【IT168 资讯】客户关系管理/消费者分析，金融和银行仍然是领先的应用，但医疗保健和欺诈检测正在增长。反垃圾邮件、制造业和社交是2017年发展最快的行业，而石油/天然气/能源和社会网络分析则有所下降。

2017年应用分析、数据科学、机器学习的行业/领域

最受欢迎的前三名地区是相同的，与去年几乎相同。医疗保健工作没有进展，从第5位变成第4位，和欺诈检测从第7位上升到第5位。

·CRM /消费者分析，16.8%(2016年为16.3%)

·金融，15.2%(15.0%)

·银行业，14.1%(13.4%)

·卫生保健，13.2%(12.0%)

·欺诈检测，13.0%(11.1%)

▲数据科学和机器学习2016年和2017年的应用分析

从图像中我们可以看到，与2016年相比，2017年的颜色绿色的增加，如果份额连续两年增加超过1%，则三角形呈现向上，如果2年以上减少超过1%则三角形向下，否则循环。

与2016年调查相比：2016年数据挖掘和数据科学的应用分析，我们发现最大的增长量为

·垃圾邮件/反垃圾邮件，上升106%，从2016年的1.1%至2017年的2.2%

·制造业增长60%，从5.6%上升至9.0%

·社会公益/非营利，上升35%，从2.0%上升至2.7%

·教育，上涨33%，从7.1%上升至9.4%

·医疗/制药，增长31%，从6.5%上涨至8.5%

·供应链上涨31%，从6.5%上涨至8.5%

·人力资源/劳动力分析增长30%，从3.6%下降至4.7%

申请份额下降幅度最大的行业/地区是

·移动应用下降了59%，从3.3%下降到1.3%

·投资/股票下跌45%，从6.2%下降至3.4%

·安全/反恐怖主义，下降42%，从2.7%下降至1.6%

·娱乐/音乐/电视/电影下降32%，从4.0%下降至2.7%

·电信/有线，下降30%，从8.3%下降至5.8%

有意思的是，每个选民的平均行业/地区数量为2.7，与2016年相同，仅与2015年的2.65略有不同。也许在各行业中有效应用数据科学存在限制?

在这次民意调查中，我们有446名参与者，而2016年申请人数为552人，2015年为350人。

三年中大部分地区的应用份额比例相对稳定，而且应用程序的多样性也在增加。

只有2个行业连续两年显示增长10%或以上：

·垃圾邮件/反垃圾邮件

·欺诈检测

只有2个地区连续两年下降10%或更多：

·石油/天然气/能源

·社交媒体/社交网络

区域分布与去年的调查类似，但与美国/加拿大和欧洲的份额几乎完全相同，亚洲份额较高，非洲/中东和拉丁美洲份额较低：

·美国/加拿大39%

·欧洲34%

·亚洲16%

·拉丁美洲5.2%

·非洲/中东3.1%

·澳大利亚/新西兰2.9%

课程背景

2016年2月，教育部公布新增“数据科学与大数据技术”本科专业（专业代码080910T），首批北京大学、对外经济贸易大学和中南大学获批，第二批有32所高校成功申请。 《数据科学与大数据技术训练营》参考教育部“数据科学与大数据技术”专业课程设置内容，由一批企业专家和中青年博士、博士后授课，上课方式为在线学习+线下集训，线上知识点学习，线下集训实践，让你在数据分析、数据可视化、机器学习算法上全面的提升，掌握全栈能力。初级以统计分析为主，工具是R语言；中级是大数据处理+算法+python， 课程以实战为主，30%的内容是案例和练习，学完就可以上手

培养目标

通过系统学习和动手实践，学员将学习最专业以及工业界最炙手可热的数据分析和大数据技术，夯实自己的基础知识并且提高数据分析能力，达到工业界对数据分析师、数据挖掘工程师、大数据开发工程师职位的招聘需求，帮助学员在求职大军中脱颖而出，最终收获心仪的offer。

