数据科学
数据科学专业介绍
数据科学专业介绍
数据科学专业是一门涉及多个学科领域的综合性学科，其核心在于利用数学、统计学、计算机科学等工具对海量数据进行处理、分析和挖掘，以提取有价值的信息和洞见。
随着大数据时代的来临，数据科学专业日益受到重视，成为许多高校和研究机构的重要学科方向。
在数据科学专业中，学生将学习如何收集、清洗、整合和存储数据，掌握数据分析和数据挖掘的基本方法和技术，如描述性统计、预测性建模、机器学习、深度学习等。
此外，学生还将学习如何运用可视化工具将数据转化为直观、易于理解的图表和报告，以便更好地传达数据和信息。
数据科学专业的应用领域非常广泛，涵盖了商业、医疗、金融、政府等多个领域。
在商业领域，数据科学被广泛应用于市场营销、客户关系管理、风险管理等方面，帮助企业更好地了解市场需求、优化产品设计和提高运营效率。
在医疗领域，数据科学可以帮助医生更好地诊断疾病、制定治疗方案和评估治疗效果。
在金融领域，数据科学可以用于风险评估、投资策略制定和金融市场预测等方面。
总之，数据科学专业是一个充满挑战和机遇的领域，它要求学生具备扎实的数学、统计学和计算机科学基础，同时还需要具备良好的创新思维和解决问题的能力。
通过学习和实践，数据科学专业的学生将成为大数据时代的重要人才，为各行各业的发展提供有力的数据支持和决策依据。
数据科学与数据工程的区别与联系
数据科学与数据工程的区别与联系在现代数字化时代，数据扮演着至关重要的角色。
它们是企业决策、科学研究以及技术创新的基础。
在数据领域中，数据科学和数据工程是两个重要的概念。
本文将详细探讨数据科学与数据工程之间的区别与联系。
一、数据科学的定义与特点数据科学是一门跨学科的领域，它综合运用了数学、统计学、计算机科学等领域的知识和技术，通过收集、处理、分析和解释大量的数据，从而为决策制定者提供有意义的见解。
数据科学的核心目标是从数据中发现全新的模式、趋势和规律，并基于此提供战略性的建议和创新性的解决方案。
数据科学的特点在于其使用跨学科的方法和技术，以及处理大数据的能力。
它依赖于统计学和机器学习算法，通过对数据进行探索性分析，建立模型和预测，从而实现对未来事件的预测和决策优化。
二、数据工程的定义与特点数据工程是一门关注数据收集和处理的工程学科。
它的目标是设计、构建和管理数据的基础设施，以支持数据科学、数据分析和决策制定。
数据工程师负责开发和维护数据管道、数据仓库和数据架构，以确保数据的高质量、一致性和可靠性。
数据工程主要关注数据的采集、清洗和转换，以及数据仓库的构建和维护。
数据工程师需要掌握数据库管理、数据ETL（抽取、转换、加载）技术和大数据处理框架等技术，以确保数据的可用性和可操作性。
三、数据科学与数据工程的区别数据科学和数据工程虽然在数据领域中都扮演着重要的角色，但它们的关注点和目标有所不同。
首先，数据科学更关注数据的分析、挖掘和解释，以从中发现有价值的见解。
数据科学家通常需要具备扎实的统计学和机器学习知识，以及编程和数据处理的技能。
相比之下，数据工程更注重数据的工程和管道建设，以支持数据科学和决策制定。
数据工程师需要掌握数据仓库、ETL技术和大数据处理框架等技能，以确保数据的可靠性和可用性。
此外，数据科学更侧重于对数据的探索性分析、模型建立和预测等任务，以产生见解和指导决策。
而数据工程主要关注数据的采集、清洗和转化，以及数据基础设施的建设和维护。
数据科学的范畴
数据科学的范畴数据科学是一门涉及数据处理、数据分析和数据挖掘的学科，旨在从大量的数据中提取有用的信息和知识。
它通过运用统计学、机器学习、数据可视化等技术和方法，帮助人们理解数据背后的模式和规律，从而做出更明智的决策和预测。
数据科学的核心是数据处理。
