数据科学研究论文有哪些好主题？

非常感谢这个问题：＃数据科学研究论文的一些好主题是什么？

成为专业数据科学家的25个提示！

嗨朋友们，我自2014年以来一直在一家猎头公司工作，主修数据科学，人工智能，深度学习......让我分享一些惊人的提示，成为一名专业人士，ata scientiist如下。我希望你喜欢它。（参考kdnuggets）。

1.利用外部数据源：有关贵公司或竞争对手的推文，或来自供应商的数据（例如，可通过供应商仪表板提供的可定制新闻简报eBlast统计数据，或通过提交票证）

核物理学家，机械工程师和生物信息学专家可以成为伟大的数据科学家。

3.正确陈述您的问题，并使用合理的指标来衡量数据科学计划提供的产量（超过基线）。

4.在任何项目中，从头开始使用正确的KPI（关键指标）和正确的数据。由于基础不良而导致的变化非常昂贵。这需要仔细分析您的daata以创建有用的数据库。

5.参考此资源：74个秘密成为专业数据科学家

6.对于大数据，强信号（极值）通常是噪声。这是一个解决方案。

7.大数据的价值低于有用数据。

8.使用来自第三方供应商的大数据来获取竞争情报。

9.您可以非常快速地构建廉价，优秀，可扩展，强大的工具，而无需使用传统的统计科学。考虑一下无模型技术。

10.大数据，比您想象的更容易，成本更低。获得合适的工具！这是如何开始。

11.相关性不是因果关系。本文可能会帮助您解决此问题。另请阅读此博客和本书。

12.您不必永久存储所有数据。对于旧数据，使用智能压缩技术，并仅保留统计摘要。

13.当da，ta发生变化时，不要忘记调整指标，以保持趋势一致性。

14.在没有数据库的情况下可以做很多事情，特别是对于大数据。

15.在任何da，ta科学项目的早期，始终包括EDA和DOE（探索性分析/实验设计）。始终创建一个da，ta字典。并遵循任何da，ta科学项目的传统生命周期。

16. Da，ta可用于多种用途：

- 质量保证

- 寻找可操作的模式（股票交易，欺诈检测）

- 转售给您的企业客户

- 优化决策和流程（运营研究）

- 用于调查和发现（IRS，诉讼，欺诈检测，根本原因分析）

- 机器对机器通信（自动投标系统，自动驾驶）

- 预测（销售预测，增长和财务预测，天气）

17.不要转储Excel。拥抱轻型​​分析。Da，ta +模特+直觉+直觉是完美的组合。在决策过程中不要删除任何这些成分。

18.利用复合指标的力量：从da，tabase字段派生的KPI，其预测能力远远优于原始d，atabase指标。例如，您的da，tabase可能包含单个关键字字段，但不区分用户查询和搜索类别（有时因为d，ata来自各种来源并混合在一起）。检测问题，并创建一个名为关键字类型的新指标 - 或d，ata source。另一个例子是IP地址类别，这是一个应该创建并添加到所有数字分析项目的基本指标。

19.什么时候需要真正的实时处理？欺诈检测至关重要，或处理敏感交易d，ata（信用卡欺诈检测，911呼叫）时。除此之外，延迟分析（延迟几秒到24小时）就足够了。

20.确保您的敏感d，ata得到很好的保护。确保您的算法不会被犯罪黑客或商业黑客篡改（监视您的业务并窃取他们可能的所有法律或非法行为，并危及您的算法 - 这会导致严重的收入损失）。商业黑客的一个例子可以在本文的第3节中找到。

21.将多个模型混合在一起以检测多种类型的模式。平均这些模型。这是模型混合的一个简单示例。

22.在购买软件之前提出正确的问题。

23.在两种情况之间进行选择之前，运行蒙特卡洛模拟。

24.对于相同的d，ata使用多个源：您的内部源，以及来自一个或两个供应商的d，ata。了解这些不同来源之间的差异，以便更好地了解实际数字应该是什么。当某个供应商更改度量标准定义或在内部更改或数据已更改（某些字段不再被跟踪）时，有时会出现较大的差异。一个典型的例子是网络流量数据：使用内部日志文件，Google Analytics和其他供应商（比如埃森哲）来跟踪这些数据。

25.快速交付优于极端准确性。无论如何，所有数据集都是脏的。找到完美和快速回报之间的完美妥协。

宝宝起名 起名