课程特色

1.系统学习原理和方法，掌握全栈能力，不仅仅是视频！

线上知识点学习，线下集训实践，让你在数据分析、计算机编程、机器学习算法上全面的提升，掌握全栈能力；

2.全真实战项目完整演练

线下集训环节为全真项目、全真数据、全业务流程演练，贴近实战；

3.工作推荐 + 就业辅导

提供拟面试模拟题、就业指导，一年内无限次就业推荐机会，包括BAT等一线互联网公司的工作机会推荐，3个月挑战年薪20~50万不是梦。

4.颁发职业技能专项技术证书，求职必备

颁发工信部职业技能专项技术证书，求职必备。

5.学员即会员，班级即圈子

送PPV课会员资格，免费参加下活动交流，优先获取峰会和论坛的折扣或免费门票，购买课程享最低折扣，QQ群长期答疑。

学习对象：

1. 各行业数据分析、数据挖掘从业者

2. 在校数学，经济，计算机，统计等专业教师和学生

3. 经济，医学生物研究院科研人员

4. 数据分析，数据挖掘兴趣爱好者及转行人士

课程表

中级是大数据处理+算法+python 课程以实战为主，50%的内容是案例和练习，学完就可以上手。

优惠和福利

数据分析&数据挖掘 中级班

课程

课时

上课方式

周末班时间

报名

Python编程基础

16

网络

随时

Python爬虫实战

24

现场

9月2~3日9月9日

Python数据挖掘

40

9月10日9月16-17 9月23~24

数据挖掘算法进阶

32

10月14-15， 10月21-22

Spark /Spark Mlib/Spark SQL

10月28-29， 11月4-5

机器学习&深度学习（Tensorflow/caffe）

36

备注：1）中级班可单独报名，需要有本科数学基础和编程基础，2）就业岗位为大数据工程师、数据挖掘工程师、算法工程师、人工智能软件工程师。

7月8日前付款

7月15日前付款

7月22日前付款

中级

8500

8600

8800

付款方式*

我们视缴纳订金为最终上课名额：订金1000元。转账备注：姓名+课程。付款后请将截图发送至客服1796318148确认。

1、网银支付：深圳市飞博远创科技有限公司

开户行：中国银行深圳后海支行

银行账号：7705 6129 3356

2、支付宝：jianghaitao@ppvke

验证名称：深圳市飞博远创科技有限公司

报名流程

1.填写报名信息:http://ppvke123.mikecrm/KFF53NN

2.缴纳预付款（详见报名表，或咨询在线客服）

3.上课前补交尾款

4.不了解请点击原文咨询客服 http://ppvke/Blog/archives/46264

数据越来越多的影响并塑造着那些我们每天都要交互的系统。不管是你使用Siri，google搜索，还是浏览facebook的好友动态，你都在消费者数据分析的结果。我们赋予了数据如此大的转变的能力，也难怪近几年越来越多的数据相关的角色被创造出来。

这些角色的职责范围，从预测未来，到发现你周围世界的模式，到建设操作着数百万记录的系统。在这篇文章中。我们将讨论不同的数据相关的角色，他们如何组合在一起，并且帮你找出那些角色是适合你自己的。

什么是数据分析师？

数据分析通过谈论数据来像他们的公司传递价值，用数据来回答问题，交流结果来帮助做商业决策。数据分析师的一般工作包括数据清洗，执行分析和数据可视化。

取决于行业，数据分析师可能有不同的头衔（比如：商业分析师，商业智能分析师，业务/运营分析师，数据分析师）不管头衔是什么，数据分析师是一个能适应不同角色和团队的多面手以帮助别人做出更好的数据驱动的决策。

深度解析数据分析师

数据分析师拥有把传统的商业方式转换成数据驱动的商业方式的潜质。虽然数据分析师是数据广泛领域的入门水平，但不是说所有的分析师都是低水平的。数据分析师不仅仅精通技术工具，还是高效的交流者，他们对于那些把技术团队和商业团队隔离的公司是至关重要的。

他们的核心职责是帮助其他人追踪进展，和优化目标。市场人员如何使用分析的数据取帮助他们安排下一次活动？销售人员如何衡量哪种类型人群能更好的争取？CEO如何更好的理解最最近公司发展背后潜在原因？这些问题就需要数据分析师通过数据分析和呈现结果来给答案。他们从事的这些和数据打交道的复杂工作能够为他们所在的组织贡献价值。

一个高效的数据分析师能够在商业决策的时候摒弃臆想和猜测，并且帮助整个组织快速成长。数据分析师必须是一个横跨在不同团队中的有效桥梁。通过分析新的数据，综合不同的报告，翻译整体的产出。反过来，这也能帮助组织对于自身的发展时刻保持警觉。

公司的不同需求决定了数据分析师的技能要求，但是下面这些应该是通用的：

清洗和组织未加工的数据

使用描述性统计来得到数据的全局视图

分析在数据中发现的有趣趋势

创建数据可视化和仪表盘来帮助公司解读说明和使用数据做决策

呈现针对商业客户或者内部团队的科学分析的结果

数据分析师对公司科技和分科技的两面都带来了重大的价值。不管是进行探索性的分析还是解读经营状况的仪表盘。分析师都促进了团队之间更紧密的连接。

什么是数据科学家？

数据科学家是使用他们在统计学和建设机器学习模型方面的专业技术去进行关键商业问题预测的专家。

数据科学家也需要像数据分析师一样去清洗、分析、可视化数据。然而一个数据科学家需要在这些技能上更深入也更专业，他们还可以去训练和优化机器学习的模型。

深度解析数据科学家

数据科学家能产生巨大的价值，他们处理更多开放式的问题并且利用他们专业的统计学和算法知识发挥更大杠杆的作用。如果说数据分析师专注于从过去和现在数据层面来理解数据的话，那么数据科学家就是专注于做出对未来更可信的预测。

数据科学家通过有监督学习（分类、回归）和无监督学习（聚类，神经网络，异常监测？）机器学习模型来揭开隐藏着的规律。本质上来说他们是训练那些能让他们更好的识别模型和产出精确预测效果的数学模型的人。

下面是数据科学家完成的一些例子：

评估统计学模型来决定分析有效性

使用机器学习来建设更好的预测算法

测试和持续提升模型精确度

进行数据可视化来概括分析的结论

数据科学家为预测和理解数据带来了一种完全崭新的方式。虽然数据分析师可能也可以去描述趋势和为商业团队传递这些结果。但是数据科学家能剔除新的问题并且可以去建模来做出对新数据的预测。

什么是数据工程师？

数据工程师建设和优化系统。这些系统帮助数据科学家和数据分析师开展他们的工作。每一个公司里面和数据打交道的人都需要依赖于这些数据是准确的和可获取的。数据工程师保证任何数据都是正常可接收的，可转换的，可存储的并且对于使用者来说是可获取的。

深度解析数据工程师

数据工程师建立了数据分析师和数据科学家依赖的基础。数据工程师对构造数据管道并且经常需要去使用复杂的工具和技术来管理数据负责。不想前面说的两个事业的路径，数据工程师更多的是朝着软件开发能力上学习和提升。

在比较大的组织中，数据工程师需要关注不同的方面：比如使用数据的工具，维护数据库，创建和管理数据管道。不管侧重于什么，一个好的数据工程师能够保证数据科学家和数据分析师专注于解决分析方面的问题，而不是一个数据源一个数据源的去移动、操作数据。

