数据科学教程

商业智能BI会给你一张大数字表格；数据科学家会给你一个预测模型那么，如果你是这家公司的首席执行官，你宁愿拥有哪一个？你更愿意拥有预测模型。因此，在未来十年或二十年内将发生的事情是，数据科学家将取代商业分析师，成为研究零售数据的人。此外，数据科学家还将做所有这些其他的事情。因此

东南亚最大消费app的商业智能副总裁的BI经验证明：没有业务领域深入挖掘，就得不到大数据分析带来的业绩提升，只会导致大数据杀熟敲诈。上篇点击标题，本文是续篇，有关领域事件的详细设计，没有良好的DDD设计，就没有良好的大数据结果，就没有良好的数据工程，这也是大多数数据分析都是失败的原因

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

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

作为全球最大招聘社区领英LinkedIn，如今却成为网络上模因笑梗的素材。是什么基因导致了今天令人叹息cringe的局面？为了回答这个问题，我读了一堆论坛、文章和LinkedIn工程博客的伟大见解。我认为是由3个因素造成的。 个性：LinkedIn要求你成为什么样的人

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：

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

连接组是生物体大脑中所有神经连接的地图，它有助于理解大脑内神经相互作用的组织。 发布大脑中所有神经元和突触的完整映射非常复杂，2020 年 1 月，谷歌研究院发布了果蝇的“半脑”

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

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

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

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。

来自Paypal的Shifu是一个建立在 Hadoop 之上的开源、端到端的机器学习和数据挖掘框架。Shifu 专为数据科学家设计，简化了构建机器学习模型的生命周期。虽然最初是为欺诈建模而构建的，但 Shifu 已推广到许多其他建模领域。Shifu 的优点之一是机器学习中的端到端建模