在现代社会中，我们每天都会产生大量的数据，如传感器数据、社交媒体数据、电子商务数据等。
数据科学家需要通过清洗、整合和转换这些数据，以便能够进行后续的分析和挖掘工作。
数据处理的过程涉及到数据清洗、数据集成、数据转换等环节，需要运用编程技术和工具来实现。
数据科学的重要任务之一是数据分析。
数据分析是通过统计学和分析方法，探索数据中的模式、关联和异常，以揭示数据背后的规律和趋势。
数据科学家可以使用统计学的方法来描述和总结数据的特征，如均值、方差、相关系数等。
同时，他们还可以运用机器学习算法，从数据中构建模型，并用这些模型来预测未来的趋势和结果。
除了数据分析，数据科学还包括数据挖掘的内容。
数据挖掘是一种从大规模数据中寻找隐藏模式和知识的过程。
它可以帮助企业发现潜在的商机，提高决策的准确性。
数据挖掘的方法包括聚类分析、分类分析、关联规则挖掘等。
聚类分析可以将相似的数据样本分为一组，帮助我们理解数据的结构和分布情况；分类分析可以根据已有的数据特征，预测新的数据样本的类别；关联规则挖掘可以发现数据中的关联规律，帮助企业制定更有效的市场推广策略。
数据科学还注重数据可视化的技术。
数据可视化是通过图表、图形等可视化形式来展示数据和分析结果，使人们更直观地理解数据。
数据科学家可以使用各种可视化工具，如Python的Matplotlib库、R的ggplot2库等，来创建各种图表和图形。
通过数据可视化，我们可以更好地发现数据中的模式和异常，从而更好地理解数据背后的故事。
总的来说，数据科学是一门综合性的学科，涵盖了数据处理、数据分析、数据挖掘和数据可视化等内容。
它通过运用统计学、机器学习等技术和方法，帮助人们从大量的数据中提取有用的信息和知识。
数据科学入门教程
数据科学入门教程第一章：数据科学概述数据科学是一门综合性的学科，通过整合统计学，计算机科学和领域知识，使用数据分析和机器学习等技术，研究如何从大量数据中提取有价值的信息和洞察力。
本章将介绍数据科学的定义、发展历程以及在各个领域中的应用。
1.1 数据科学定义数据科学是一门关注如何从数据中提取知识的学科，它包括数据收集、数据清洗、数据处理、数据可视化、数据分析和模型构建等多个步骤。
数据科学的目标是发现数据背后的模式、规律和趋势，并用于决策和问题解决。
1.2 数据科学发展历程数据科学的起源可以追溯到20世纪初的统计学和运筹学。
随着计算机技术的进步，特别是互联网的兴起，数据的规模和复杂性呈指数级增长，推动了数据科学的快速发展。
现代数据科学在20世纪90年代的经济学、社会学和医学等领域中得到广泛应用，并逐渐拓展到更多领域和行业。
1.3 数据科学在各个领域中的应用数据科学在各个领域中都起着重要作用。
在商业领域，数据科学可以帮助企业分析市场趋势、预测销售量、优化供应链等。
在医疗领域，数据科学可以帮助医院优化病人治疗方案、预测疾病发展等。
在社会科学领域，数据科学可以帮助分析社交网络、舆论传播等。
在自然科学领域，数据科学可以帮助天文学家观测宇宙、地球科学家研究气候变化等。
第二章：数据收集与清洗数据收集与清洗是数据科学中非常重要的步骤，它直接影响数据分析和模型构建的结果。
本章将介绍数据收集与清洗的方法和技巧。
2.1 数据收集方法数据收集可以通过多种途径进行，包括实验数据收集、问卷调查、网络爬虫、传感器数据采集等。
在数据收集过程中，需要考虑数据的完整性、准确性和代表性。
2.2 数据清洗技术数据清洗是指通过删除、修正或填充缺失数据、异常值和重复数据等，使得数据更加完整、准确和可靠。
数据清洗需要使用各种数据处理和统计技术，比如去除空值、平滑离群点、处理重复数据等。
第三章：数据处理与可视化数据处理与可视化是数据科学中的核心环节，通过对数据进行处理和可视化，可以更好地理解数据背后的规律和趋势。
数据科学岗位职责
