原文：
www.kdnuggets.com/2018/05/data-science-machine-learning-business-analytics.html
评论
数据科学。这个流行词汇被许多人试图定义，取得了不同的成功。
思考这个问题会让人涉及到与数据科学相关的所有其他领域——商业分析、数据分析、商业智能、高级分析、机器学习，最终是人工智能。
1. 谷歌网络安全证书 - 快速进入网络安全职业生涯。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你所在组织的 IT 工作
在处理这个问题时，我们在365 Data Science意识到**“绝对定义”**的数据科学需要大量的‘数据科学’背景知识才能理解，这本身就是一个递归问题……这里的假设是，统计学家或程序员比说历史学家或语言学家更容易理解数据科学，因为前者以某种形式接触过数据科学。
这引出了一个观点，即**“相对定义”**的数据科学可能更有用，这里是我们提出的方案。
这是一个欧拉图，描绘了上述所有领域。每种颜色代表一个不同的领域（混合颜色表示交集），图中有时间线和示例用法。
图 1：矩形的位置、大小和颜色显示了概念上的相似性和差异性，而非复杂性
由于所有这些信息可能会令人不知所措，我们从头开始。
为了避免过度简化问题，我们假设“商业”一词不需要定义。商业活动的一些例子包括：
-
商业案例研究
-
定性分析
-
初步数据报告
-
使用可视化进行报告
-
创建仪表板
-
销售预测
它们舒适地坐在蓝色矩形中。
这就是实际的欧拉图开始的地方。如果我们将数据纳入图中，将会有两个大领域及其交集，或总共三个部分。
根据我们最初的术语选择，我们可以将最后四个术语移到商业和数据的交集区域，目前在图中表示为紫色区域。这是因为‘初步数据报告’，‘可视化报告’，‘创建仪表板’和‘销售预测’都是数据驱动的业务活动。
它们可以与‘商业案例研究’和‘定性分析’相对立，因为这些是基于商业但基于过去的知识、经验和行为。所有这些都是重要的，但正如你很快会看到的——实际上并不是数据科学。
分析指的是将你的问题分解成易于消化的部分，方便你逐个研究并检查它们之间的关系。
分析，另一方面，是对分析中获得的组成部分应用逻辑和计算推理。在这样做时，人们寻找模式，并经常探索她可以如何在未来利用这些模式。
因此，与其说商业和数据，我们不如使用商业分析和数据分析。
在进一步讨论之前，让我们引入一个时间线，因为它对于后续的分段至关重要。
我们将采用三个状态——过去、现在和未来。
图表上将有一条线穿过，表示任何分析问题的当前时刻。左侧的一切将指代面向过去的分析。右侧的一切将指代预测性分析。
我们分析的最后两个部分已经展示了这个点的全貌。
‘销售预测’被移到右侧，因为它的名字意味着一个面向未来的分析过程。广义上讲，‘定性分析’是利用你的直觉和经验来规划你的下一步行动——因此另一个面向未来的术语。
对大多数读者来说，这就是文章的顶峰。数据科学是一个离不开数据的领域。因此，它完全属于 数据分析的范畴。
它与商业分析的关系如何呢？
好吧，事实证明，所有既是数据分析又是商业分析的东西确实是数据科学。
但有一点需要说明。存在一些数据科学过程并不是直接和立刻的商业分析，但却是数据分析。例如，‘钻探作业优化’需要数据科学工具和技术。数据科学家可能会每天都做这些事情。然而，在‘石油业务’领域中，我们不能真的说它直接与商业分析相关。
基于‘相对定义’的概念，为了更好地说明这些观点，“数字信号处理”是数据分析的一部分，但不是数据科学或商业分析的一部分。数据、编程和数学都会涉及，但并不像我们在数据科学中使用它们那样。
为了保持一致性，让我们用时间线来结束——数据科学既在这条线的左侧，也在右侧（就像其他领域一样）。
这引出了一个问题：是否存在仅以过去为导向的领域？
商业智能（BI）是分析和报告历史数据的过程。
这是以过去为导向的吗？不一定，但没有涉及预测分析。回归、分类和所有其他通常的预测方法是数据科学的一部分，但**不是商业智能。这就是分界线所在。
此外，商业智能完全是数据科学的一个子集。因此，当一个人处理描述性统计、报告或过去事件的可视化时，她同时在做 BI 和数据科学。
在这里，定义会变得有些模糊，因为仅仅解释机器学习和人工智能会导致失去文章的重点。此外，关于机器学习是什么，有很多资源，尤其是在 KDnuggets 上。
**人工智能（AI）**是机器表现出的任何类似于自然（人类）智能的形式，如计划、学习、解决问题等。
**机器学习（ML）**是机器在没有明确编程的情况下预测结果的能力。
机器学习（ML）是一种人工智能（AI）的方法，但两者常常被混淆，因为实际上机器学习是我们人类迄今为止开发的唯一可行的人工智能路径。因此，当我们谈论公司正在使用的人工智能的实际应用时，我们实际上是在谈论机器学习。
在我们的图表中，这两个术语的适配方式如下。
机器学习完全属于数据分析，因为它不能在没有数据的情况下进行。它也与数据科学重叠，因为它是数据科学家工具箱中最好的工具之一。最后，只要没有涉及预测分析，它也参与商业智能。
在数据科学中，机器学习的实例包括“客户保留”、“防欺诈”和“创建实时仪表盘”（也属于商业智能的一部分）。显著的例子包括“语音识别”和“图像识别”。这两者可以被认为是在数据科学之内或之外，因此我们把它们放在了边界上。
为了全面解释所有关系，机器学习完全在人工智能之内，但人工智能本身有一些与商业分析和数据分析无关的子领域！我们选择的一个例子是“符号推理”。
我们分析的最后一个领域是高级分析。它不是数据科学术语，而是营销术语。它用于描述“难以处理”的分析。从主观上看，对初学者来说，图中的一切都是高级的。虽然这不是最好的术语，但它确实有助于汇总我们在整篇文章中使用的所有“正确”术语。
移除 AI 并添加高级分析，这就是我们得到的结果。
在本文的术语中，我们的高级分析分析已完成。
这是一个动画 gif，比较了这些定义。
简介: Iliya Valchanov 是 365 Data Science 的联合创始人。
相关: