微信扫一扫
1. Predictive Analytics：分析数据来预测未来可能发生的事情。
2. Descriptive Analytics：分析数据找出过去事件的特征和正在发生事件的趋势。
3. Prescriptive Analytics：分析数据来找出最佳措施、取得最优化的结果。
常见的专业名称有Data Science，Data Analytics，Big Data
Computer Science/Statistics/Analytics (with concentration in Data Science)
数据科学和商业分析的区别：
很多学生会选择同时申请两个专业，但是实际上，两个专业还是有区别的：
· DS一般在工学院或者文理学院， BA一般在商学院
· DS的课程设置一般偏向于计算机和数学， BA的课程一般还有商科
· 应用的技能不一样
· 职业岗位不一样
数据科学和统计的比较：
统计学和数据科学这两个专业都要求一定的数学和计算机能力。部分DS专业开设在统计或者数学系下面。但是两个专业也有一定区别。
先修课：统计专业要求学过除了线性代数、微积分、概率论等等基础课外，还要求掌握统计的高阶课程，比如回归分析、多元统计、时间序列等。而数据科学对计算机背景和技能要求更高，同时要有数学背景，先修课程包括计算机导论，SQL数据库，C++等，数学要求微积分、数学建模、线性代数、概率论等等以及最好有一定工作经验。
从申请角度，统计学大多有自己独立的院系，而DS多数没有，多数在工学院或计算机学院，少数在统计学院。
从深入学习角度，统计学比较偏科研，也设有博士学位；而DS则应用导向，如果要读博士一般转到CS。
从就业上差别也不小，统计学家侧重统计和分析数据，进行统计推断。研究重点是对统计方法进行研究和改良，用在计算机建模之后对数据进行描述和解释。而数据科学家则是通过科学的方法，用数据挖掘工具寻找新的数据。数据科学家要求掌握数据库、软件开发等等，对于程序语言R, Python、C++，SQL和Hadoop等都要了解，对技能要求更综合。
1.2 项目设置
数据科学项目主要是面向职业培训、侧重工业界需求，所以设置博士学位的学校比较少。为了符合工业界需求，专门的数据科学项目课程都很实际，侧重培养学生分析数据、解决问题的实际动手能力，课程一般不涉及理论知识。
如果要读博士，申请统计和生物统计专业最对口，其次是计算机或者电子工程做机器学习数据挖掘这些相关方向的。另外数学、IEOR、经济等专业也有少数博士生做的方向可以转到数据科学上。
1.3 课程设置
核心课程有 （以哥伦比亚大学数据科学项目为例）：
统计和计算机课程
l Introduction to Data Science
l Computer Systems for Data Science
l Machine Learning for Data Science
l Algorithms for Data Science
l Probability Theory
l Probability Theory
l Exploratory Data Analysis & Visualization
l Statistical Inference & Modeling
选修课
可选范围比较广泛，包括
l Translational Bioinformatics
l Topics in Computer Science: Applied Machine Learning
l Topics in Computer Science: Causal Inference for Data Science
l Topics in Computer Science: Elements of Data Science: A First Course
l NLP: Computational Models of Social Meaning
l Topics in Computer Science: Projects in Data Science: A First Course
l Topics in Information Processing: Big Data Analytics
