数据科学奖

『壹』 数据科学与大数据技术专业怎么样前景如何谢谢！

数据科学与大数据技术专业很不错，前景比较乐观，毕业生能在政府机构企业公司等从事大数据管理研究应用开发等方面的工作。同时可以考取软件工程计算机科学与技术应用统计学等专业的研究生或出国深造。下面我们就来具体说一下这个行业的发展前景和毕业之后的就业情况。

『贰』 北大核心又叫中文核心，科技核心又叫统计员核心，那北大核心和科技核心又是怎么来的它们有什么分别

一、北京大学的核心(中文核心)是北京大学图书馆与许多权威的学术界专家合作确定的。一些高校图书馆也制定了核心期刊的审定标准，各高校图书馆的评审标准和入馆标准也有所不同，得到了学术界的广泛认可。

科技核心:中国科学技术信息研究所自1987年起，开始在中国科技论文统计与分析中心工作，编制了《中国科技论文与引文数据库(CSTPCD)》。，并通过利用数据库中的数据，对我国每年的研究成果进行各种分类统计和分析，以新闻发布会的形式发布年度报告并定期向社会公布统计分析结果。

公开出版《中国科技论文统计与分析》年度研究报告、《中国科技期刊引证报告》（核心版），为政府管理部门和广大高等院校、研究机构和研究人员提供了丰富的信息和决策支持。

二、区别：

1、选择:

北京大学核心:科技核心期刊每4年评选一次。如果这些影响因素达到了标准，就可以成为汉语的核心。

科技核心:科技核心每2年可在所有定期期刊上评选一次。

2、声明:

北京大学核心:由北京大学出版社每四年出版一次。

科学技术核心:科技部每2年出版一次。

3、不同的出版单位:

中国科学技术信息研究所出版的《中国科学技术核心期刊》。北京大学图书馆与许多权威学术专家合作，确定了北京大学的核心。摘要根据期刊被引率、转载率和文摘率指标，确定了我国几所高校的图书馆。

4、不同的学科类别:

以自然科学为主的《中国科技核心期刊》是目前比较认可的科技统计类期刊目录。北京大学的核心是中国学术信息网络期刊。它是一种按期刊影响因素等多种因素分类的期刊。

(2)数据科学奖扩展阅读：

北大核心是学术界对某类期刊的定义，一种期刊等级的划分。它的对象是，中文学术资讯网类期刊。是根据期刊影响因子等诸多因素所划分的期刊。

北大核心是北京大学图书馆联合众多学术界权威专家鉴定，国内几所大学的图书馆根据期刊的引文率、转载率、文摘率等指标确定的。

确认核心期刊的标准也是由某些大学图书馆制定的，而且各学校图书馆的评比、录入标准也不尽相同，受到了学术界的广泛认同。

从影响力来讲，其等级属同类划分中较权威的一种。是除南大核心、中国科学引文数据库（cscd）以外学术影响力最权威的一种。

《中文核心期刊目录总览》由中国知网、中国学术期刊网和北京大学图书馆期刊工作研究会联合发布中文核心期刊目录。

1992年推出《中文核心期刊目录总览》，1996年推出（第二版），2000年推出（第三版），2004年推出（第四版），2008年推出（第五版），2011年推出（第六版），第七版（2014年版）于2015年9 月由北京大学出版社出版。

『叁』 如何评价“数据科学与大数据技术”这一专业

大数据技术是未来科技的制高点，各行各业的高端智囊团都需要。
数据科学与大数据技术专业为国家新增专业，首批仅北京大学、中南大学和对外经济贸易大学三所学校申报成功。然后中科院大学开设了首个“大数据技术与应用”专业方向。另外，北京航空航天大学、浙江大学、复旦大学、上海交通大学、西安交通大学、南京大学、武汉大学、华南理工大学在内的首批8所高校，正式落户阿里云大学合作计划AUCP。一大批理工院校纷纷设立云计算大数据方向的专业，可谓与时俱进。
招聘网站报告称，数据科学家平均年薪为11.9万美元，而程序员平均年薪为6.5万美元，差距由此可见。你擅长数学，会用Python编程，而且还对某个行业了如指掌？如果你拥有这样的技能集，那你就有可能当上数据科学家。如果你当上了数据科学家，那你的日子就可以过得风风光光了——LinkedIn的最新投票结果显示，“统计分析和数据挖掘” 是2014年以来最大的求职法宝。
大数据专业就业主要行业：
(1)零售、保险、电子商务;
(2)政府数据中心;
(3)医药和银行;
(4)研究性大学;
(5)金融机构;
(6)互联网企业。