数据科学岗位职责1.数据分析与解读：数据科学岗位的职责之一是对各种数据进行收集、整理、分析和解读。
数据科学家需要运用统计学和数学技巧，利用各种数据分析工具，对收集到的数据进行深入挖掘，从中发现数据中蕴含的规律和趋势，并将这些规律与趋势解读给公司的决策者和其他相关部门，为公司未来的发展提供有力的数据支持。
2.构建数据模型：数据科学家需要根据公司的需求和业务目标，构建合适的数据模型。
数据模型是对现实世界中其中一特定领域的数据、数据流程和业务规则的抽象，通过构建数据模型，可以更好地理解和处理数据，从而提高数据的应用价值。
构建数据模型需要运用到数学、统计学和机器学习等领域的知识和技术。
3.数据挖掘和机器学习：数据科学岗位的核心职责之一是运用数据挖掘和机器学习的技术，从庞大复杂的数据中挖掘出有用的信息和知识。
通过对数据进行建模、算法训练和模型优化，数据科学家可以利用机器学习技术发现数据中的有趣模式、潜在关联和隐藏规律，并将这些应用于实际场景中，如推荐系统、用户画像、风险评估等。
4.数据可视化和报告：数据科学家还需要将复杂的数据结果以直观、易懂的方式呈现给公司的决策者和其他相关部门。
他们需要运用数据可视化工具和技术，将分析结果转化为图表、图像和报告，以便于理解和使用。
数据可视化和报告的目的是帮助决策者更好地理解数据的意义和价值，从而做出更明智的决策。
5.数据质量管理：数据科学家还需要对数据的质量进行管理和控制。
他们需要评估和监测数据的准确性、完整性、一致性和及时性，确保数据的可信度和可靠性。
数据质量管理包括数据清洗、数据校验、异常检测和数据安全等方面的工作。
6.业务支持和解决方案：数据科学家需要与业务部门密切合作，理解他们的需求和问题，并提供数据支持和解决方案。
他们需要将数据科学的技术和方法应用于实际业务中，帮助业务部门解决问题、改进业务流程，提高业务的效率和效果。
总结起来，数据科学岗位的职责主要包括数据分析与解读、构建数据模型、数据挖掘和机器学习、数据可视化和报告、数据质量管理以及业务支持和解决方案。
数据科学与大数据技术的基本概念与原理
数据科学与大数据技术的基本概念与原理数据科学和大数据技术是如今信息时代中最为重要的学科领域之一。
它们的发展不仅改变了人们对数据的处理方式，也深刻影响着各行各业的发展。
本文将介绍数据科学和大数据技术的基本概念与原理，并探讨其在实践中的应用。
一、数据科学的基本概念与原理1. 数据科学的定义数据科学是指通过使用数学、统计学、计算机科学等领域的知识和方法，从数据中发现和推断出有价值的知识，并为决策提供支持的学科。
它涵盖了数据的收集、存储、处理、分析和可视化等过程。
2. 数据科学的原理数据科学的实践基于以下几个原理：- 数据驱动的决策：数据科学强调决策需要基于数据的事实而非主观感觉。
- 稀缺性原则：数据科学要充分利用有限的数据资源，找到隐藏在数据中的有价值信息。
- 多学科交叉原理：数据科学需要借鉴统计学、计算机科学、信息科学等多个学科的知识和方法。
二、大数据技术的基本概念与原理1. 大数据技术的定义大数据技术是指用于处理大规模数据集的技术和工具。
它涵盖了数据采集、存储、处理、分析和可视化等方面，旨在从海量数据中提取有价值的信息。
2. 大数据技术的原理大数据技术的实践基于以下几个原理：- 存储原理：大数据技术需要使用高效的存储方案，如分布式文件系统和列式存储等，以提供高速访问和处理大规模数据集的能力。
- 处理原理：大数据技术借助分布式计算、多线程和并行处理等技术，能够高效地处理数据并执行复杂的分析任务。
- 分析原理：大数据技术可以应用机器学习、数据挖掘和自然语言处理等技术，从海量数据中挖掘隐含的规律和知识。
- 可视化原理：大数据技术提供了多种可视化工具和技术，帮助用户更直观地理解和分析数据。
