更改

这种冲击至少表现在两个方面。一是关于数据的模型将会跳出传统的统计模型的框架。更一般的数学概念，如拓扑、几何和随机场的概念将会在数据分析中扮演重要的角色。二是算法和分布式计算将成为研究的中心课题之一。

这种冲击至少表现在两个方面。一是关于数据的模型将会跳出传统的统计模型的框架。更一般的数学概念，如拓扑、几何和随机场的概念将会在数据分析中扮演重要的角色。二是算法和分布式计算将成为研究的中心课题之一。

== Technologies and techniques 所涉及的技术和应用软件==

== Technologies and techniques 所涉及的科技和技术==

   --[[用户:趣木木|趣木木]]（[[用户讨论:趣木木|讨论]]）所涉及的两个词 我查的时候都是技术的意思 在查看内容后也不知道怎么区别这两个词  cnki的查询结果：Technique：技术(59685)方法(19269)工艺(4963)；Technologies：技术(39330) 工艺(3185) 的技术(2197)；

   --[[用户:趣木木|趣木木]]（[[用户讨论:趣木木|讨论]]）所涉及的两个词 我查的时候都是技术的意思 在查看内容后也不知道怎么区别这两个词  cnki的查询结果：Technique：技术(59685)方法(19269)工艺(4963)；Technologies：技术(39330) 工艺(3185) 的技术(2197)；

There are a variety of different technologies and techniques that are used for data science which depending on the application.

There are a variety of different technologies and techniques that are used for data science which depending on the application.

 

 

=== Techniques技术 ===

=== Techniques技术 ===

* [[Cluster analysis|Clustering]] is a technique used to group data together.

* [[Cluster analysis|Clustering]] is a technique used to group data together.

*[[聚类分析|聚类]]是一种用于将数据分组在一起的技术。

*[[聚类分析|聚类]]是一种将数据分组整合的技术。

 

聚类，将相似的事物聚集在一起，将不相似的事物划分到不同的类别的过程。是将复杂数据简化为少数类别的一种手段。聚类分析的目标就是在相似的基础上收集数据来分类。聚类源于很多领域，包括数学，计算机科学，统计学，生物学和经济学。在不同的应用领域，很多聚类技术都得到了发展，这些技术方法被用作描述数据，衡量不同数据源间的相似性，以及把数据源分类到不同的簇中。

聚类，将相似的事物聚集在一起，将不相似的事物划分到不同的类别的过程。是将复杂数据简化为少数类别的一种手段。聚类分析的目标就是在相似的基础上收集数据来分类。聚类源于很多领域，包括数学，计算机科学，统计学，生物学和经济学。在不同的应用领域，很多聚类技术都得到了发展，这些技术方法被用作描述数据，衡量不同数据源间的相似性，以及把数据源分类到不同的簇中。

#用某种方法度量样本之间或者类别 之间的相似性（或称距离），依据距离来进行分类。   

#用某种方法度量样本之间或者类别 之间的相似性（或称距离），依据距离来进行分类。   

#根据分类来研究各类样本的共性，找出规律。

#根据分类来研究各类样本的共性，找出规律。

* [[Dimensionality reduction]] is used to reduce the complexity of data computation so that it can be performed more quickly.

* [[Dimensionality reduction]] is used to reduce the complexity of data computation so that it can be performed more quickly.

*[[降维]]用于降低数据计算的复杂性，使其能够更快地执行。

*[[降维]]用于降低数据计算的复杂度，从而提高计算速度。

 

 

数据降维可以降低模型的计算量并减少模型运行时间、降低噪音变量信息对于模型结果的影响、便于通过可视化方式展示归约后的维度信息并减少数据存储空间。因此，大多数情况下，当我们面临高维数据时，都需要对数据做降维处理。

数据降维可以降低模型的计算量并减少模型运行时间、降低噪音变量信息对于模型结果的影响、便于通过可视化方式展示归约后的维度信息并减少数据存储空间。因此，大多数情况下，当我们面临高维数据时，都需要对数据做降维处理。

#维度转换

#维度转换

维度转换是按照一定数学变换方法，把给定的一组相关变量（维度）通过数学模型将高纬度空间的数据点映射到低纬度空间中，然后利用映射后变量的特征来表示原有变量的总体特征。这种方式是一种产生新维度的过程，转换后的维度并非原来特征，而是之前特征的转化后的表达式，新的特征丢失了原有数据的业务含义。 通过数据维度变换的降维方法是非常重要的降维方法，这种降维方法分为线性降维和非线性降维两种，其中常用的代表算法包括独立成分分析（ICA），主成分分析（PCA），因子分析（Factor Analysis，FA），线性判别分析（LDA），局部线性嵌入（LLE），核主成分分析（Kernel PCA）等。

维度转换是按照一定数学变换方法，把给定的一组相关变量（维度）通过数学模型将高纬度空间的数据点映射到低纬度空间中，然后利用映射后变量的特征来表示原有变量的总体特征。这种方式是一种产生新维度的过程，转换后的维度并非原来特征，而是之前特征的转化后的表达式，新的特征丢失了原有数据的业务含义。 通过数据维度变换的降维方法是非常重要的降维方法，这种降维方法分为线性降维和非线性降维两种，其中常用的代表算法包括独立成分分析（ICA），主成分分析（PCA），因子分析（Factor Analysis，FA），线性判别分析（LDA），局部线性嵌入（LLE），核主成分分析（Kernel PCA）等。

* [[Machine learning]] is a technique used to perform tasks by inferencing patterns from data.

* [[Machine learning]] is a technique used to perform tasks by inferencing patterns from data.

*[[机器学习]]是一种通过从数据中推断模式来执行任务的技术。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径。机器学习也是用数据或以往的经验,以此优化计算机程序的性能标准。

*[[机器学习]]是一种通过从数据中推断模式来执行任务的技术。

 

 

专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径。机器学习也是用数据或以往的经验,以此优化计算机程序的性能标准。

   --[[用户:趣木木|趣木木]]（[[用户讨论:趣木木|讨论]]）先将其意思译出来后再进行一些补充

   --[[用户:趣木木|趣木木]]（[[用户讨论:趣木木|讨论]]）先将其意思译出来后再进行一些补充

=== Technologies ===

=== Technologies ===

* [[Python (programming language)|Python]] is a programming language with simple syntax that is commonly used for data science.<ref>{{Cite web|url=https://sites.engineering.ucsb.edu/~shell/che210d/python.pdf|title=An introduction to Python for scientific computing|last=Shell|first=M Scott|date=September 24, 2019|website=|url-status=live|archive-url=|archive-date=|access-date=April 2, 2020}}</ref> There are a number of python libraries that are used in data science including numpy, pandas, and scipy.

* [[Python (programming language)|Python]] is a programming language with simple syntax that is commonly used for data science.<ref>{{Cite web|url=https://sites.engineering.ucsb.edu/~shell/che210d/python.pdf|title=An introduction to Python for scientific computing|last=Shell|first=M Scott|date=September 24, 2019|website=|url-status=live|archive-url=|archive-date=|access-date=April 2, 2020}}</ref> There are a number of python libraries that are used in data science including numpy, pandas, and scipy.