毕竟，数据科学和数据挖掘比工程更接近研究和开发。这也可以在 CRISP-DM 中看到，因为它是基于对新方法的探索，而不是基于软件的设计。如果您现在想知道 CRISP-DM 到底是什么，您可以期待以下段落。
定义 DS 术语
在我们深入研究数据科学中敏捷软件开发的细节之前，区分不同的术语很重要。人工智能、机器学习、深度学习、数据分析和数据分析密切相关，但又各自有各自的特点和应用。这就是为什么我们将快速浏览一下这些学科，并向您展示如何在数据科学中理解它们。
数据科学
数据科学被定义为一门跨学科的应用科学。目标是从数据中 厄瓜多尔 whatsapp 数据 获取知识，以支持决策流程或优化业务流程。数据科学被定义为创建、验证和转换数据以从中获取见解的科学研究。此外，数据科学使用科学原理从数据中生成意义，并使用机器学习和算法从大型数据集中提取和管理信息。
根据定义，数据科学家使用数学、统计学、随机学和计算机科学领域的科学方法。除了从数据中生成知识之外，目标还包括得出行动建议、支持决策以及优化和自动化企业流程。它还实现了对未来事件的预测和预测的创建。
人工智能
人工智能（AI）领域非常多样化且高度跨学科。术语“AI”（或通常称为“AI”）有不同的定义。这些定义的共同点是人工智能是关于计算机程序或机器的开发，其行为可以被描述为“智能”。
数据科学和人工智能这两个术语之间有着密切的联系。数据科学被视为一个跨学科研究领域，它使用各种过程和方法从数据中生成新知识。这些过程包括数据准备、分析、可视化和预测。不同之处在于人工智能专注于创建模型。这些模型可用于数据科学项目来回答特定问题。
机器学习与深度学习
机器学习（机器学习或机器学习）及其特殊形式深度学习是属于人工智能的学科。机器学习是指根据经验，特别是根据现有的训练数据，人工生成知识。机器学习派生模式并使用监督学习、无监督学习和强化学习领域的各种方法以数学方式描述它们。这些使得学习模型以及评估和处理自然语言或图像识别等复杂系统成为可能。
数据分析与数据分析
数据分析被认为是数据科学的一个子领域，涉及收集、存储、处理和分析数据，以从中得出战略和业务相关的见解。数据分析涉及从描述性形式的数据中生成见解。数据科学和数据分析共享方法和流程，但数据科学中还有其他补充方法。