数据科学与机器学习与人工智能

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

在数据经济中，数据为王。今天，任何企业——无论是小型、中型还是大型——都依靠其数据资产而蓬勃发展。最近将数据驱动的洞察作为服务提供给外部世界的趋势为企业开辟了有利可图的收入渠道。云计算和托管分析将数据即服务带到了普通商业用户的桌面上，这在几年前还是闻所未闻的。

正如 Gartner 不久前预测的那样，随着全球商业环境正快速向“万物数字化”迈进，人工智能(AI)、机器学习 (ML) 和深度学习 (DL) 将在重塑全球业务方面发挥与数据科学一样重要的作用。

数据管理与数据策略：商业成功的框架谈论围绕企业数据资产构建业务模型和收入流。作者还提到，企业必须了解数据管理和数据战略之间的巨大差异，因为后者通过精心指导的计划、计划、政策和实践框架为前者提供便利。

目前，所有成熟的业务模型都包括一个定义的数据战略，以指导整个组织的数据管理活动。在定义的数据策略框架中，数据管理远远超出了基本的数据库管理任务，并为数据收集方法、数据治理、数据访问和控制、数据隐私和安全等创建了蓝图。

在这样一个以数据为中心的商业环境中，期待全球 IT 市场出现更新更好的数据技术是很正常的，这可能会在不久的将来取代人类数据科学家和业务分析师。

在播客中为高管揭开人工智能和机器学习的神秘面纱，麦肯锡的高级合伙人 Tamim Saleh 讨论了先进的数据技术，尤其是人工智能和相关科学，解释了如何将它们最好地应用于实际业务情况。根据 Saleh 的说法，人类科学家开始通过输入数据与机器进行交互，而这个过程通常是缓慢且错误的。在下一阶段，当图像或语音分析与 ML 相结合时，机器会采用更多的人类品质并开始像代理一样行事。

从数据科学到人工智能和机器学习：技术转型

根据一个Newgenapps博客文章中，大数据的出现帮助数据科学项目快速扩大规模。这些经常出现在科技新闻网站上的热门流行语结合了数学、统计学、计算机科学、数据工程、数据库技术等原理。数据科学可能更多地被视为数据管理的技术领域，它使用人工智能和相关领域来解释历史数据、识别当前数据中的模式并做出未来预测。从这个意义上说，人工智能和像 ML 和 DL 一样的 AI帮助数据科学家以从数据储备中获得洞察力的形式积累竞争情报。

人工智能可以被定义为一个具有许多子学科的广泛科学领域——所有学科都在协同工作，以实现业务流程自动化并使机器的行为更像人类。ML 和 DL 等领域虽然是 AI 的分支，但已经深入渗透到神经网络领域，从而将数据科学推向了下一个自动化水平，语音、图像、文本识别和虚拟现实融合在一起，创造了一个很棒的“数字化商业生态系统。” 与数据科学和人工智能的基本实践相关的新技术每天都在不断发展，现在有了大数据、云、物联网、边缘和无服务器——谁知道这一切都在哪里结束？

似乎没有结束的数字之旅

数据科学一直隐藏在本地数据中心后面的数据突然开始在整个企业中获得巨大的知名度——这一切都归功于人工智能的出现。大数据、Hadoop 以及社交、移动和物联网渠道的兴起进一步推动了业务流程和日常决策的一夜之间转变，将数据技术带到了业务运营的最前沿。今天，数据在企业中占据主导地位，在可预见的未来，这种趋势不会减弱。

数据科学 vs. 人工智能 vs. 机器学习 vs. 深度学习使用不同类型的 ML 算法来区分算法在实际数据管理项目中的适用性。数据科学的一个方面是“分析数据的业务”，它依赖于支持人工智能的高级工具，如 ML 和 DL 算法或神经网络来进行预测和预测以获得竞争优势。这意味着业务数据分析只有在通过这些高级工具处理数据后才开始。