三、数据科学与大数据技术的应用数据科学和大数据技术在各行各业中都有广泛的应用。
以下是几个典型的应用领域：1. 金融行业数据科学可以用于预测金融市场走势、风险评估和交易分析等。
大数据技术可以处理和分析金融数据，并为银行和投资机构提供决策支持。
数据科学论文
数据科学论文数据科学是一门涵盖统计学、机器学习、计算机科学和领域知识的跨学科领域，致力于从数据中提取有价值的信息和知识。
数据科学不仅仅关注数据的分析和处理，更注重如何应用这些分析结果来解决实际问题，推动社会进步。
本文将探讨数据科学的定义、应用和前景。
一、数据科学的定义数据科学是一门研究如何从大量、多样的数据中，提取有价值的信息和知识的学科。
它结合了统计学、机器学习、计算机科学和领域知识，通过运用各种工具和技术，帮助人们分析和理解数据，从而做出更明智的决策。
二、数据科学的应用1. 商业智能和数据分析数据科学在商业领域有着广泛的应用。
通过对数据的分析，企业可以了解市场需求、产品趋势、消费者行为等相关信息，从而制定更有效的战略和决策。
数据科学不仅可以帮助企业预测销售趋势，还可以提供个性化推荐、优化供应链和改进客户体验等方面的支持。
2. 健康医疗在医疗领域，数据科学可以帮助医生和研究人员分析大量的医疗数据，以提供更准确、个性化的诊断和治疗方案。
通过应用机器学习和人工智能技术，数据科学可以帮助发现疾病模式、预测病情发展，并协助医生做出更好的治疗决策。
3. 社会科学与政策制定数据科学对社会科学和政策制定也有重要意义。
通过数据分析，研究人员可以更好地理解社会问题，如贫困、犯罪、教育等，并为决策者提供定量支持。
数据科学还可以帮助预测和应对自然灾害、人口迁移等一系列社会问题，为社会稳定和可持续发展提供参考。
三、数据科学的前景数据科学在当今信息时代具有广阔的前景。
随着大数据的产生和积累，数据科学的需求日益增长。
越来越多的公司、机构和政府开始重视数据科学的应用，加大对该领域人才的培养和投资。
数据科学的发展将为社会带来更多的创新和机遇，推动科技进步和经济发展。
四、结论数据科学作为一门跨学科的领域，为我们提供了从数据中提取价值的机会。
数据科学的应用范围广泛，可以在商业、医疗、社会科学等多个领域发挥重要作用。
随着数据的不断增长，数据科学将有着广阔的前景和发展空间。
数据科学的基础知识
数据科学的基础知识数据科学是一个非常重要的领域，它在许多领域中都扮演了关键的角色。
数据科学的基础知识不仅包括统计学和机器学习等技术，还包括数据分析、数据挖掘和数据可视化等方面知识。
本文将主要介绍数据科学的基础知识，探讨数据科学在实践中的应用。
一、数据科学的概念数据科学就是对大量数据进行处理、分析和挖掘工作的一种科学方法，旨在从海量数据中发现有价值的信息和知识。
数据科学包括数据采集、数据清洗、数据存储等过程，还包括数据分析、数据挖掘和机器学习等技术。
数据科学的发展和应用已经渗透到各种领域，比如金融、医疗、电子商务等。
二、数据采集和清洗数据采集是指从各种渠道收集原始数据。
在数据采集过程中，需要结合业务需求、技术能力和数据安全等因素，选取适合的数据源。
数据清洗是指对采集到的数据进行处理，包括去除重复数据、缺失数据填充、异常数据的处理等。
数据清洗是数据处理的第一步，其质量和准确性对后续数据处理的结果有很大影响。
三、数据存储数据存储是指对清洗后的数据进行持久化存储，以便长期的分析和使用。
数据存储可以选择关系型数据库、非关系型数据库、分布式文件系统以及云存储等方式。
在选择数据存储方案时需要考虑数据大小、性能要求、数据安全等因素。
四、数据分析和数据可视化数据分析是指对数据进行统计分析和挖掘，以发现数据背后的规律和趋势。
数据分析可以包括基础统计分析、聚类分析、分类分析等。
