人工智能 (AI)、机器学习 (ML) 和深度学习 (DL)、数据分析还是数据分析？敏捷性到底意味着什么？这篇博文提供了清晰的思路。敏捷性和数据科学有一个共同点：近年来，这两个学科都变得非常重要。敏捷方法和框架的使用可以成为公司成功的决定性因素。在这篇文章和接下来的博客文章中，我们将主要解决敏捷方法是否以及如何整合到数据科学世界中的问题。但首先我们将为您概述有关数据科学和敏捷性的重要基础知识。
区分数据科学与软件开发
数据科学不应等同于纯粹的软件开发。软件开发涉及满足特定要求的应用程序或系统的开发。它是关于在不同平台上运行和维护的编程代码。反过来，数据科学专注于分析数据以获得见解和模型模式。这需要采用 医疗保健电子邮件列表 实验方法，因为无法提前对数据和可能的结果做出假设。软件程序和机器学习模型的部署也必须以不同的方式看待，因为软件程序很大程度上是静态的，而机器学习模型不断变化并且必须学习新数据。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。目的是从数据中获取知识，以支持决策流程或优化公司流程。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的研究领域，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。机器学习是指从经验中，特别是从现有的训练数据中人工生成知识。机器学习使用监督学习、无监督学习和强化学习领域的各种方法导出模式并以数学方式描述它们。这些使得学习模型以及评估和处理复杂系统（例如自然语言或图像识别）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。