2024年5月3日发(作者：)

什么是数据科学？（1）

Posted On 星期二, 18 一 2011 By admin. Under Knowledge Tags: Data

Science, Google, Translation

原文链接：/2010/06/

我们都听说过：根据Hal Varian的说法，统计学就是下一代给力的工作（statistics is

the next sexy job）。5年前，在什么是Web 2.0（What is Web 2.0）的讨论中，Tim

O’Reilly说“数据就是下一个intel inside”。但这到底什么意思？为什么我们突然酒开

始关注统计学和数据了？

文中，我会提到数据科学的方方面面——技术，公司，以及独一无二的技能集。

什么是数据科学？

网络上充满各种“数据驱动类应用（data-driven apps）”。几乎任何电子商务应用

都是数据驱动类的应用程序。在web界面的后面是个数据库，二者之间有与数据和数据服

务（如信用卡处理公司、银行等）交互的中间件。但只是“用数据”并不能被称作“数据

科学”。一个数据应用程序从数据本身获得数值，并创造出更多的数据作为结果。这并不

仅仅是用数据的应用程序，它是一个数据产品。而数据科学就是使得创建数据产品变成可

能的学科。

网络中早期的数据产品是CDDB database（译者注：Compact Disc Database，一

种支持通过网络访问音频信息的数据库）。 CDDB的开发者认识到任何CD都有一个唯一

的签名，（举例来说）这基于每个音轨的长度。Gracenote（译者注：CDDB的开发公司）

建立了一个关于音轨长度的数据库，并将它与专辑元数据信息（音轨名，表演者，专辑名

等）数据库结合。如果你用过iTunes烧录CD，你就应用到这个数据库了。在做任何其他

事情之前，iTunes读取每个音轨的长度，发送给CDDB，并获得音轨的标题信息，如果你

有个CD不在数据库中（包括你自制的CD），你可以为这个未知专辑创建新条目。尽管这

听起来很简单，但它是革命性的：CDDB把音乐视为数据，而非音频文件，并通过创建数

值来做到这一点。他们的业务与贩卖音乐、共享音乐或分析音乐的品味（尽管这些也是“数

据产品”）有着本质不同。CDDB将音乐问题完全视为数据问题。

Google是创建数据产品的专家。有一些例子：

•

Google的突破在于意识到搜索引擎可以不仅仅是通过页面输入文字（来进行搜索）。

Google的PageRank算法会首先使用页面本身以外的数据，特别是指向页面的连接数量。

追踪连接使得Google搜索更加有用，而PageRank已经是公司成功的关键部分。

•

拼写检查并不是非常困难的问题，但通过纠错建议来纠正那些误写的搜索，并观察用

户对相应的点击，Google使之更为精确。他们已经构造了一个字典，包含了通用拼写错

误，它们的正确拼写，以及发生的上下文。

•

语言识别一直是个难题，现在依然如此。但Google通过使用他们搜集的音频数据，

已取得重大进展，如今他们已经将语音搜索（voice search）整合到核心搜索引擎中了。

•

在2009年的猪流感疫情中，Google能够通过跟踪针对流感相关主题的搜索（by

following searches for flu-related topics），来追踪疫情进展。