“数据科学”是一个更全面的术语，包括“数据的收集、存储、组织、准备和端到端管理”，而人工智能技术控制和促进业务运营中的数据分析。数据科学、人工智能和机器学习协同工作，利用数据获得广泛的商业利益。

来自 Data Flair 的博客文章比较数据科学with AI、ML 和 DL 对比了数据科学与 AI、ML 和 DL 的优势。数据科学和支持人工智能的数据技术的显着差异可能是学习算法，它在大量数据上进行训练。机器学习和深度学习算法对数据科学提供的数据进行训练，从而在反馈业务预测方面变得更智能、更明智。从这个意义上说，数据科学和人工智能共享一种共生关系，在两个方向上完全相互让步。

数据科学、人工智能和机器学习之间的对比特征

数据科学、人工智能和机器学习之间的对比特征 包含对数据管理三个不同领域的复杂关系分析。根据这篇文章，机器学习将人工智能与数据科学联系起来。另一方面，ML 和 DL 具有父子关系，而 AI 和 ML 可以被描述为共享相似的父子关系。因此，人工智能、机器学习和深度学习是分层的置于数据技术生态系统中，AI 位于顶部，DL 位于底部。

尽管数据科学本身是一个跨学科领域，但当数据科学家进入数据分析领域时，他们会从 AI 的最高自动化水平开始，通过越来越复杂和更具挑战性的分析任务逐步深入到深度学习。神经网络的功能类似于人脑，密集的分析活动需要“大脑模拟环境”来解决高度复杂的业务问题。

因此，人工智能的所有子领域都可以被视为数据科学的解决方案推动者。

这个帖子在跳板博客对数据科学家和机器学习专家之间的基本区别进行了敏锐的观察。该帖子指出，虽然 ML 专家仍然专注于在整个项目生命周期中构建有用的算法，但数据科学家必须在角色扮演方面更加灵活——根据项目的需要在不同的数据角色之间切换。数据科学和人工智能在“数据”上重叠，这为协作构建业务解决方案提供了机会。

的一篇文章差异解释处理这三个领域之间的重叠领域。它指出，虽然 AI 和 ML 为业务问题提供了答案，但数据科学家最终通过可视化和报告工具构建了一个令人信服的故事，以供更广泛的业务受众使用。业务受众可能不了解随机森林是什么，但是一旦数据驱动的故事呈现在他们面前，他们就会立即了解不同业务组件之间的关系和模式，以及它们对业务的未来影响。毫无疑问，数据科学家更像是领域专家，而不是 AI 或 ML 从业者，能够从数据驱动的见解中构建最终故事。

根据其适用的“用例和实现”，可以最好地理解 AI 和 ML 之间的细微差别。人工智能与机器学习. AI 和 ML 协同工作以自动化人类活动，例如客户服务（数字助理）、驾驶车辆（自动驾驶汽车）和提供个性化推荐（推荐引擎）。使用 AI 和 ML 的一个好处往往被低估了——通过从这些功能中消除人工来节省大量成本的好处。

在机器学习与深度学习，作者指出，在 ML 中，训练算法从单层学习，而在 DL 中，相同的算法训练发生在多个层中，即所谓的“无监督学习”。深度学习中的学习密切模拟人类的学习条件。

结束语

人工智能、机器学习和深度学习的研究和市场应用竞赛已经开始，并将持续到遥远的未来。投资和实施最适合其独特商业环境的先进数据技术的企业将在未来十年保持领先地位。

相关帖子DA内容精选 2022年300个以上最佳免费数据科学课 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！ 机器学习模型方法总结 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 机器学习如何应用于商业场景？三个真实的商业项目 数据工作者的自我修养 | 哪些技能是必不可少的？ 《汗牛充栋：数据分析书籍分享》CDA网校新课上线 文本挖掘常用的107个语料库 一图读懂“东数西算”工程 零基础转行数据分析，看这篇文章就够了

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：机器学习 数据科学 人工智能 GARTNER Hadoop