『肆』 数据科学与大数据技术专业怎么样

数据科学与大数据技术专业很不错，前景比较乐观，毕业生能在政府机构企业公司等从事大数据管理研究应用开发等方面的工作。同时可以考取软件工程计算机科学与技术应用统计学等专业的研究生或出国深造。

(4)数据科学奖扩展阅读

数据科学分为三大类，即：数据分析、数据挖掘和大数据。数据分析主要偏重业务，即利用一些数据分析和统计工具，如Excel、Spass、SAS、SQL等，进行数据分析和展现，以辅助公司的某项业务决策。

数据挖掘比数据分析更侧重于建模能力一些，一般是给定一些数据和某个问题，让你运用某些机器学习算法从中建立出模型，再通过这个模型去对某些东西进行预测。所以，机器学习算法可以说是数据挖掘中的核心。

与大数据关系比较密切的岗位包括大数据平台开发、大数据应用开发、大数据分析、大数据呈现和大数据教育等，不同的岗位需要具备不同的知识结构，所面对的工作场景也有较大的区别。大数据平台开发属于研发级岗位，需要从业者具有较强的研发能力。

『伍』 哪些情况会让数据科学家抓狂

哪些情况会让数据科学家抓狂
哪些情况会让数据科学家抓狂
如今，人们对数据科学的热情高涨。只要在产品介绍中加入"由人工智能驱动"，就能极大地促进产品的销量。
但是，问题也接踵而至。
数据科学在营销时常常会夸大其词。从而，客户也大大提高了期望值。但最终，数据科学需要尽力去实现客户的高期望。
在本文中，我们将讨论机器学习项目中八个让数据科学家抓狂的常见问题，以及为什么这些问题让数据科学家苦恼不已。
如果你也处于数据科学领域，或者考虑进入该领域，那么明确这些问题能帮助你更好做出判断并进行处理。

1. 我们想要一个AI 模型来解决问题
行业中80％的问题都可以通过简单的探索性数据分析解决。如果在解决某些问题时用机器学习都有些大材小用，那么根本不用再考虑用AI了。
是的，高级分析很高大上。企业都喜欢通过对这方面的投资在行业中处于领先地位。哪家公司不想宣传一下 AI 项目呢？但需要对客户进行基本的说明，采用适当的行业用例。
“到目前为止，人工智能的最大危险在于人们过早的认为他们已经充分理解它了。”
—— Eliezer Yudkowsky
2. 通过一些数据得出变革性的分析见解
通常客户认为，他们只需要提交数据就可以了。有些客户甚至不会提供相关问题的定义，具体可以看到第四点。他们要求数据分析师获取数据，并得出变革性的商业见解，从而能够在一夜之间改变企业的发展方向。
不幸的是，数据科学家无法单独得出可操作的商业建议。这需要与客户进行持续有效的交流，从而全面了解企业的情况。在整个项目期间，定期与业务人员进行规划是很重要的。
“如果你不知道如何提出正确的问题，那么你将一无所获。”
—— W. Edward Deming
3. 构建模型，并跳过不必要的分析来节省时间
许多数据分析师忽略了数据整理和探索性分析的重要性。
数据分析是机器学习和其他更高层次分析的必要步骤。如果不了解数据，不去发现异常值或潜在模式，那么模型将一无是处。因此必须为分析预留时间，并与客户分享有价值的发现。
“炼金术士在寻找黄金时会发现其他许多更有价值的东西。”
—— Arthur Schopenhauer
4. 根据上周的数据，你能预测未来6个月的数据吗？
这是数据科学家们最讨厌的情况。客户在电子表格中提供了几行数据，并希望 AI 能够预测未来。有时更夸张，在没有任何数据时，客户想知道机器学习是否能填补这些数据的空白。
数据质量和数量至关重要，“垃圾进，垃圾出”适用于数据分析。有用的统计技术有助于处理数据问题，并能在你提供的少量数据中得出更多的结论。例如，估算缺失点，生成数据或使用较小的简单模型。但这需要降低客户对结果的预期。

分析技术与数据量的关系，来源：吴恩达
5. 你能在两周内完成建模项目吗？
许多项目的规定时间十分紧迫。这种高强度的项目安排常常会给模型工程阶段带来影响。随着模型API和GPU计算的出现，客户想知道到底时什么减慢了缓数据科学家的速度。
尽管自动化机器学习取得了进步，但在建模过程中手动操作也是必不可少的。数据科学家必须在痛苦的迭代中检查统计结果，比较模型和检查解释。这些是不能自动化的，起码现在还不能。这方面最好通过案例跟客户说明。
6. 你能替换输出变量并刷新吗？
在数据科学家解决了商业行为的建模问题之后，新的请求即将出现，也就是最后的小变化。通常是替换输出变量，然后重新运行模型。客户意识不到这些变化不仅会改变目标，而且会改变整个模型。
虽然机器学习是高度迭代的，但关键挑战是为给定的输出变量选择正确的影响因素，并映射它们间的关系。客户必须了解这背后的基本工作原理，以及明确他们可以调控的范围。
7. 模型的准确度可以达到100％吗？
人们经常会对错误率产生误解，而且容易盲目追求测试等级。有些客户甚至希望准确度达到100％。当准确度超过其他因素成为唯一的关注点时，这就很令人担忧了。建立一个过于复杂却无法实现的高准确度模型有什么意义呢？
以高准确度赢得Netflix奖的模型从未正式上线，因为高度的复杂性会带来巨大的工程成本，反而准确度较低的模型则会被采用。因此在考虑准确度时，要权衡简单性、稳定性和业务可解释性。