数据工程师往往更加注重建设和优化。下面的任务的示例是数据工程师通常的工作：

为数据消费开发API

在现存的数据管道中整合数据集

在新数据上运用特征转换提供给机器学习模型

持续不断的监控和测试系统保证性能优化

你的数据驱动的事业路径：

现在你已经了解了这三种数据驱动的工作了，但是问题还在，你适合哪一种呢？虽然都是和数据相关，但是这三种工作是截然不同的。

数据工程师主要工作在后端。持续的提升数据管道来保证数据的精确和可获取。他们一般利用不同的工具来保证数据被正确的处理了，并且当用户要使用数据的时候保证数据是可用的。一个好的的数据工程师会为组织节省很多的时间和精力。

数据分析师一般用数据工程师提供的现成的接口来抽取新的数据，然后取发现数据中的趋势。同时也要分析异常情况。数据分析师以一种清晰的方式来概括和提出他们的结果来让非技术的团队更好的理解他们现在在做的东西。

最后，数据科学家更倾向于基于分析的发现和在更多可能性上的调查来获得方向。不管是训练模型还是进行统计分析，数据科学家试图去对未来要发生的可能性提出一个更好的预测。

不管你的特殊的路径是什么，好奇心都是这三个职业最本质的要求。使用数据来更好的提问和进行精确的实验是数据驱动事业的全部目标。此外，数据科学家领域是不断的进化的，你必须要有强大的能力去持续不断的学习。

有一句话叫做三人行必有我师，其实做为一个开发者，有一个学习的氛围跟一个交流圈子特别重要这是一个我的大数据交流学习群531629188不管你是小白还是大牛欢迎入驻，正在求职的也可以加入，大家一起交流学习，话糙理不糙，互相学习，共同进步，一起加油吧。

首先来说说数据科学吧，作为一门学科， 数据科学所依赖的两个因素是数据的广泛性和多样性，而广泛性和多样性之间又有共性。

数据科学主要包括两个方面： 用数据的方法来研究科学和用科学的方法来研究数据。

前者的包含面很广，囊括了生物信息学，天体信息学等领域。而后者包括统计学、CS、数据挖掘、数据库等领域。所以，要直白的说的话，就是数据科学包括了统计学，数据挖掘。而数据挖掘既相对独立，也可以作为一个统计学发展的小方向（与CS有关）而不是分支。而大数据则是个专有名词，指的是所涉及的数据量规模巨大到无法通过人工，在合理时间内达到截取、管理、处理、并整理成为人类所能解读的信息。

统计学的主干课程都包括什么？主要都涉及到什么样的知识和实际背景？

两者的比较如果再从就业上讲，统计无疑是一个比较热门的专业，之中好多方向都比较好就业，每个方向都有其对应的工作，比如事业单位和经济、管理部门从事统计调查、统计信息管理、数量分析等开发、应用和管理工作，或在科研、教育部门从事研究和教学工作。而数据科学作为拥有完整知识体系的新兴的学科，其就业前景无疑也是可观的。

——圆圆

个人认为这三者既存在着密切的联系，也不完全相同。用数学的话来说，就是三者之间相互存在着交集，但也并不是完全包含。

其中涉及的最广泛的应该就是数据科学了。研究大数据的方法可以称作数据科学、而统计的研究方法就更可以算作是数据科学了。本身，数据科学就是在大数据的背景下提出的。它不仅包括大数据的研究方法和研究背景，更包括对于数据软件的使用、对于数据库的理解、甚至包括对于算法的理解等等。

大数据，是在近几年才刚刚提出并迅速走红的概念。它是未来数据分析和存储的新趋势。面对这个信息爆炸的时代，数据的高数量、高维度、高更新速度以及背后的高商业价值都对于传统的硬件存储、数据库管理和统计分析方法提出了更高的要求。原先的统计大多都是适用于小样本的情况，而面对这样的大数据往往显得无能为力。因此，相比较与其他的两个概念来看，它既是数据科学的基础，也是建立在统计基础上的一个科学。

最后，三者最共同的地方应该就是统计了，无论是数据科学应用在各个实际领域、还是大数据的各种突破过去经典数据规模的领域，它们的核心思想或者说最先处理的基础都是统计。如果任何数据都可以使用经典的统计方法去解决的话，不会再采用其他的模糊近似的方法进行操作。

综上，数据科学包含的内容更加全面、更加综合，它更像是一个对于实际的数据问题需要具备的一些基本甚至专业知识。而大数据，则只是一个概念，指的是对于现在这个数据泛滥时代的统称。而它的研究方法包括在数据科学之中。对于统计而言，它在应用领域与前两者也有着很类似的内容，然而其理论基础部分则与前两者不同，是前两者进行研究和发展的基础。

——高原红

想了解更多相关内容，记得持续关注我们哦。

如果你觉得有点意思，请有秩序的评论、转发、收藏。

目前数据中国“百校工程”已有73所入选院校，23所项目院校通过教育部规建中心专家验收，曙光瑞翼教育与项目院校校企合作协同育人，服务于全国各地近30所院校的曙光瑞翼大数据学院，招录近6000名学生，在数据科学与大数据技术专业的课程设计上，设计以下的专业课程。

数据科学与大数据专业的必修基础课程方面大数据（人工智能）概论、Linux操作系统、Java语言编程、数据库原理与应用、数据结构、数学及统计类课程（高等数学、线性代数、概率论、数理统计）、大数据应用开发语言、Hadoop大数据技术、分布式数据库原理与应用、数据导入与预处理应用、数据挖掘技术与应用、大数据分析与内存计算等。选修的课程方面数据可视化技术、商务智能方法与应用、机器学习、人工智能技术与应用等。实践应用课程方面海量数据预处理实战、海量数据挖掘与可视化实战等。

