- 综合排序
- 最热优先
- 最新优先
语音AI工程与科学的融合创新
语音AI工程与科学的融合创新某中心高级首席工程师Luu Tran数十年来一直致力于语音计算技术的研究与发展。作为语音计算的早期采用者，他亲历了从无声卡电脑到现代语音助手的演进过程。 如今，他正通过促进工程师与科学家的深度合作，推动语音助手技术的创新突破。工程与科学的协同效应Tran认为科学家与工程师的协作对持续创新至关重要：“将工程与科学结合是强大的组合。 双线并行开发项目分为两个并行部分：科学家团队负责机器学习模型：研究贝叶斯模型、图模型、跨域模型、神经网络和协同过滤等六种模型方案工程师团队设计推理引擎：捕获和分析用户显性/隐性信号，优化吞吐量并确保隐私合规模型测试与部署集成测试显示六个模型均优于基线推荐 团队最终选择该模型投入生产，并持续通过用户行为数据优化推荐效果。科学驱动的技术社区为加速创新，某中心成立了由数百名工程师和科学家组成的矩阵式技术社区。 该社区定期举办技术分享会，促进跨部门知识交流与合作。Tran表示：“与科学家紧密合作帮助我理解最先进AI的能力边界，既能在系统设计中充分利用现有技术，也能避免在不可行方案上过度投入。”
14310编辑于 2025-08-26- 来自专栏数据科学与人工智能
【数据科学】数据科学与工程：大数据时代的新兴交叉学科
基于对这些特点的认识，从社会创新发展、人才需求变化、技术发展趋势等方面论述了数据科学与工程这一新兴交叉学科的发展必然性，进一步阐述了数据科学与工程学科的特点、学科内涵与知识体系，最后从科学研究、系统开发和人才培养的角度探讨了数据科学与工程学科的建设思路 与以前的“信息化带动工业化”以及稍后的“两化融合”等信息化战略相比，新型的信息化是在移动互联网的环境下提出来的，有着深刻的云计算和大数据背景，对数据科学与工程学科的发展有重要的指导意义。 3.2 多学科交叉融合 随着大数据成为当前的热点，信息技术发展的重点从计算转向数据，数据的有效应用变得至关重要。数据科学就是在这一背景下产生和发展起来的。 数据科学与工程学科的目的在于系统深入地探索大数据应用中遇到的各类科学问题、技术问题和工程实现问题，包括数据全生命周期管理、数据管理和分析技术和算法、数据系统基础设施建设以及大数据应用实施和推广。 因此，多学科交叉融合也是数据科学与工程学科的另一个特点。 3.3 学科的基础内涵 与传统计算机和软件工程等学科相比，数据科学与工程学科具备独特的学科基础和内涵。
2.7K60发布于 2018-02-26 - 来自专栏数据科学与人工智能
【数据科学】数据科学家与数据科学
，数据库和软件工程师，领域专家，策展人和标注专家，图书管理员，档案员等数字数据管理收集者都以可成为数据科学家。 如果从广义的角度讲，从事数据处理、加工、分析等工作的数据科学家、数据架构师和数据工程师都可以笼统地称为数据科学家；而从狭义的角度讲，那些具有数据分析能力，精通各类算法，直接处理数据的人员才可以称为数据科学家 Patil（美国科学促进会科学与技术政策研究员，为美国国防部服务）的话来总结数据科学家需要具备的能力： 数据科学家倾向于用探索数据的方式来看待周围的世界。 、统计学家、工程师和研究科学家都不能确切地定义我们团队的角色。 此外，该研究生院的课程计划以“传授和指导将业务引向成功的技能，培养能够领导项目团队的优秀分析师”为目标，授课内容在数学、统计学的基础上，融合了尖端计算机工程学和数据分析。
1.4K90发布于 2018-02-26 工程与科学融合：Alexa的技术创新之路
现在，他通过促进公司工程师与学术科学家之间的合作来帮助某机构，这些科学家可以推动机器学习和人工智能的进步——包括全职学者以及参与某机构学者和访问学者项目的人员。Tran对计算范式的转变并不陌生。 Tran将三十年的经验运用到他在某机构的角色中，通过促进工程和科学团队之间的合作，进一步探索语音计算的潜力。每天，Tran都鼓励工程师和科学家作为一个团队并肩工作，将最新的科学研究与前沿工程相结合。 构建Alexa的科学工程Tran认为，与科学家的合作对于Alexa和人工智能的持续创新至关重要。“我来自工程师的视角，学过一些理论，但几十年来一直致力于将技术理念转化为现实，并在现实世界的约束下工作。 例如，Tran指出，“特征”这个词对产品经理和工程师的意义与对科学家的意义截然不同。 让科学家从项目一开始就参与进来至关重要。“我们总是让产品经理与工程师和科学家一起组成团队。有些团队科学家和工程师各占一半。有些团队90%是科学家。这完全取决于我们要解决的问题。”
