數據科學研究論文有哪些好主題？

非常感謝這個問題：＃數據科學研究論文的一些好主題是什么？

成為專業數據科學家的25個提示！

嗨朋友們，我自2014年以來一直在一家獵頭公司工作，主修數據科學，人工智能，深度學習......讓我分享一些驚人的提示，成為一名專業人士，ata scientiist如下。我希望你喜歡它。（參考kdnuggets）。

1.利用外部數據源：有關貴公司或競爭對手的推文，或來自供應商的數據（例如，可通過供應商儀表板提供的可定制新聞簡報eBlast統計數據，或通過提交票證）

核物理學家，機械工程師和生物信息學專家可以成為偉大的數據科學家。

3.正確陳述您的問題，并使用合理的指標來衡量數據科學計劃提供的產量（超過基線）。

4.在任何項目中，從頭開始使用正確的KPI（關鍵指標）和正確的數據。由于基礎不良而導致的變化非常昂貴。這需要仔細分析您的daata以創建有用的數據庫。

5.參考此資源：74個秘密成為專業數據科學家

6.對于大數據，強信號（極值）通常是噪聲。這是一個解決方案。

7.大數據的價值低于有用數據。

8.使用來自第三方供應商的大數據來獲取競爭情報。

9.您可以非常快速地構建廉價，優秀，可擴展，強大的工具，而無需使用傳統的統計科學。考慮一下無模型技術。

10.大數據，比您想象的更容易，成本更低。獲得合適的工具！這是如何開始。

11.相關性不是因果關系。本文可能會幫助您解決此問題。另請閱讀此博客和本書。

12.您不必永久存儲所有數據。對于舊數據，使用智能壓縮技術，并僅保留統計摘要。

13.當da，ta發生變化時，不要忘記調整指標，以保持趨勢一致性。

14.在沒有數據庫的情況下可以做很多事情，特別是對于大數據。

15.在任何da，ta科學項目的早期，始終包括EDA和DOE（探索性分析/實驗設計）。始終創建一個da，ta字典。并遵循任何da，ta科學項目的傳統生命周期。

16. Da，ta可用于多種用途：

- 質量保證

- 尋找可操作的模式（股票交易，欺詐檢測）

- 轉售給您的企業客戶

- 優化決策和流程（運營研究）

- 用于調查和發現（IRS，訴訟，欺詐檢測，根本原因分析）

- 機器對機器通信（自動投標系統，自動駕駛）

- 預測（銷售預測，增長和財務預測，天氣）

17.不要轉儲Excel。擁抱輕型??分析。Da，ta +模特+直覺+直覺是完美的組合。在決策過程中不要刪除任何這些成分。

18.利用復合指標的力量：從da，tabase字段派生的KPI，其預測能力遠遠優于原始d，atabase指標。例如，您的da，tabase可能包含單個關鍵字字段，但不區分用戶查詢和搜索類別（有時因為d，ata來自各種來源并混合在一起）。檢測問題，并創建一個名為關鍵字類型的新指標 - 或d，ata source。另一個例子是IP地址類別，這是一個應該創建并添加到所有數字分析項目的基本指標。

19.什么時候需要真正的實時處理？欺詐檢測至關重要，或處理敏感交易d，ata（信用卡欺詐檢測，911呼叫）時。除此之外，延遲分析（延遲幾秒到24小時）就足夠了。

20.確保您的敏感d，ata得到很好的保護。確保您的算法不會被犯罪黑客或商業黑客篡改（監視您的業務并竊取他們可能的所有法律或非法行為，并危及您的算法 - 這會導致嚴重的收入損失）。商業黑客的一個例子可以在本文的第3節中找到。

21.將多個模型混合在一起以檢測多種類型的模式。平均這些模型。這是模型混合的一個簡單示例。

22.在購買軟件之前提出正確的問題。

23.在兩種情況之間進行選擇之前，運行蒙特卡洛模擬。

24.對于相同的d，ata使用多個源：您的內部源，以及來自一個或兩個供應商的d，ata。了解這些不同來源之間的差異，以便更好地了解實際數字應該是什么。當某個供應商更改度量標準定義或在內部更改或數據已更改（某些字段不再被跟蹤）時，有時會出現較大的差異。一個典型的例子是網絡流量數據：使用內部日志文件，Google Analytics和其他供應商（比如埃森哲）來跟蹤這些數據。

25.快速交付優于極端準確性。無論如何，所有數據集都是臟的。找到完美和快速回報之間的完美妥協。

寶寶起名 起名