一、数据科学的学科定位
从学科定位来看，数据科学处于数学与统计学知识、黑客精神与技能和领域实务知识三大领域的重叠之处。
（1）“数学与统计知识”是数据科学的主要理论基础之一。
（2）“黑客精神与技能”是数据科学家的主要精神追求和技能要求——大胆创新、喜欢挑战、追求完美和不断改进。
（3）“领域实务知识”是对数据科学家的特殊要求——不仅需要掌握数学与统计学知识以及具备黑客精神与技能，而且还需要精通某一个特定领域的实务知识与经验。
二、统计学
1、统计学与数据科学
统计学是数据科学的主要理论基础之一。
2、数据科学中常用的统计学知识
从行为目的与思维方式看，数据统计方法可以分为两大类——描述统计和推断统计。
从方法论角度看，基于统计的数据分析方法又可分为两个不同的层次——基本分析方法和元分析方法。
三、机器学习
1、机器学习与数据科学
机器学习为数据科学中充分发挥计算机的自动数据处理能力，拓展人的数据处理能力以及实现人机协同数据处理提供了重要手段。
2、数据科学中常用的机器学习知识
机器学习领域对机器学习的划分视角有两个：理论视角和应用视角。
1) 基于实例学习
K近邻方法、局部加权回归法、基于案例的推理。
2）概念学习
从有关某个布尔函数的输入输出训练样本中推算出该布尔函数。
3）决策树学习
一种逼近离散值目标函数的过程，决策树代表的是一种分类过程。
4）人工神经网络学习
借鉴了生物学的一小部分简单理论，其目的是从训练样本中学习到目标函数。
以感知器为例，可以将对应的每个人工神经元表示为下图所示：
5）贝叶斯学习
贝叶斯学习是一种以贝叶斯法则为基础的，并通过概率手段进行学习的方法。
6）遗传算法
遗传算法主要研究的问题是“从候选假设空间中搜索出最佳假设”。此处“最佳假设”指“适应度”指标为最优的假设。
7）分析学习
分析学习是相对于归纳学习的一种提法，其特点是使用先验知识来分析或解释每个训练样本，以推理出样本的哪些特征与目标函数相关或不相关。
8）增强学习
增强学习主要研究的是如何协助自治Agent的学习活动，进而达到选择最优动作的目的。
四、数据可视化
1、视觉是人类获得信息的最主要途径。
2、相对于统计分析，数据可视化的主要优势体现在两个方面：
1)数据可视化处理可以洞察统计分析无法发现的结构和细节。
2)数据可视化处理结果的解读对用户知识水平的要求较低。
3、可视化能够帮助人们提高理解与处理数据的效率。