10710编辑于 2026-03-24TBDS-DA数智平台：DA一体化架构驱动数据工程与数据科学融合
直面数据工程与科学割裂的效率瓶颈 行业面临数据工程与数据科学流程割裂的核心痛点，理想中“一份数据支撑分析与AI应用”与现实存在显著差距：开发、治理、运维多系统独立运作导致协作低效；提数需求响应周期长达半周 构建DA一体化平台整合开发治理运维 腾讯云推出TBDS-DA数智平台，以“DA一体化”架构为核心，提供四层解决方案： 一站式开发治理平台WeData：融合DataOps+MLOps+一体化CI/CD 数据与开发效率：实现“一份数据For数据分析和AI应用”，消除数据冗余；WeData统一工作空间与任务编排提升开发一致性，运维成本（Ops Cost）因流程自动化降低。 腾讯技术架构支撑DA智能升级 TBDS-DA数智平台的技术领先性体现在： 双架构设计：经典湖仓一体（批处理/流计算/交互式分析）与Data+AI一体架构（批处理|流计算|交互式|数据科学|LLM多负载 生态扩展性：从单一平台向数智开放生态演进，支持流程自动化升级为DataAgent自主智能，推动多模态数据与现实融合。 （数据来源：腾讯全球数字生态大会TBDS-DA数智平台发布材料）
11610编辑于 2026-04-21- 来自专栏数据科学与人工智能
【数据科学】什么是数据科学家与数据科学
，数据库和软件工程师，领域专家，策展人和标注专家，图书管理员，档案员等数字数据管理收集者都以可成为数据科学家。 数据科学家是具有极强分析能力和对统计和数学有很深研究的数据工程师。他们能从商业信息等其他复杂且海量的数据库中洞察新趋势。 Monica Rogati, LinkedIn资深数据科学家。 如果从广义的角度讲，从事数据处理、加工、分析等工作的数据科学家、数据架构师和数据工程师都可以笼统地称为数据科学家；而从狭义的角度讲，那些具有数据分析能力，精通各类算法，直接处理数据的人员才可以称为数据科学家 Patil（美国科学促进会科学与技术政策研究员，为美国国防部服务）的话来总结数据科学家需要具备的能力： 数据科学家倾向于用探索数据的方式来看待周围的世界。 此外，该研究生院的课程计划以“传授和指导将业务引向成功的技能，培养能够领导项目团队的优秀分析师”为目标，授课内容在数学、统计学的基础上，融合了尖端计算机工程学和数据分析。
1.8K60发布于 2018-02-27 - 来自专栏数据科学与人工智能
数据科学家数据工程师
As the field of data science continues to grow and mature, it is nice to begin seeing some distinction in the roles of a data scientist. A new job title gaining popularity is the data engineer. In this post, I lay out some of the distinctions between the 2
87750发布于 2018-02-28 - 来自专栏PPV课数据科学社区
【推荐】数据科学家与数据科学。
，数据库和软件工程师，领域专家，策展人和标注专家，图书管理员，档案员等数字数据管理收集者都以可成为数据科学家。 如果从广义的角度讲，从事数据处理、加工、分析等工作的数据科学家、数据架构师和数据工程师都可以笼统地称为数据科学家；而从狭义的角度讲，那些具有数据分析能力，精通各类算法，直接处理数据的人员才可以称为数据科学家 Patil（美国科学促进会科学与技术政策研究员，为美国国防部服务）的话来总结数据科学家需要具备的能力： · 数据科学家倾向于用探索数据的方式来看待周围的世界。 、统计学家、工程师和研究科学家都不能确切地定义我们团队的角色。 此外，该研究生院的课程计划以“传授和指导将业务引向成功的技能，培养能够领导项目团队的优秀分析师”为目标，授课内容在数学、统计学的基础上，融合了尖端计算机工程学和数据分析。
