《汗牛充栋：数据分析书籍分享》CDA网校新课上线
8、文本挖掘常用的107个语料库
9、一图读懂“东数西算”工程
10、零基础转行数据分析，看这篇文章就够了

DA内容精选