模型工程：权衡各方面的因素
8. 训练好的模型能一直不出问题吗？
在艰辛地完成建模和测试之后，客户想知道机器是否已经掌握了所有内容。常见的问题是模型是否能一直不出问题，并且适应未来业务的变化？
不幸的是，机器不能终身学习。需要进行不断地训练，通常需要每隔几周或几个月进行复习和训练，就像寒窗苦读的学子一样。如今的分析行业在迅速发展，瞬息万变，因此模型也需要不断进行维护和更新。
结语
在机器学习项目中，以上八大误区会让数据科学家头疼不已，在机器学习建模生命周期的六个阶段也会出现类似问题，如下图所示。

机器学习项目生命周期
导致上述误区的原因在于缺乏对项目的了解，以及没有正确把握主次。了解背后这些原因的数据科学家需要对客户进行更好的说明，从而双方能够更好得解决难题，而不是一味的妥协。

『陆』 东北大学的数据科学项目怎样

东北大学的数据科学项目开设于波士顿校区的CCIS院下，是2016年新增项目。该项目主要培养学生建立处理、建模、分析和推理数据的综合框架。项目核心课程：算法和数据处理，机器学习和数据挖掘，以及信息可视化。所有的录取学生，无论学术背景如何，都要在开学前一周参加计算机科学和编程基础、概率论和线性代数基础的两项考试，不符合标准的学生需要额外修对应的基础课程。由此可见，该项目对于学生学术基础的要求极高。
· 项目时长：1年
· 项目要求学分：32学分，GPA需达到3.0+/4.0
· 项目特点：注重培养数据科学基础技术，提供丰厚奖学金

『柒』 请问中山大学数据科学与计算机学院的老师一般每月给研究生多少补助谢谢！

是，专硕学费2W每年，比较贵，奖学金比例也低。国家补贴，每月500。导师给专补助差异比较大，有些导师属是一分不给的，有些需要你帮忙做项目就会给的比较多，每个月500~1千吧。这个不一定，看导师性格，也看你自己有没有项目做。实在不行就读学硕，学硕便宜很多，或者选择华工读专硕。作为中大软工的毕业生，非常抱歉的告诉你中大软工的代码能力挺差的，因为把专硕当做学硕培养，基本天天发论文，而不是做工程，所以选导师的时候务必慎重。

『捌』 清华大学发布在线认证证书项目有何作用

清华大学2018年6月21日发布首批在线认证证书项目，包括公共管理认证证书项目和数据科学认证证书项目。

清华大学在线教育办公室主任于世洁介绍说，公共管理认证证书项目、数据科学证书项目均由六门核心专业课程及一门实践课程组成。与传统的单门慕课不同，认证证书项目更加注重课程的体系化建设。

认证证书项目的建设关注对学习者的支持服务，教师及助教团队将为项目设计专门的习题及测试内容。同时，学堂在线还将推出新的在线监考系统护航证书项目学习者在线考试。为了更好地提升学习体验，项目为学习者设置了多元化的奖励机制，参加项目的学习者还可选择由业界知名企业提供的实践课题并获得丰富的线下学习机会。

来源：中国新闻网

『玖』 95后博士连续两年获得全球数学金奖，这个奖含金量几何

7月2日，第二届阿里数学竞赛获奖名单出炉。95后博士张钺获得金奖。他今年在加州大学伯克利分校博士毕业。这是他第二次获得大赛的金奖。张钺认为自己有锦鲤体质，但这才是货真价实的考神锦鲤啊，靠的不是运气，而是实力！！！本科以666分进入北大。2014-2018年在北京大学数学科学学院学习并获学士学位，毕业后赴加州大学伯克利分校攻读博士学位，仅用两年就顺利毕业获得博士学位；中学毕业于广东省华南师大附中；2017年获“北京大学学生年度人物”，曾获全国大学生数学竞赛第一名、全俄罗斯数学奥林匹克金牌、美国大学生数学建模H奖等。真学霸都这么谦虚嘛？