数据科学与大数据技术可从事的岗位有：分析类，分析工程师、算法工程师；研发类，架构工程师、开发工程师、运维工程师；管理类，产品经理、运营经理。

大数据与人工智能不但是社会发展急需的新兴专业方向，同时也将渗透并影响着其他许多传统学科和专业的发展。腾讯研究院于2017年12月发布了《2017年全球人工智能人才白皮书》，数据显示，中国592家公司中约有4万位员工，而中国对于人工智能人才的需求数量已经突破百万，人才严重短缺，迫使企业不断降低工作经验门槛，甚至不惜从零培养人才。

数据科学与大数据技术专业不仅有着明朗的就业前景，在就业岗位的薪资待遇上有着无法比拟的就业优势。依据招聘网站给出薪资数据，目前国内人工智能相关岗位的应届毕业生的起薪基本都在10k—20k之间，毕业三年后人工智能岗位的技术人员，平均月薪在25k以上，基本实现薪酬翻番，薪资水平、就业满意度都优于全国平均水平的专业。随着未来科技应用的逐步推进，人工智能以及大数据技术的岗位需求逐步上升，未来必定会发展为就业前景最好的专业之一。

在我国，数据科学与大数据技术专业的建设已成为新的热点话题。 在系统调研 世界一流大学数据科学专业建设现 状的基础上，从特色课程视角重点分析 加州大学伯克利分校、约翰·霍普金斯大学、华盛顿大学、纽约大学、斯坦福大学、卡内基梅隆大学、哥伦比亚大学、伦敦城市大学等 8所大学的数据科学专业，提出 数据科学与大数据技术这一新专业 应重视的10门特色课程，并分析了现阶段我 国 数据科学教育中 普遍存在的8种曲解现象及对策建议 。

2016 年，教育部发布的《 2015 年度普通高等学校本科专业备案和审批结果》中就首次增设“数据科学与大数据技术专业”，并获批了北京大学、对外经济贸易大学及中南大学的新增专业申请。接着， 2017 年，中国人民大学等 32 所高校出现在第二批次的获批名单中。另， 全国高校大数据教育联盟的统计数据显示， 2017 年申请该专业的院校高达 263 所，其中工学 190 所，理学 73 所 [1] 。从申请资料看，国内数据科学专业是一门主要以统计学和计算机科学与技术专业为基础建设的全新专业。数据科学专业已成为我国现阶段高等教育的热点问题之一。但是，建设什么样的专业以及如何建设该专业仍为各高校面临的难点问题。

在国外，数据科学（ Data Science ）专业是以数据分析学（ Data Analytics ）专业为基础发展而来的，可追溯至 2007 年北卡罗来纳州立大学（ North Carolina State University ）率先设立的数据分析硕士学位（ Master of Science in Analytics ） [2] 。与统计学和计算机科学与技术等基础学科不同的是，数据分析学进一步抽象了这些底层科学中的数据问题，连接了包括统计学和计算机科学在内的基础学科与数据科学之间的空白，为数据科学这一新学科的出现奠定了直接基础。从“数据分析学”向“数据科学”的实质性过渡出现在 2013 年左右，比较有代表性的是纽约大学于 2013 年新开设的数据科学硕士专业（ The Master of Science in Data Science ） [3] 。 之后，包括加州大学伯克利分校、约翰 · 霍普金斯大学、华盛顿大学在内的多个学校设立了数据科学专业。可见，国外一流大学的数据科学专业建设至少早于国内 三 年。

为此，本文在调查分析世界一流大学数据科学专业的培养方案，重点分析数据科学专业中开设的特色课程，并对探讨我国数据科学专业建设的借鉴意义。

1 数据调研及分析

作者通过 Study Portal 进行调查发现，截止 2017 年 11 月，国外数据科学专业的本科、硕士、博士学位项目分别已达到 5601 、 4179 和 301 项，主要分布在美国、英国、澳大利亚、加拿大、德国和意大利等国家。但是，从课程体系和人才培养定位看，能够体现国外数据科学专业教育的本质与特色的是硕士层次的教育，比较有典型的学校有加州大学伯克利分校、约翰·霍普金斯大学、华盛顿大学、纽约大学、斯坦福大学、卡内基梅隆大学、哥伦比亚大学、伦敦城市大学，如表 1 所示。

表 1 典型数据科学专业及其特色课程（ Typical Data Science Programs and their Core Courses ）

学校

学位名称

特色课程

加州大学伯克利分校 [4]

信息与数据科学硕士

（ Master of Information and Data Science ）

Python 与数据科学 /Python for Data Science

研究设计及数据与分析中的应用 /Research Design and Application for Data and Analysis

数据存储与检索 / Storing and Retrieving Data

应用机器学习 / Applied Machine Learning

试验与因果分析 /Experiments and Causality

大数据 —— 人与价值 / Behind the Data: Humans and Values

( 纵向扩展及真正的 ) 大数据 / Scaling Up! Really Big Data

数据可视化与沟通 / Data Visualization and Communication

（数据科学）综合训练课程 / Synthetic Capstone Course

约翰 · 霍普金斯大学 [5]

数据科学理学硕士

（ Master of Science in Data Science ）

数据科学 /Data Science

数据可视化 /Data Visualization

随机优化与控制 /Stochastic Optimization and Control

数据科学家的工具箱 / Data Scientist's Toolbox

数据采集与清洗 /Getting and Cleaning Data

探索性数据分析 /Exploratory Data Analysis

可重复研究 /Reproducible Research

实用机器学习 /Practical Machine Learning

数据产品开发 /Developing Data Products

数据科学综合训练课程 /Data Science Capstone

华盛顿大学 [6]

