機器學習，數據科學，AI，深度學習和統計學之間的區別

在本文中，我闡述了數據科學家的各種角色，以及數據科學如何與機器學習，深度學習，人工智能，統計學，物聯網，運籌學和應用數學等相關領域進行比較和重疊。 由于數據科學是一門廣泛的學科，我首先描述在任何商業環境中可能遇到的不同類型的數據科學家：您甚至可能發現自己是一名數據科學家，而不知道它。 與任何科學學科一樣，數據科學家可以借用相關學科的技術，盡管我們已經開發了自己的工具庫，特別是技術和算法，以自動方式處理非常大的非結構化數據集，即使沒有人工交互，也可以實時執行交易 或者做出預測。

1.不同類型的數據科學家

要開始并獲得一些歷史觀點，您可以閱讀我在2014年發表的關于9種數據科學家的文章，或者我的文章，其中我將數據科學與16個分析學科進行了比較，也發表于2014年。

在同一時期發布的以下文章仍然有用：

數據科學家與數據架構師

數據科學家與數據工程師

數據科學家與統計學家

數據科學家與業務分析師

最近（2016年8月）Ajit Jaokar討論了Type A（Analytics）與B類（Builder）數據科學家：

A型數據科學家可以很好地編碼以處理數據，但不一定是專家。 A型數據科學家可能是實驗設計，預測，建模，統計推斷或統計部門通常教授的其他事項的專家。一般而言，數據科學家的工作產品不是“p值和置信區間”，因為學術統計有時似乎表明（例如，有時對于在制藥行業工作的傳統統計學家而言）。在谷歌，A型數據科學家被稱為統計學家，定量分析師，決策支持工程分析師或數據科學家，可能還有一些。

B型數據科學家：B代表建筑。 B類數據科學家與A類有一些統計背景，但他們也是非常強大的編碼員，可能是訓練有素的軟件工程師。 B類數據科學家主要關注“在生產中”使用數據。他們構建與用戶互動的模型，通常提供推薦（產品，您可能知道的人，廣告，電影，搜索結果）。來源：點擊這里。

我還寫了關于業務流程優化的ABCD，其中D代表數據科學，C代表計算機科學，B代表商業科學，A代表分析科學。數據科學可能涉及也可能不涉及編碼或數學實踐，您可以在我的關于低級別數據科學與高級數據科學的文章中閱讀。在創業公司中，數據科學家通常會戴上幾個帽子，如執行，數據挖掘，數據工程師或架構師，研究員，統計學家，建模師（如預測建模）或開發人員。

雖然數據科學家通常被描述為在R，Python，SQL，Hadoop和統計數據方面經驗豐富的編碼器，但這只是冰山一角，受數據營的歡迎，專注于教授數據科學的某些元素。但就像實驗室技術人員可以稱自己為物理學家一樣，真正的物理學家遠不止于此，她的專業領域也各不相同：天文學，數學物理學，核物理學（邊緣化學），力學，電氣工程，信號處理（也是數據科學的一個子領域）等等。關于數據科學家也可以這樣說：生物信息學，信息技術，模擬和質量控制，計算金融，流行病學，工業工程，甚至數論都是各種各樣的領域。

就我而言，在過去的十年中，我專注于機器對機器和設備到設備的通信，開發系統來自動處理大型數據集，執行自動交易：例如，購買互聯網流量或自動生成內容。它意味著開發適用于非結構化數據的算法，它處于AI（人工智能）IoT（物聯網）和數據科學的交叉點。這被稱為深度數據科學。它是相對無數學的，它涉及相對較少的編碼（主要是API），但它是相當數據密集型（包括構建數據系統）并基于專門為此上下文設計的全新統計技術。

在此之前，我實時進行了信用卡欺詐檢測。在我的職業生涯早期（大約1990年），我從事圖像遙感技術，除了其他方面，以確定衛星圖像中的圖案（或形狀或特征，例如湖泊）和執行圖像分割：當時我的研究被標記為計算統計數據，但人們在我家大學隔壁的計算機科學系做同樣的事情，稱他們研究人工智能。今天，它被稱為數據科學或人工智能，子域是信號處理，計算機視覺或物聯網。