91160发布于 2018-04-20 - 来自专栏程序人生 阅读快乐
Python机器学习（数据科学与工程技术丛书）
Sebastian Raschka是密歇根州立大学的博士生，他在计算生物学领域提出了几种新的计算方法，还被科技博客Analytics Vidhya评为GitHub上具影响力的数据科学家。 他有一整年都使用Python进行编程的经验，同时还多次参加数据科学应用与机器学习领域的研讨会。 正是因为Sebastian 在数据科学、机器学习以及Python等领域拥有丰富的演讲和写作经验，他才有动力完成此书的撰写，目的是帮助那些不具备机器学习背景的人设计出由数据驱动的解决方案。
47110发布于 2018-10-10 - 来自专栏数据科学与人工智能
【数据科学】数据科学的整合与细分
自从大数据这个词出来以后，数据已经成为一个非常明确的科学领域。在这当中很少有人详细地探讨数据科学的结构和它面临的问题，包括我们行业面临的问题。 数据科学有三个非常重要的层次：数据的获取、数据的描述和数据的分析，这三件事是不同的，不要把它混淆了。 1.数据的获取 ? 以前数据的稀缺导致行业内出现非常大的非良性循环。 ? ? 而在这个时候，机器化数据出来的东西做点频率表，做点交互表很简单。如果数据描述能够替代数据分析，这个世界一定会毁掉，因为数据想骗人太容易了。 ? 数据不再稀缺，你在机器化数据面前，你填数的过程当中，数据的真假还在存疑，这时候你不败谁败，必然败。 而且别忘了机器化数据的成本趋近于零，所以大中型研究公司的解体、兼并、重组在不远的将来一定会频现，这是没有办法的趋势。 ? 现在数据科学有七大危险趋势： ? ? ? ? ? ? ?
1.1K80发布于 2018-02-27 - 来自专栏数据科学与人工智能
【数据科学】揭秘硅谷数据工程师求职
导言 大数据工程师是如今最火的职业，没有之一。也可能是未来十年最火的职位。那么对于如此新型的职业和技术，留学生朋友们应该如何求职？硅谷大数据达人，董老师为你揭秘。 在杜克读书时候，刚好我的导师就是在大数据方面做一些实践，我也很欣喜可以把研究和最新的工业实践Hadoop平台结合，当时做出了很好的结果发表在VLDB，SOCC国际数据库和云计算大会上。 这与我当时的大数据研究项目有很大的相关性。在技术的广度和深度有了一定的积累以后，我把更多关注放在了互联网产品上，我个人对消费者互联网一直都非常感兴趣。 很快就晋升为了资深工程师。 因为自身对创业公司氛围的喜爱，决定去寻找其他的机会。决定离开LinkedIn觉得当时的工作被限制在广告领域，而个人对广告方面兴趣并不大。 简历可以用Word，Latex，Pages或者InDesign制作，但是最后务必导出成PDF，确保在不同的平台上，对方看到的格式与你一致。 简历是一个提供信息，展示自己的平台。
1K90发布于 2018-02-27 - 来自专栏数据科学与人工智能
【数据科学】如何区分大数据下的三大利器：数据科学家，数据工程师与数据分析师。
与其他一些相关工程职位一样，数据科学家的影响力与互联网同进同退。数据工程师和数据分析师与数据科学家携手共同完成这幅“大数据时代”巨作。 数据科学家是什么样一个存在呢？ 通常情况下，数据科学家有数学或物理方面的高等学位。有博士学位的情况并不少见，硕士学位仅是一个前提条件。数据科学家精通统计建模以及如何构建与定制高级数学算法。 我听到过有人这样形容一个数据科学家“软件工程技能牛过多数人的酷炫统计学家”。但是，当你问这些数据科学家怎么会从事这个职业时，途径是多种多样的。 这是一个相对较新的职位，因而我们也无法根据时间历史来追踪一个数据科学家专业技能是如何进步的。数据科学家和数据工程师的定义有点相互重叠。 他们的核心价值在于他们借由清晰数据创建数据管道的能力。充分了解文件系统，分布式计算与数据库是成为一位优秀数据工程师的必要技能。 数据工程师对演算法有相当好的理解。
1.1K90发布于 2018-02-26 企业如何融合AI与大数据科学打造市场地位证明模型
