数据科学
收录了 数据科学 频道下的 50 篇内容
数据科学思维：打造健康数据驱动组织的 6 条原则
通过本文，业务和技术领导者将学到一些评估他们的组织是否是数据驱动的方法，以及对其数据科学成熟度进行基准测试的方法。
不再性感，不再赚钱，数据科学的时代变了
我被劝退了，你呢？
到底什么是数据科学家？
“数据科学家“在数据化的进程中，扮演着极为重要的角色。他们既继承着统计师和业务分析师的职责，又需要将日新月异的大数据技术、算法、模型等逐渐转化为企业价值。 而这一角色的定义比较模糊，那么数据科学家的职责包括什么？ 需要哪些技能？对于有志于从事这份工作的朋友，从哪里开始，如何能在较短时间内赢得数据科学家的工作机会？
从原始数据到数据科学：使非结构化数据结构化，以推动产品开发
Cassandra、MongoDB以及在Postgres中存储JSON数据等非结构数据库技术已经能非常方便地对非结构化数据进行存储和处理。软件、数据工程师在大多数情况下也可以不使用数据模型而达到预期效果，数据模型不再是收集数据或提取数据价值的前提条件。
如何开始一个数据科学项目？
数据科学对初创公司有多重要？在初创公司中，数据科学项目流程有什么说道吗？作为在数据科学领域身经百战的老将 Shay Palachy，日前接受了一家名为 BigPanda 的初创公司的邀请，让他就该公司的数据科学项目发表自己的看法。
为什么数据科学家不需要了解 Kubernetes
如果你想成为一名数据科学家，不要想着要掌握全栈。
成为卓越数据科学家必备的 13 项技能
优秀的数据科学家与卓越的数据科学家之间的区别究竟是什么?
容器化的数据科学与工程——第二部分：容器化的数据科学
首先要承认，数据科学家正在设计一些非常有意思（而且或许很有价值的）的模型、优化以及虚拟化等。不幸的是，由于很多模型不能被产业化，它们将永远也不会被使用。事实上，很多工业界正在发生的“数据科学”也同步而孤立的发生在数据科学家的笔记本上。而且，在数据科学的应用被实际部署的场景中，它们经常被部署为python/R脚本，上传到AWS并作为一个cron任务来运行。
我的一年数据科学学习之旅
本文讲述了作者在去年的数据科学学习之旅中遇到了一些困难，以及如何解决这些难题的。
案例研究：在大型金融组织选择大数据和数据科学技术
将大数据和数据科学技术应用到企业组织里是变革性的项目，它有点类似向敏捷组织转型，同样充满了挑战。本文作者分析阐述了某个FTSE 100 金融服务公司的大数据和数据科学技术应用项目。
Christine Doig：把数据科学做为一门团队学科
Christine Doig在今年的OSCON大会上做了一次演讲，主题是把数据科学做为一门团队学科，以及如何引领数据科学Python生态系统的发展。InfoQ采访了Christine，讨论了数据科学团队要变得更高效所要解决的挑战。
借助数据科学解决业务问题
企业越来越意识到，有许多最紧迫的问题，只要稍微运用一点数据科学就可以解决。本文是该系列文章的第一部分，介绍成功实施面向业务的数据科学项目的基础知识。
我在数据科学前线工作这一年
一年总结：来自数据科学前线的实践经验
Uber 数据科学工作台的演变史
本文将对近三年来数据科学工作台的发展进行回顾和总结。
给毕业生：你应该选机器学习还是数据科学？
最难毕业季的毕业生们，你们准备好了吗？
微软的数据科学工作流
本文讲解了在微软数据科学项目是如何被执行落地和交付的。
关于 GDPR，数据科学家和数据工程师需要知道些什么
Andrew Burt在这篇文章中介绍了在GDPR实施之后，欧盟企业在收集、存储和使用用户数据时需要注意的事情，企业要通过GDPR基本测试需要做些什么，以及如何把握时机改进企业的数据监管能力。
申请数据科学家职位被拒，我开始研究他们都是些什么人
与其专注于数据科学家所需的技能，不如看看他们之前实际做过些什么。
如何从技术上突破数据科学的两大挑战
本文是10月13日大数据杂谈群分享的内容。 TalkingData的平台上有巨大的数据量，日活是2.5亿、月活是6.5亿。每天能够收到14TB的数据，处理370亿条消息，收到35亿个位置定位点。 如何利用这些数据创造价值？
为什么数据科学家往往很喜欢 Kubernetes?
Kubernetes为职业数据科学家提供了无与伦比的功能组合。简化软件开发工作流的特性也为数据科学工作流提供了支持。
京公网安备 11010502039052号 | 产品资质