在数据分析过程中，需要对数据进行建模和算法选择，以达到更好的分析效果。
数据可视化是指通过图表、表格、地图等可视化手段展现数据分析结果。
数据可视化可以使得数据分析结果更易于理解和传达。
在数据可视化中可以使用各种数据可视化工具，比如Tableau、Excel、Python中的Matplotlib 和Seaborn等。
五、机器学习机器学习是指，利用计算机和数学方法，通过学习从数据中发现规律，从而进行预测和决策。
机器学习算法可以分为监督学习、非监督学习和半监督学习等多种类型。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
需求高涨的数据科学家从技术方面来看，硬盘价格下降，NoSQL数据库等技术的出现，使得和过去相比，大量数据能够以廉价高效的方式进行存储。
此外，像Hadoop这样能够在通用性服务器上工作的分布式处理技术的出现，也使得对庞大的非结构化数据进行统计处理的工作比以往更快速且更廉价。
然而，就算所拥有的工具再完美，它本身是不可能让数据产生价值的。
接下来我们还需要能够运用这些工具的人才，他们能够从堆积如山的大量数据中找到金矿，并将数据的价值以易懂的形式传达给决策者，最终得以在业务上实现。
具备这些技能的人才，就是在大数据浪潮如火如荼的美国目前正千金难求的“数据科学家”。
对数据科学家的关注，源于大家逐步认识到，Google、Amazon、Facebook等公司成功的背后，存在着这样的一批专业人才。
这些Web公司对于大量数据不仅仅是进行存储而已，而是将其变为有价值的金矿——例如，搜索结果、定向广告、准确的商品推荐、可能认识的好友列表等。
数据科学（data science）是一个很久之前就存在的词汇，但数据科学家（data scientist）却是几年前突然出现的一个新词。
关于这个词的起源说法不一，其中在《数据之美》（Beautiful Data，Toby Segaran、Jeff Hammerbacher编著，O‟Reilly出版）一书中，对于Facebook 的数据科学家，有如下叙述。
“在Facebook，我们发现传统的头衔如商业分析师、统计学家、工程师和研究科学家都不能确切地定义我们团队的角色。
该角色的工作是变化多样的：在任意给定的一天，团队的一个成员可以用Python实现一个多阶段的处理管道流、设计假设检验、用工具R在数据样本上执行回归测试、在Hadoop上为数据密集型产品或服务设计和实现算法，或者把我们分析的结果以清晰简洁的方式展示给企业的其他成员。
为了掌握完成这多方面任务需要的技术，我们创造了…数据科学家‟这种角色。
”仅仅在几年前，数据科学家还不是一个正式确定的职业，然而一眨眼的工夫，这个职业就已经被誉为“今后10年IT行业最重要的人才”了。
Google首席经济学家，加州大学伯克利分校教授哈尔•范里安（Hal Varian，1947～）先生，在2008年10月与麦肯锡总监James Manyika先生的对话中，曾经讲过下面一段话（中文版节选自麦肯锡季刊官方中文稿）。
“我总是说，在未来10年里，最有意思的工作将是统计学家。
人们都认为我在开玩笑。
但是，过去谁能想到电脑工程师会成为上世纪90年代最有趣的工作？在未来10年里，获取数据——以便能理解它、处理它、从中提取价值、使其形象化、传送它——的能力将成为一种极其重要的技能，不仅在专业层面上是这样，而且在教育层面（包括对中小学生、高中生和大学生的教育）也是如此。
由于如今我们已真正拥有实质上免费的和无所不在的数据，因此，与此互补的稀缺要素是理解这些数据并从中提取价值的能力。
”范里安教授在当初的对话中使用的是“statisticians”（统计学家）一词，虽然当时他没有使用“数据科学家”这个词，但这里所指的，正是现在我们所讨论的数据科学家。