数据科学理学硕士

Master of Science in Data Science

数据可视化与探索性分析 / Data Visualization & Exploratory Analytics

应用统计与试验设计 /Applied Statistics & Experimental Design

数据管理与数据科学 /Data Management for Data Science

数据科学家常用的统计机器学习 /Statistical Machine Learning for Data Scientists

面向数据科学的软件设计 /Software Design for Data Science

可扩展的数据系统与算法 /Scalable Data Systems & Algorithms

以人为中心的数据科学 /Human-Centered Data Science

数据科学综合训练课程 /Data Science Capstone Project

纽约大学 [7]

数据科学理学硕士 MS in Data Science

数据科学导论 / Intro to Data Science

大数据 /Big Data

面向数据科学的统计学与概率论 /Probability and Statistics for Data Science

推理与表示 / Inference and Representation

机器学习与计算统计学 / Machine Learning and Computational Statistics

数据科学综合训练课程 / Capstone Project in Data Science

基于优化的数据分析 /Optimization-based Data Analysis

非光滑凸优化 /Convex and Nonsmooth Optimization

斯坦福大学 [8]

统计学 : 数据科学 理学硕士学位

M.S.in Statistics:Data Science

现代应用统计学 : 学习 /Modern Applied Statistics: Learning

现代应用统计学 : 数据挖掘 /Modern Applied Statistics: Data Mining

数据驱动型医学 / Data Driven Medicine

现代统计学与现代生物学 /Modern Statistics for Modern Biology

大数据商务智能 / Business Intelligence from Big Data

基于数据的计算范式 /Paradigms for Computing with Data

卡内基梅隆大学 [9]

计算数据科学硕士学位

Master of Computational Data Science

云计算 /Cloud Computing

高级云计算 /Advanced Cloud Computing

多媒体数据库及数据挖掘 /Multimedia Databases and Data Mining

移动与普适计算 /Mobile and Pervasive Computing

大数据集的机器学习 /Machine Learning with Big Data Sets

智能信息系统的设计与开发 /Design and Engineering of Intelligent Info Systems

大数据分析学 /Big Data Analytics

哥伦比亚大学（纽约） [10]

数据科学理学硕士

Master of Science in Data Science

数据科学导论 /Introduction to Data Science

面向数据科学的计算机系统 /Computer Systems for Data Science

探索性数据分析与可视化 /Exploratory Data Analysis & Visualization

数据科学中的因果推理 / Causal Inference for Data Science

大数据分析学 /Big Data Analytics

数据科学综合训练及伦理 /Data Science Capstone & Ethics

伦敦城市大学 [11]

数据科学理学硕士

MSc in Data Science

数据科学原理 /Principles of data science

大数据 /Big Data

可视分析学 /Visual analytics

数据可视化 /Data visualization

神经计算 /Neural computing

研究方法与专业问题 /Research Methods and Professional Issues

高级并发编程 /Advanced Programming: Concurrency

1.1加州大学伯克利分校

该学校的数据科学专业由信息学院（ School of Information ）开设，专业名称为信息与数据科学，授予的学位为信息和数据科学专业硕士（ Professional Master of Information and Data Science, MIDS ） [12] 。该专业主要侧重于培养学生的研究设计、数据清洗、存储与检索、挖掘与探索、数据可视化、道德与隐私、数据分析、沟通与呈现的能力，如图 1 所示。

图 1 加州大学伯克利分校 MIDS 专业所关注的学生能力

（ Key Skill Areas of MIDS at UC Berkeley ） [12]

为了达到上述人才培养目的，该专业开设基础课程、高级课程和综合训练课程等 3 类课程。其中 ，基础课程共有5门，即面向数据科学的Python语言（Python for Data Science）、面向数据与分析的研究设计（Research Design and Application for Data and Analysis）、面向数据科学的统计学（Statistics for Data Science）、数据存储与检索（Storing and Retrieving Data）以及应用机器学习（Applied Machine Learning）；高级课程有7门，包括试验与因果分析(Experiments and Causality)、数据、人与价值（Behind the Data: Humans and Values）、（纵向扩展及真正的）大数据（Scaling Up! Really Big Data）、面向离散响应，时间序列和面板数据的统计方法（Statistical Methods for Discrete Response, Time Series, and Panel Data）、可扩展的机器学习（Machine Learning at Scale）、基于深度学习的自然语言处理（Natural Language Processing with Deep Learning）以及数据可视化与沟通(Data Visualization and Communication)。除了基础课程和高级课程，该学校还开设一门综合训练课程（Synthetic Capstone），培 养学生综合运用所学专业知识及解决现实问题的能力。

从总体上看，人才培养定位在培养数据科学领域的领导者，侧重培养学生的运用新工具和新方法，从现实数据中获得洞见（ Insights ）以及如何有效地沟通与阐释自己的研究发现，进而改变他人行动和思想的能力。 该学校的数据科学专业的人才培养具有如下几个特点 ：

强调数据科学的多学科交叉特点 ，将社会科学，计算机科学，统计学，管理学和法学等多学科知识融入具体课程之中；

凸显数据科学本身的讲解 ，注重提升学生的基于数据提出好问题的能力以及面向数据科学的研究设计、数据清理、存储与检索、交流与沟通、统计分析、道德与隐私、数据可视化以及数据挖掘与探索等关键技能；

引入基于项目的学习方法 ，借鉴本校信息学院其他专业的培养经验，通过基于项目的教学方式，鼓励学生综合运用多种不同的工具和方法来解决复杂问题；

强调动手实践能力的培养，为学生提供亚马逊 Web 服务和 IBM 大数据平台等实践平台。

1.2 约翰 · 霍普金斯大学

该学校的怀廷工程学院（ Whiting School of Engineering ）开设名为数据科学（ Data Science ）的新专业，授予的学位为数据科学理学硕士（ Master of Science in Data Science ）。

