信息化时代，数据已成为国家重点发展的战略资源，对经济社会生活的影响日渐深远，为更好地挖掘数据背后的价值，数据科学应运而生。那么，什么是数据科学呢?它的内涵是?当前数据科学技术有哪些?本文将具体介绍。

1.什么是数据科学

徐宗本在《数据科学：它的内容、方法、意义与发展》一书中将数据科学定义为“数据科学是有关数据价值链实现的基础理论与方法学，运用建模、分析、计算和学习杂糅的方法研究从数据到信息、从信息到知识、从知识到决策的转换，并实现对现实世界的认知与操控”。

2.数据科学的发展

在1974年出版的《Concise Survey of Computer Methods》一书中首次提到了“数据科学”一词，书中将数据科学描述为“数据科学是一门基于数据处理的科学”，作者认为数据处理后可以和其他领域建立起联系，这种联系将为该领域的科学提供参考与借鉴。

然而自上世纪70年代出现以来，数据科学并未得到学术界的重视，直至新世纪的到来，数据科学才正式在学术界引发关注，国际杂志《International Statistical Review》上发表的“Data Science：An Action Plan for Expanding the Technical Areas of the Field of Statistics”一文中提出“数据科学是统计学的一个重要研究方向”，使得统计学领域开始关注数据科学的研究。

数据科学从学术界走入大众视野主要是经历了以下两个标志性事件：

1)2012 年，Davenport 和 Patil 在《Harvard Business Review》上发表的“DataScientist：The Sexiest Job of the 21st Century”指出“数据科学家是公司竞相招聘的对象”;

2)2015年，Patil被聘请成为白宫首任数据科学家，这是美国白宫第一次设立数据科学家岗位。

3.数据科学的内涵

从本体论的角度来讲，数据科学是“用科学的方法来研究数据”的一门新科学。在数字世界中，除了可以反映现实世界中的科学规律，其本身是否也具有类似现实世界的一般性规律?既然现实世界客观存在共性规律，如能量守恒定律、牛顿定律等，那么反映现实世界的数字世界也可能具备某些特有的一般性规律[28]。数据是现实世界在数字世界中的符号化表示，是数字世界的主要构成元素。通过研究数据的历史和进化、形成和发展、类型和属性，获取其本身蕴含的规律和价值，进一步揭示数字世界的内在机理，也是数据科学研究的更基本的问题。

从学科地位的角度来讲，数学科学是一门“理工交叉、文理交融”的学科。其主体构成为数学与统计学、计算机科学与人工智能学科以及各专业领域科学，其中数学与统计学为数据科学提供了研究的理论基础，计算机科学与人工智能学科为数据科学提供了研究的工具和方法，各专业领域知识为数据科学提供了研究的经验与实践应用场景。换言之，数据科学是一套基于大数据时代出现的新理论、新技术、新方法、新模型、新工具和新应用来研究新挑战、新机会、新思维和新模式的知识体系。数据科学生成的多源性、内涵的交叉性以及知识的多学科性搭建起沟通不同学科的桥梁，构建起自身学科体系。

4.数据科学技术分类

数据科学家最广泛使用的有三种统计和分析技术。以下了解可用于执行分析的各种数据科学技术和方法：

(1)分类技术

在分类问题中，数据科学家要回答的首要问题是：“这些数据属于什么类别?”将数据分类的原因很多。也许数据是手绘的图像，人们需要知道图像代表什么字母或数字。或者代表贷款申请的数据，想知道它应该属于“已批准”还是“已拒绝”类别。其他分类可以集中在确定患者治疗方案或电子邮件是否是垃圾邮件。

数据科学家用来将数据过滤到类别中的算法和方法包括：

•决策树。这些是分支逻辑结构，使用机器生成的参数和数值树将数据分类为已定义的类别。

•贝叶斯分类器。利用概率的力量，贝叶斯分类器可以帮助将数据分为简单的类别。

•支持向量机(SVM)。支持向量机的目标是绘制一条宽边距的曲线或平面，将数据分成不同的类别。

•K-近邻算法。该技术使用一种简单的“惰性决策”方法，根据数据集中最邻近的类别来确定数据点应该属于哪个类别。

•逻辑回归。尽管使用了分类技术，但它使用将数据拟合到一条线的想法来区分每一边的不同类别。这条线的形状使数据可以移至某个类别。

•神经网络。这种方法使用训练有素的人工神经网络，尤其是具有多个隐藏层的深度学习网络。神经网络已经显示出强大的分类能力，其中包含大量的训练数据。

(2)关联分析技术

关联分析是一种相关但独立的技术。其背后的主要思想是找到描述不同数据点之间公共性的关联规则。与聚类类似，人们正在寻找数据所属的组。但是在这种情况下，试图确定何时数据点一起出现，而不是仅仅识别它们的集群。在聚类中，其目标是将大数据集划分为可识别的组，而通过关联分析，人们正在测量数据点之间的关联程度。

(3)聚类技术

另一组数据科学技术侧重于回答这样一个问题：“这些数据是如何分组的，不同的数据点属于哪些组?”数据科学家可以发现相关数据点的聚类，这些数据点具有共同的各种特征，从而在分析应用程序中产生有用的信息。

可用于聚类用途的方法包括：

•K-均值聚类。K-均值算法确定数据集中的一定数量的聚类，并找到“质心”，以标识不同聚类的位置，并将数据点分配给最接近的聚类。

•均值漂移聚类。另一种基于质心的聚类技术，它可以单独使用，也可以通过移动指定的质心来改进k-均值聚类。

•DBSCAN。DBSCAN是“基于密度的带噪空间聚类算法DBSCAN”的缩写，是另一种发现聚类的技术，它使用一种更高级的方法来识别聚类的密度。

•高斯混合模型。高斯混合模型通过使用高斯分布将数据分组在一起而不是将数据视为奇点来帮助找到聚类。

•分层聚类。与决策树类似，这种技术使用层次化的分支方法来查找聚类。

(4)回归技术

如果不知道数据属于哪一类，而是想知道不同数据点之间的关系该怎么办?回归的主要思想是回答以下问题：“这个数据的预测值是多少?”一个简单的概念来自“均值回归”的统计概念，它可以是一个独立变量和一个因变量之间的直接回归，也可以是一个试图找到多个变量之间关系的多维回归。

例如决策树支持向量机(SVM)和神经网络一些分类技术，也可以用来进行回归。此外，数据科学家可以使用的回归技术包括：

•线性回归。作为数据科学中应用最广泛的方法之一，这种方法试图根据两个变量之间的相关性找到最适合所分析数据的曲线。

•套索回归。Lasso(套索)是“最小绝对收缩和选择算符”的缩写，是一种通过在最终模型中使用数据子集来提高线性回归模型预测准确性的技术。

•多元回归。这涉及寻找适合可能包含多个变量的多维数据的线或平面的不同方法。

以上梳理了数据科学的定义、内涵及主要技术分类，希望对你有所帮助，随着大数据的持续发展，数据的价值日益凸显，数据科学必将发挥重大作用。如果你想了解更多相关内容，敬请关注三个皮匠报告的行业知识栏目。

本文由@2200 发布于三个皮匠报告网站，未经授权禁止转载。

推荐阅读：

什么是数据加密技术?有哪些?应用价值分析

大数据产业政策有哪些?2022最新大数据产业政策梳理

什么是大数据产业?有哪些?特征包括?

IBM：从数据科学到数据外交(25页).pdf