此外，數據科學家可以在數據科學項目的生命周期，數據收集階段或數據探索階段的任何地方找到，一直到統計建模和維護現有系統。

2.機器學習與深度學習

在深入研究數據科學與機器學習之間的聯系之前，讓我們簡要討論機器學習和深度學習。機器學習是一組算法，它們訓練數據集以進行預測或采取行動以優化某些系統。例如，基于歷史數據，監督分類算法用于根據貸款目的將潛在客戶分類為好的或壞的潛在客戶。對于給定任務（例如，監督聚類）所涉及的技術是變化的：樸素貝葉斯，SVM，神經網絡，集合，關聯規則，決策樹，邏輯回歸或許多的組合。有關算法的詳細列表，請單擊此處。有關機器學習問題的列表，請單擊此處。

所有這些都是數據科學的一個子集。當這些算法自動化時，如自動駕駛或無駕駛汽車，它被稱為AI，更具體地說，深度學習。點擊此處查看另一篇文章，將機器學習與深度學習進如果收集的數據來自傳感器，并且如果它是通過互聯網傳輸的，那么機器學習或數據科學或深度學習應用于物聯網。

有些人對深度學習有不同的定義。他們認為深度學習是具有更深層的神經網絡（機器學習技術）。最近在Quora上提出了這個問題，下面是一個更詳細的解釋（來源：Quora）

AI（人工智能）是計算機科學的一個子領域，創建于20世紀60年代，它關注的是解決對人類而言容易但對計算機來說很難的任務。特別是，所謂的強人工智能將是一個可以做任何事情的系統（也許沒有純粹的物理事物）。這是非常通用的，包括各種任務，例如計劃，在世界各地移動，識別對象和聲音，說話，翻譯，進行社交或商業交易，創造性工作（制作藝術或詩歌）等。

NLP（自然語言處理）只是人工智能的一部分，與語言（通常是書面的）有關。

機器學習關注的一個方面是：給定一些可以用離散術語描述的AI問題（例如，從一組特定的動作中，哪一個是正確的動作），并給出關于世界的大量信息，圖什么是“正確”的行動，沒有程序員編程。通常需要一些外部過程來判斷行動是否正確。在數學術語中，它是一個函數：你輸入一些輸入，并且你希望它產生正確的輸出，所以整個問題只是以某種自動的方式建立這個數學函數的模型。為了區分AI，如果我能編寫一個非常聰明的程序，它具有類似人類的行為，它可以是AI，但除非它的參數是從數據中自動學習的，否則它不是機器學習。

深度學習是一種現在非常流行的機器學習。它涉及一種特定類型的數學模型，可以被認為是某種類型的簡單塊（函數組合）的組合，并且其中一些塊可以被調整以更好地預測最終結果。

機器學習和統計學有什么區別？

本文試圖回答這個問題。作者寫道，統計數據是機器學習，其中包含預測或估計量的置信區間。我傾向于不同意，因為我建立了工程友好的置信區間，不需要任何數學或統計知識。

3.數據科學與機器學習

機器學習和統計是數據科學的一部分。機器學習中的單詞學習意味著算法依賴于一些數據，用作訓練集，以微調一些模型或算法參數。這包括許多技術，例如回歸，樸素貝葉斯或監督聚類。但并非所有技術都適用于此類別。例如，無監督聚類 - 統計和數據科學技術 - 旨在檢測聚類和聚類結構，而無需任何先驗知識或訓練集來幫助分類算法。需要人來標記發現的聚類。一些技術是混合的，例如半監督分類。一些模式檢測或密度估計技術適合此類別。

數據科學不僅僅是機器學習。數據科學中的數據可能來自也可能不來自機器或機械過程（調查數據可以手動收集，臨床試驗涉及特定類型的小數據），它可能與我剛剛討論過的學習無關。但主要區別在于數據科學涵蓋了整個數據處理范圍，而不僅僅是算法或統計方面。特別是，數據科學也包括在內

數據集成

分布式架構

自動化機器學習

數據可視化

儀表板和BI

數據工程

在生產模式下部署

自動化，數據驅動的決策

當然，在許多組織中，數據科學家只關注這一過程的一部分