该专业的课程体系包含先修课程（ Prerequisite Courses ）、基础课程（ Foundation Course ）、必修课程（ Required Courses ）、选修课程（ Electives ）以及独立学习（ Independent study ）课程等近 60 门课程 [13] 。 基础课程有 2 门，即算法基础（ Foundations of Algorithms ）和统计方法与数据分析（ Statistical Methods and Data Analysis ）；必修课程包括数据库系统原理、数据科学、数据可视化、优化导论（ Introduction to Optimization ）、统计模型与回归、计算统计学；选修课分为机器学习和统计学两个大方向，共有 14 门主要课程，均为较为常见课程。 值得一提的是，该专业另提供了近 30 门扩展选修课程（ Additional Selections ），供学生用于置换同一个领域的必须 / 选修课程，这些扩展课程均为统计学和计算机科学与技术专业常见课程。 独立学习（ Independent study ）课程主要包括独立动手实战（ Capstone 项目）和独立学习（ Independent Study ）。

从总体上看， 该学校的数据科学专业的人才培养具有如下几个特点 ：

从人才培养的目的看，专业旨在培养“有竞争力”的数据科学家，要求学生具备三方面的能力：综合运用计算机科学和应用数学的知识，分析与处理大规模数据集的能力；从复杂数据中快速洞察到有价值信息的能力和从信息中发现相关关系的能力；基于规范的技术和抽象的方法以及面向现实世界中的具体问题的建模能力[14]。

强调学生对数据科学的理论基础的掌握程度，突出了三个主要领域：计算机科学与技术、统计学与应用数学。其中，对应用数学的重视是该学校数据科学专业的一大特色。

从课程设计及内容选择看，该专业鼓励在每一门课程中引入来自现实世界的具体问题作为例题和主要关注点。例如，独立学习（Independent Study）课程中强调对具体行业中实际问题的处理能力。

强调培养学生的数据全生命期管理、统计 分析和故事化描述能力。

1.3华盛顿大学

整合自己的应用数学系、生物统计学系、 Paul G. Allen 计算机科学与工程学院、以人为本的设计与工程系、统计系、信息学院 6 大院系以及电子科学研究所的资源，开设出了一种面向在职人员的夜大类数据科学专业项目，所授予的学位为数据科学理学硕士（ Master of Science in Data Science ）。该专业的课程设计较为简洁，包括 8 门核心课程以及 1 个 Capstone 项目。其中， 8 个核心课程分别是统计与概率论（ Introduction to Statistics & Probability ）、信息可视化（ Information Visualization ）、应用统计与试验设计（ Applied Statistics & Experimental Design ）、面向数据科学的数据管理（ Data Management for Data Science ）、数据科学家常用的统计机器学习（ Statistical Machine Learning for Data Scientists ）、面向数据科学的软件设计（ Software Design for Data Science ）、可扩展的数据系统与算法（ Scalable Data Systems & Algorithms ）和以人为中心的数据科学（ Human-Centered Data Science ）。 Capstone 项目要求学生自...

我们生活在一个充满“数据”的时代，打电话、刷微博、聊QQ、用微信，阅读、购物、看病、旅游，都在不断产生新的数据。

不管你是否认同，大数据时代已经来临，并将深刻地改变着我们的工作和生活，世界已经进入由数据主导的“大时代”。

近年来，高校新设置的“数据科学与大数据技术”专业变得炙手可热，那么该专业培养目标是什么？学些什么？专业前景如何？对学生又有哪些要求呢？

热门专业

2018年3月21日，教育部公布了《2017年度普通高等学校本科专业备案和审批结果》，共有862所高校新增了2311个专业。其中最热门的专业当属当属“数据科学与大数据技术”，共有248所高校申请获批，占新增专业申请的高校数超过1/3。

根据教育部在2012年发布了《普通高等学校本科专业目录》，“数据科学与大数据技术”并不在其中，属于目录外专业，需要审批设置。该专业最早在2016年获得批准设置，在教育部公布的《2015年度普通高等学校本科专业备案和审批结果》中，有北京大学、对外经济贸易大学、中南大学3所高校获批。

而在2017年教育部公布的《2016年度普通高等学校本科专业备案和审批结果》中，获批新增“数据科学与大数据技术”专业的高校达到了32所。

可见，三年来，开设“数据科学与大数据技术”专业的高校数量迅速膨胀，累计达到了284所。

如此多的高校对它青睐有加，“数据科学与大数据技术”到底是一个什么专业？

培养目标与学习内容

“数据科学与大数据技术”专业是培养以计算机科学、统计分析为基础，具备经济、金融、物流、商业、贸易、 管理等相关学科的领域知识，能推动并引领未来全球“互联网 +”、云计算、大数据技术在各领域的深入应用，具有较强的实践创新能力、跨文化交流能力和跨领域研究能力的高素质复合型人才。

从上述培养目标可以看到，该专业的核心是计算机和统计分析，但需要具备多个领域的相关知识，培养目标也是复合型人才。

在课程设置上，除了基本的计算机学科和统计学课程，还包括了微观经济学、计量经济学、国际金融、搜索引擎、自然语言处理、数据可视化、机器学习、模式识别以及大数据技术平台等相关课程。

专业“钱”景

“数据科学与大数据技术”专业培养的是当下最热门的大数据、云计算、人工智能、算法分析等行业急需的人才。

全球顶尖管理咨询公司麦肯锡分析报告显示，到2018年，大数据或者数据工作者的岗位需求将激增。其中大数据科学家的缺口在14万到19万之间，对于懂得如何利用大数据做决策的分析师和经理的岗位缺口则将达到150万！

从国内就业市场来看，根据BOSS直聘发布的《2017春季互联网人才趋势报告》，大数据和人工智能相关岗位出现全行业的旺盛需求，人才供给严重不足。其中，缺口较大的是搜索算法，供给量只能达到需求的44%，还有56%的缺口；推荐算法的缺口比例为50%，算法研究员的为43.9%，图像算法的为43%，深度学习的缺口量排在第十，为33.8%。