数据科学家所需的技能数据科学家这一职业并没有固定的定义，但大体上指的是这样的人才。
“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。
”数据科学家所需的技能如下。
(1) 计算机科学一般来说，数据科学家大多要求具备编程、计算机科学相关的专业背景。
简单来说，就是对处理大数据所必需的Hadoop、Mahout等大规模并行处理技术与机器学习相关的技能。
(2) 数学、统计、数据挖掘等除了数学、统计方面的素养之外，还需要具备使用SPSS、SAS等主流统计分析软件的技能。
其中，面向统计分析的开源编程语言及其运行环境“R”最近备受瞩目。
R的强项不仅在于其包含了丰富的统计分析库，而且具备将结果进行可视化的高品质图表生成功能，并可以通过简单的命令来运行。
此外，它还具备称为CRAN（The Comprehensive R ArchiveNetwork）的包扩展机制，通过导入扩展包就可以使用标准状态下所不支持的函数和数据集。
(3) 数据可视化（Visualization）信息的质量很大程度上依赖于其表达方式。
对数字罗列所组成的数据中所包含的意义进行分析，开发Web原型，使用外部API将图表、地图、Dashboard等其他服务统一起来，从而使分析结果可视化，这是对于数据科学家来说十分重要的技能之一。
作为参考，下面节选了Facebook和Twitter的数据科学家招聘启事。
对于现实中的企业需要怎样的技能，应该可以为大家提供一些更实际的体会。
Facebook对数据科学家的招聘信息Facebook计划为数据科学团队招聘数据科学家。
应聘该岗位的人，将担任软件工程师、量化研究员的工作。
理想的候选人应对在线社交网络的研究有浓厚兴趣，能够找出创造最佳产品过程中所遇到的课题，并对解决这些课题拥有热情。
职务内容确定重要的产品课题，并与产品工程团队密切合作寻求解决方案通过对数据运用合适的统计技术来解决课题将结论传达给产品经理和工程师推进新数据的收集以及对现有数据源的改良对产品的实验结果进行分析和解读找到测量、实验的最佳实践方法，传达给产品工程团队必要条件相关技术领域的硕士或博士学位，或者具备4年以上相关工作经验对使用定量手段解决分析性课题拥有丰富的经验能够轻松操作和分析来自各方的、复杂且大量的多维数据对实证性研究以及解决数据相关的难题拥有极大的热情能对各种精度级别的结果采用灵活的分析手段具备以实际、准确且可行的方法传达复杂定量分析的能力至少熟练掌握一种脚本语言，如Python、PHP等精通关系型数据库和SQL对R、MATLAB、SAS等分析工具具备专业知识具备处理大量数据集的经验，以及使用MapReduce、Hadoop、Hive等分布式计算工具的经验来源：Facebook（中文翻译出自译者）Twitter对数据科学家（负责增加用户数量）的招聘信息关于业务内容Twitter计划招聘能够为增加Twitter用户数提供信息和方向性，具备行动力和高超技能的人才。
应聘者需要具备统计和建模方面的专业背景，以及大规模数据集处理方面的丰富经验。
我们期待应聘者所具有的判断力能够在多个层面上决定Twitter产品群的方向性。
职责使用Hadoop、Pig编写MapReduce格式的数据分析能够针对临时数据挖掘流程和标准数据挖掘流程编写复杂的SQL查询能够使用SQL、Pig、脚本语言、统计软件包编写代码以口头及书面形式对分析结果进行总结并做出报告每天对数TB规模、10亿条以上事务级别的大规模结构化及非结构化数据进行处理必要条件计算机科学、数学、统计学的硕士学位或者同等的经验2年以上数据分析经验大规模数据集及Hadoop等MapReduce架构方面的经验脚本语言及正则表达式等方面的经验对离散数学、统计、概率方面的兴趣将业务需求映射到工程系统方面的经验来源：Twitter（中文翻译出自译者）数据科学家所需的素质这一节的内容与技能部分有所重叠，数据科学家所需要具备的素质有以下这些。
