发帖
雷达卡
在数据经济中，数据为王。如今，无论大小，任何企业都可以依靠其数据资产蓬勃发展。提供数据驱动的见解作为外部服务的最新趋势为企业开辟了有利可图的收入渠道。云计算和托管分析已将数据即服务带入普通企业用户的桌面，这在几年前还从未听说过。
正如Gartner不久前所预言的那样，随着全球商业环境正迅速向“数字化万物”迈进， 人工智能 （AI），机器学习（ML）和深度学习（DL）在重塑全球业务中将像数据科学一样发挥重要作用。
数据管理与数据策略：业务成功的框架讨论围绕企业数据资产构建业务模型和收入流。作者还提到，对于企业来说，了解数据管理和数据策略之间的巨大差异至关重要，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了便利。
当前，所有完善的业务模型都包括已定义的数据策略，以指导整个组织的数据管理活动。在已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，数据隐私和安全性等创建了蓝图。
在这种以数据为中心的业务环境中，通常期望全球IT市场中出现更新更好的数据技术，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AI和机器学习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AI和相关科学，并解释了如何将其最佳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，并且此过程通常是缓慢而错误的。在下一阶段，将图像或语音分析与ML结合使用时，机器将采用更多的人文素质，并开始表现得像座席。
从数据科学到AI＆ML：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展。这些经常在技术新闻网站上流行的流行语结合了数学，统计，计算机科学，数据工程，数据库技术等原理。数据科学可以更多地视为数据管理的技术领域，它使用AI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的预测。从这个意义上讲，人工智能及其子集像ML和DL这样的AI 以数据仓库的见解形式帮助数据科学家积累竞争情报。
可以将AI定义为具有许多子学科的广阔科学领域-所有这些学科都共同致力于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，但已深入渗透到神经网络领域，从而将数据科学推向了更高的自动化水平，其中语音，图像，文本识别和虚拟现实已经融合在一起，创造出了不起的“数字化业务生态系统。” 与数据科学和AI基本实践相关的较新技术仍在每天发展，现在有了大数据，云，物联网，边缘和无服务器-谁知道这一切的终点？
似乎没有结束的数字旅程
数据科学仍然隐藏在本地数据中心后面的企业，突然开始在整个企业中获得了巨大的可见性-所有这些都是由于AI的出现。大数据，Hadoop以及社交，移动和IoT渠道的兴起进一步推动了业务流程的通宵转型和日常决策，从而将数据技术带入了业务运营的最前沿。今天，数据在企业中起着统治作用，并且这种趋势在可预见的将来不会消失。
数据科学，人工智能，机器学习，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”，它依靠支持AI的高级工具（例如ML和DL算法或神经网络）来预测和预测竞争优势。这意味着仅在通过这些高级工具处理了数据之后才开始业务数据分析。
“数据科学”是一个更全面的术语，涵盖“数据的收集，存储，组织，准备和端到端管理”，而具有AI功能的技术则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 协同工作以利用数据以获得各种业务利益。
Data Flair的博客文章比较 数据科学使用AI，ML和DL对比数据科学与AI，ML和DL的优势。数据科学和支持AI的数据技术之间的显着差异可能是学习算法，该算法可对大量数据进行训练。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，使其在提供业务预测方面变得更智能，更明智。从这个意义上讲，数据科学和AI具有共生关系，双向双向互惠互利。
数据科学，人工智能和机器学习之间的鲜明对比
数据科学，人工智能和机器学习之间的对比功能 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分层地 放在数据技术生态系统中，其中人工智能在顶部，数字图书馆在底部。
尽管数据科学本身是一个跨学科的领域，但是当数据科学家进入数据分析领域时，他们开始于AI的最高自动化级别，并通过越来越复杂和更具挑战性的分析任务逐步发展到DL。神经网络的功能就像人的大脑一样，密集的分析活动需要“大脑模拟器环境”来解决高度复杂的业务问题。
因此，可以将AI的广阔领域及其所有子领域视为数据科学的解决方案促成因素。
这个帖子在跳板博客深入研究了数据科学家和ML专家之间的基本区别。文章指出，虽然ML专家始终专注于在整个项目生命周期中构建有用的算法，但数据科学家在角色扮演方面必须更加灵活-根据项目的需求在不同的数据角色之间进行切换。数据科学和AI在“数据”上重叠，这为合作构建业务解决方案提供了机会。
的文章 方差解释处理这三个领域之间的重叠领域。它指出，虽然AI和ML提供了业务问题的答案，但数据科学家终于开始通过可视化和报告工具构建令人信服的故事，以吸引更多的业务受众。业务受众可能不了解什么是随机森林，但是一旦有了数据驱动的故事，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，数据科学家比AI或ML实践者更多地是领域专家，能够根据数据驱动的见解构建最终的故事。
人工智能和机器学习之间的狭窄差异可以通过其适用的“用例和实现”得到最好的理解， 人工智能与机器学习。AI和ML协同工作以实现人类活动的自动化，例如客户服务（数字助理），驾驶车辆（自动驾驶汽车）以及提供个性化推荐（推荐引擎）。使用AI和ML的好处通常被低估了-通过消除人工劳动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，训练算法是从单层学习的，而在DL中，相同的算法训练是在多层中进行的，即所谓的“无监督学习”。DL中的学习紧密模拟了人类的学习条件。
结束语
人工智能，机器学习和深度学习领域的研究和市场应用竞赛正在进行中，并将持续到遥远的未来。正在投资和实施最适合其独特业务环境的高级数据技术的企业将在未来十年保持领先于竞争的优势。
关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