从国家层面上看，”互联网+”已经上升为国家战略，以大数据战略为牵引，以信息安全、传感器、人工智能等为重点，打造新一代信息技术产业集群。2017年7月，国务院印发《新一代人工智能发展规划》，明确提出我国新一代人工智能“三步走”发展战略，人工智能产业要成为新的重要经济增长点，助推我国产业升级和经济转型，并成为世界主要人工智能创新中心。

在就业“钱景”方面，各大互联网公司都在囤积大数据处理人才，从业人员的薪资待遇也很不错。以基本的Hadoop开发工程师为例，入门月薪已经达到了8K 以上，工作1年月薪可达到 12K 以上，资深的hadoop人才年薪可达到30万—50万。

热门专业的冷思考

看到这里，是不是对“数据科学与大数据技术”专业跃跃欲试呢？

且慢，对于热门专业，我们需要冷思考！

就像前几年大热的物联网工程专业，很多学校一哄而上，但是专业课程设置不合理，计算机和通信的课程搞成大杂烩，两边的核心内容都没学好。师资也是赶鸭子上架，上课就是念念PPT，考试也是走过场。毕业出来，才发现基础知识不牢靠，后悔也迟了。

对于高校来说，开设“数据科学与大数据技术”专业，需要有多学科的专业积淀，需要有经验的师资队伍，更需要有行业背景。很多高校只是因为专业热门，就拼拼凑凑开设起来，其实各方面积累很不够，学生报考时需要檫亮眼睛。

对于学生来说，该专业对数理统计、计算机科学的知识要求很高，数学基础不牢靠的学生需要慎重选择。再者，对于将来当“码农”辛苦加班的日子也要有心理准备哦。

对于很多同学来说，笔者建议在本科阶段深入学习一门本科专业，如计算机类、数学类、统计学类，然后再考研深造大数据类、人工智能的专业，既具有深厚的底蕴，又具备鲜明的专业特点，才能有更大的发展空间。

不管怎样，对于专业选择，第一是兴趣，第二还是兴趣，有了兴趣才有学习、深造的动力！

对了，对人工智能感兴趣的童鞋，“智能科学与技术”专业也是不错的选择哦。这个专业融合了电气、计算机、传感、通讯、控制等众多学科领域，也是培养跨学科的复合型人才，限于篇幅就不多讲了。

原创不易，如果您感觉此文很有帮助，请鼓励支持下吧！

↓↓↓

狗日的作业！

最能让青少年成长30部英文电影（下）

最能让青少年成长30部英文电影（上）

最适合亲子观看的16部BBC纪录片（建议收藏）！

这才是中国孩子最需要补的一门课

这才是中国父母最需要补的一门课

和青春期的孩子对着干？赢了当下，输了未来！

不背单词，不上辅导班，能学好英语？这个爸爸的实验结果是……

让魔都家长扎心的“公民同招”，开错了药方！

曹杨二中王洋校长访谈录——从一个学生家长的视角

“数据科学与大数据技术”专业是近两年才设立的新专业。“数据科学与大数据技术”专业有着很好的就业前景并且就业的宽度广，就业薪资待遇水平高，缺点可能在于专业设立较新，教学课程设置上可能无法跟上大数据人才培养的技能需求。以数据中国“百校工程”产教融合创新项目为例，在课程的设置上校企共建专业人才培养方案，对接培养大数据技能型人才，在大数据与人工智能领域设立了以下的人才培养方向。

“数据科学与大数据技术”专业的人才培养方向

分析类岗位

分析类工程师。使用统计模型、数据挖掘、机器学习及其他方法，进行数据清洗、数据分析、构建行业数据分析模型，为客户提供有价值的信息，满足客户需求。

算法工程师。大数据方向，和专业工程师一起从系统应用的角度,利用数据挖掘/统计学习的理论和方法解决实际问题；人工智能方向，根据人工智能产品需求完成技术方案设计及算法设计和核心模块开发，组织解决项目开发过程中的重大技术问题。

研发类岗位

架构工程师。负责Hadoop集群架构设计开发、搭建、管理、运维、调优，从数据采集到数据加工，从数据清洗到数据抽取，从数据统计到数据分析，实现大数据全产业线上的应用分析设计。

开发工程师。基于hadoop、spark等构建数据分析平台，进行设计、开发分布式计算业务，负责机器学习、深度学习领域的开发工作。

运维工程师。负责大数据基础平台的运维,保障平台的稳定可用，参与设计大数据自动化运维、监控、故障处理工具。

管理类岗位

产品经理。负责大数据平台产品的设计工作，主导数据产品的功能规划、体验设计，与研发、数据分析、算法团队紧密合作，挖掘数据价值，形成数据产品，包括部分数据可视化的产品设计等。

运营经理。根据业务特点，结合业务发展需求，设立数据监控模型,搭建数据分析架构，理解业务方向和战略，为业务战略决策、业务方向提供决策支持，竞争分析及建议。

“数据科学与大数据技术”专业的就业前景

人才需求方面，腾讯研究院于2017年12月发布了《2017年全球人工智能人才白皮书》，数据显示，中国592家公司中约有4万位员工，而中国对于人工智能人才的需求数量已经突破百万，人才严重短缺，迫使企业不断降低工作经验门槛，甚至不惜从零培养人才。人工智能人才掌握的技能宽度和深度均在逐渐提高。2017年求职的人工智能人才中，有68%的人掌握至少3种技能，简历中最常出现的技能包括spark、深度学习、算法研究、Hadoop，Python等。而人工智能工程师的招聘主要集中在算法与开发两个大类, 本科学历及以上人才目前是人工智能领域的主力军，同时，就业人群在快速年轻化。

在薪资待遇方面，可参考IT行业类的专业，2016届本科应届毕业生就业薪资最高的10个专业中软件工程、计算机科学与技术、电子信息工程稳进前十，薪资待遇分布在7K到9K之间，IT行业的薪资待遇非常高。人工智能以及大数据技术的岗位人才需求逐步上升，未来可能会发展为就业前景最好的专业之一。

关于数据分析师，数据工程师和数据科学家有什么区别，三者有着相关的共同点，又有着不同点，数据科学家的影响力与互联网同进同退。数据工程师和数据分析师与数据科学家携手共同完成这幅“大数据时代”巨作。

数据科学家是什么样一个存在呢?