(1) 沟通能力即便从大数据中得到了有用的信息，但如果无法将其在业务上实现的话，其价值就会大打折扣。
为此，面对缺乏数据分析知识的业务部门员工以及经营管理层，将数据分析的结果有效传达给他们的能力是非常重要的。
(2) 创业精神（entrepreneuership）以世界上尚不存在的数据为中心创造新型服务的创业精神，也是数据科学家所必需的一个重要素质。
Google、Amazon、Facebook等通过数据催生出新型服务的企业，都是通过对庞大的数据到底能创造出怎样的服务进行艰苦的探索才获得成功的。
(3) 好奇心庞大的数据背后到底隐藏着什么，要找出答案需要很强的好奇心。
除此之外，成功的数据科学家都有一个共同点，即并非局限于艺术、技术、医疗、自然科学等特定领域，而是对各个领域都拥有旺盛的好奇心。
通过对不同领域数据的整合和分析，就有可能发现以前从未发现过的有价值的观点。
美国的数据科学家大多拥有丰富的从业经历，如实验物理学家、计算机化学家、海洋学家，甚至是神经外科医生等等。
也许有人认为这是人才流动性高的美国所特有的现象，但其实正如我们在第4章中所介绍的GREE一样，在日本也出现了一些积极招募不同职业背景人才的企业，这样的局面距离我们已经不再遥远。
严重的人才匮乏数据科学家需要具备广泛的技能和素质，因此预计这一职位将会陷入供不应求的状态，即遇到人手不足的困境。
例如，麦肯锡全球研究院（MGI）在2011年5月发表的题为“Big data: The next frontier for innovation, competition and productivity”（大数据：未来创新、竞争、生产力的指向标）的报告中指出，在美国具备高度分析技能的人才（大学及研究生院中学习统计和机器学习专业的学生）供给量，2008年为15万人，预计到2018年将翻一番，达到30万人。
然而，预计届时对这类人才的需求将超过供给，达到44万～49万人的规模，这意味着将产生14万～19万的人才缺口。
仅仅四、五年前，对数据科学家的需求还仅限于Google、Amazon等Web类企业中。
然而在最近，重视数据分析的企业，无论是哪个行业，都在积极招募数据科学家，这也令人手不足的状况雪上加霜。
大型IT厂商EMC在2011年12月发表的一份关于数据科学家的调查报告“EMC Data Science Study”中提出了一些非常有意思的见解。
该调查的对象包括美国、英国、法国、德国、印度、中国的数据科学家，以及商业智能专家等IT部门的决策者，共计462人。
除此之外，EMC还从2011年5月在拉斯维加斯召开的“数据科学家峰会”的参加者，以及在线数据科学家社区Kaggle中邀请了35人参加这项调查。
该调查结果的要点如下。
首先，三分之二的参加者认为数据科学家供不应求。
这一点与前面提到的麦肯锡的报告是相同的。
对于新的数据科学家供给来源，有三分之一的人期待“计算机科学专业的学生”，排名第一，而另一方面，期待现有商业智能专家的却只有12%，这一结果比较出人意料（图表8-6）。
也就是说，大部分人认为，现在的商业智能专家无法满足对数据科学家的需求。
数据科学家与商业智能专家之间的区别在于，从包括公司外部数据在内的数据获取阶段，一直到基于数据最终产生业务上的决策，数据科学家大多会贯穿数据的整个生命周期。
这一过程中也包括对数据的过滤、系统化、可视化等工作研究生院的成立随着对大数据分析需求的高涨，未来必将带来数据科学家的严重不足，为了解决这一问题，美国一些大学已经开始成立分析学专业的研究生院。