数据科学教程

Cassie Kozyrkov是谷歌首席决策科学家，决策智能的先驱，本文是对决策智能的定义提要，原文点击标题：决策智能是人工智能时代领导力的新学科，决策智能是一门新的学科，涉及在选项之间进行选择的所有方面。它将应用数据科学、社会科学和管理科学的精华汇集到一个统一的领域，帮助人们使用数

在大多数数据驱动的组织中，只需要基本的数据科学技能即可解决问题。这个角色可以很容易地被机器学习工程师取代——一个具有数据科学算法基本知识的人，他还拥有部署 ML 模型的知识。数据科学家的角色将被 AutoML 等工具取代，而另一些人则将数据科学称为“垂死的领域”，很快就会被数据工程和

商业智能 (BI) 是一个流行词，只要公司试图使用数据来获得竞争优势，它就一直存在。

特威曼定律也称为Twyman定律：数据越引人注目（显性突出），错误的可能性就越大。这是因为错误的实验或者采集远比这种引人注目的突出结果更为常见，发生的概率更多 ；反之，数据越枯燥，越值得信赖。

Grule是 Go (Golang) 编程语言的规则引擎库。受到广受好评的 JBOSS Drools 的启发，并以更简单的方式完成。与Drools一样，Grule也有自己的DSL或领域特定语言。下面是 Drools 的 DRL 或 Drools 规则语言的示例：

每个行业都非常清楚数字化转型时代最热门的术语之一，即商业智能。由于效率和生产力的提高，拥有 BI 的企业正在增加收入。这都是因为BI 对自动化的价值。商业智能的五个好处： 更快地提供信息：集成 BI 以实现自动化提供了商业智能的最大优势之一——更快地提供信息。业务领导

所有问题都是相对的，相对困境(Relative Privation或称为相对贫困)是一个非常普遍的认知谬论，通过陈述一个更重要的问题的存在来拒绝一个论点，人们因为其他事情更糟糕而忽略了当前问题，因为存在一个更糟糕的问题，从而使最初的论点变得无关紧要。假设你的朋友做晚餐。吃完饭，他会征

你的数据越详细，它就越缺乏洞察力。仅向图形添加 1 个额外参数会导致图形的体积呈指数增长，分散包含的数据点并删除它们之间的有意义的关联。维度诅咒现象出现在数值分析、采样、组合学、机器学习、数据挖掘和数据库等领域。这些问题的共同主题是，当维度增加时，体积空间的增长如此之快，以至于可用数

当不确定如何行动时，人们会模仿他人，向外寻找证据来帮助他们的决策。当西尔凡-戈德曼发明购物手推车时，人们不愿意使用它们，因为它们看起来很傻。于是戈德曼付钱给演员，让他们在他的商店里使用手推车，大家很快就效仿。类似中国成语：群起效尤，但没有褒贬的意思，客观描述一种现象，网络直播

如何实现数据驱动？如果不应用上下文、战略和能力方面的知识，您就无法直接从数据跳跃到行动。同一组数据将导致不同的见解：取决于谁在看它，他们在寻找什么，他们能够看到什么，他们想要做什么，以及他们甚至可以想到做什么……两个会计师查看同一组账本有不同理解：他们对背景上下文的了解让他们

在公共关系和法律实践中，吉布森定律认为“每个博士都对应一个相同但是观点相反的博士”。该术语专门指在对抗性司法制度下的审判中，由对方传唤的专家证人证词之间的冲突。正反双方都能找到支持自己的专家，在法律和政策方面，任何人都可以找到支持他们观点的主题专家，因为拥有博士学位并不一定能使某人正确，它通常只会使

弗雷德金悖论：两个选择看起来越相似，决定就越不重要，但在它们之间做出选择就越困难。因此，我们经常在最不重要的决定上花费最多的时间。涉及两个选项之间的差异与它们之间的选择决策难度之间层负相关，这个悖论对纯工具理性的可能性构成了重大挑战。有没有注意到你花了整整

背景。我在一个团队中工作，负责管理一堆不同的规则引擎。其中一个是纯粹的Java面条，只有开发它的人明白，另一个是在一个专有的BRMS系统上运行，有数万条规则，还有一个是我开发的，是一个决策表系统。 在建立一个规则引擎时，你能做的最重要的事情就是限制

随着商业智能市场的激烈竞争，为您的项目选择最佳选项可能具有挑战性。有很多选择，尽管一些工具在关键领域表现出色，但没有明确的赢家通吃。要找到最合适的方案，您必须明确您的需求并确定项目目标。你可能会问自己一些问题： 您会集成到其他 Web 应用程序中吗？ 您的连接需求是什

Reddit 是目前最流行的搜索引擎。唯一不知道这一点的是 Reddit 的团队，他们懒得构建一个像样的搜索界面。因此，我们转而使用谷歌，并将“reddit”这个词附加到我们查询的末尾。为什么人们专门搜索 Reddit？简短的回答是谷歌搜索结果显然正在消亡。详细答案是：大多数网络已经