通常情况下，数据科学家有数学或物理方面的高等学位。有博士学位的情况并不少见，硕士学位仅是一个前提条件。数据科学家精通统计建模以及如何构建与定制高级数学算法。这既在他们专业范围内，也是他们所擅长的地方。我听到过有人这样形容一个数据科学家“软件工程技能牛过多数人的酷炫统计学家”。

我结合加工的说：所谓数据科学家，是指运用统计分析、机器学习、分布式处理等技术，从大量数据中提取出对业务有意义的信息，以易懂的形式传达给决策者，并创造出新的数据运用服务的人才。

数据工程师如何定义呢?

数据工程师一般被定义成“深刻理解统计学科的明星软件工程师”。如果你正为一个商业问题烦恼，那么你需要一个数据工程师。这些伙计就是那些能提供可建模数据所需平台的人。他们的核心价值在于他们借由清晰数据创建数据管道的能力。

如何区分数据科学家，数据工程师与数据分析师

数据工程师对演算法有相当好的理解。因此，数据工程师理应能运行基本数据模型。商业需求的高端化催生了演算高度复杂化的需求。很多时候，这些需求超过了数据工程师掌握知识范围，这个时候你就需要打电话寻求数据科学家的帮助。

数据分析师如何理解呢?

数据分析师能洞悉一个方程式的商业意义。他们知道如何提出正确的问题，非常善于数据分析，数据可视化和数据呈现。不管是给另一个数据分析师还是C级执行做演讲，数据分析师都是数据提取，模式识别以及从大量数据中洞察问题方面的能手。

如果你或者你的公司正考虑顺应这股大数据浪潮的发展，你应该从明确你想利用大数据解决所面临的商业问题处下手。接着找出你真正的需求：是数据采集，检索，仓储还是数据分析?然后编写相应的职位描述并做好准备。

想要快速进入大数据行业，西线学院大数据培训是不错的选择，除了坚持小班化教学之外，还以项目式教学为宗旨，手把手辅导学员，进行大量的案例操作，保障学员不光学会书本上的知识，更具有实际操作的能力。

编者按：数据科学和数据分析，在技术领域或其他相关行业工作的人可能会经常看到这两个术语，虽然他们俩看起来挺像，但是这两个术语是完全不同的，对业务有不同的影响。

|| 数据科学 ||

就像包含了许多专业和领域的科学一样，数据科学也是获取信息的各种模型和方法的广义术语。在数据科学的范畴内，科学方法、数学、统计学和其他工具用来分析和操纵数据。如果一个工具或过程通过数据分析，从中获取某种信息，那么，它可能属于数据科学。实践数据科学归结为连接信息和数据点，以找到可用于业务的连接。数据科学通过尝试找到新的模式和视角，深入了解未知世界。数据科学试图建立连接并为未来做好计划，而不是像数据分析所做的那样，检查假设。数据科学通常通过提供数据上的新观点，或以前没看到不知道的所有的连接，帮助组织从查询数据转移到洞察力上。|| 数据分析 ||

如果数据科学是掌握工具和方法的房子，那么数据分析就是该房屋的特定空间。它与数据科学有关系，但是更具体和集中。数据分析通常比数据科学更受到关注，因为数据分析师不仅仅寻找数据之间的连接，而是关注一个特定的目标，通过数据排序来寻找支持的方法。数据分析通常是自动化的，可以在某些领域提供意见和见解。数据分析包括梳理数据，找出可用于帮助实现组织目标的巨大财富。基本上，分析将数据分类成组织知道自己了解的数据和知道自己不了解的数据，并且可以用来衡量过去，现在或将来的事件。数据分析通过将趋势和模式与公司的真实目标联系起来，从精准分析转移到会给公司带来什么影响，并逐渐转向提升业务率和寻找战略重点。|| 数据科学家和数据分析师的差异 ||

数据科学和数据分析之间看起来只有微妙的差异，但是实际上两者可能对公司产生很大的影响。一开始，数据科学家和数据分析师就有不同的背景，履行不同的职责，所以能正确使用这些术语有助于公司聘请合适的人员来处理各自的任务。数据分析和数据科学可以用来找到不同的东西，对于企业来说这些都是有用的，两者都不能单独应用于所有情况。数据分析常用于如医疗保健，游戏和旅游等行业，而数据科学常用于互联网搜索和数字广告中。数据科学在人工智能和机器学习的发展中也发挥着越来越重要的作用。许多公司正在转向允许他们使用计算机筛选大量数据的系统，例如在企业闪存系统上，使用算法来找到最有助于其组织实现目标的连接。机器学习在许多行业具有巨大的潜力，无疑在未来如何运作企业方面发挥巨大的作用。因此，组织和员工了解数据科学与数据分析之间的区别，以及对每个学科的作用至关重要。虽然存在差异，但数据科学和数据分析都是未来工作和数据的重要组成部分。这两个术语应该被希望理解数据，并能引领技术变革的公司所接受。

来源：insidebigdata

作者：Rick Delgado智能观 编译