传统证明方式依赖滞后的行业报告与抽样数据，而大数据与 AI 推理的深度融合，正通过实时洞察、精准预判与闭环优化，让市场地位证明更具说服力与前瞻性。 二者融合的应用价值在多行业得到验证。 中为智研借助华为云数智融合方案，打通全业务流程数据，实现成材率提升2%、劳动效率提高3倍的显著成效，用运营数据强化了市场领先地位；电商行业通过无埋点数据分析与AI转化预测，平均提升转化率15%-30%， 在数据驱动的商业时代，大数据与AI推理的融合已成为市场地位证明的核心支撑。它不仅让证明过程更高效、结果更精准，更能帮助企业在技术迭代与市场竞争中持续领跑，为行业树立可复制的发展范式。 它们让市场分析更精准、用户洞察更深刻、决策制定更科学，帮助企业在复杂的市场环境中牢牢把握主动权，成为企业巩固并提升市场地位的核心驱动力。
17100编辑于 2025-12-08- 来自专栏人工智能LeadAI
python与数据科学应用
数据科学简介与应用 数据科学主要以统计学、机器学习、数据可视化以及（某一）领域知识为理论基础，其主要研究内容包括数据科学基础理论、数据预处理、数据计算和数据管理(来自百度百科)。 01资料科学所要具备的能力 1、资料科学所要具备的能力 统计(Statistic)单变量分析、多变量分析、变异数分析数据处理(Data Munging)抓取数据、清理数据、转换数据数据可视化(Data Visualization)图表、商业智能系统 2、数据科学主要分为以下几个步骤 按职能来拆分可分为数据科学家和数据工程师，其中数据科学家主要负责前三步、而数据工程师则负责后两步。 02Python与数据科学1、python语言 Python是什么，请直接阅读链接（http://www.jianshu.com/p/9af39a293cdf） 第一部分。 如果需要做统计科学计算，python中具备Numpy、Scipy、statsmodels.如果需要进行深度学习，又可以使用TensorFlow、MXNET，它们都有python的接口做结构化数据处理与分析
1.2K50发布于 2018-03-08 - 来自专栏重庆的技术分享区
大数据与机器学习融合
更多的线性代数和可扩展计算 我最近与柏林工业大学的学生进行了两次非常有趣的讨论，我了解了机器学习社区和大数据社区之间的鸿沟有多大。 大数据与大计算 另一个有趣的讨论是与博士进行的。他使用机器学习来预测固态物理的性质。他显然不太了解Hadoop，当我向他解释它时，他也发现它一点都不吸引人，尽管他在组集群上花了相当长的时间进行计算。 我认为这个系统仍然有效的主要原因是在这里运行的工作大多是计算密集型的，没有太多的数据密集型。大多数情况下，系统用于运行大批量的模型比较，在基本上相同的数据集上测试许多不同的变体。 将其与典型的“大数据”设置进行对比，您可以在其中获得数TB的数据并运行相对简单的分析方法或在其上搜索。 这里的好消息是，今天最需要的可扩展计算并不复杂。 从大数据到复杂方法？ 就我看到的方式而言，迄今为止，大数据主要是由于需要以可扩展的方式处理大量数据，而这些方法通常非常简单（至少在机器学习研究中是这么简单）。
1.3K40发布于 2018-06-10 - 来自专栏数据科学与人工智能
机器学习与数据科学
，以及数据科学家。。 数据科学家用R编写代码 对于统计与数据挖掘的来说，R是一个很受欢迎的开源项目。好消息是R能够很容易的集成到ML Studio中。我有很多朋友在使用机器学习的功能语言，如F#。 d) 数据科学家应具备的素质 i. 高级计算与数据管理能力 学术背景 如果你想进入学校，通过学习成为一个数据科学家，可选择的课程如下： 1. 应用数学 2. 计算机科学 3. 经济学 4. 统计学 5. 工程学 从数据科学中受益的行业包括： 1. 金融服务业 2. 电信业 3. 信息技术 4. 制造业 5. 公共事业 6. 公共卫生 7. 市场
1K100发布于 2018-02-26 - 来自专栏PPV课数据科学社区
详谈数据科学与大数据技术专业
以中国人民大学为例： 基础课程(38学分)：数学分析、高等代数、普通物理数学与信息科学概论、数据结构、数据科学导论、程序设计导论、程序设计实践。 选修课：数据科学算法导论、数据科学专题、数据科学实践、互联网实用开发技术、抽样技术、统计学习、回归分析、随机过程。 数据科学与大数据技术专业人才需求情况怎样? 数据科学与大数据技术专业可以从事的工作有哪些? ; 复旦大学计算机科学技术学院开设数据交通专业，2015年开始招生; 北航交通科学与工程学院开设计量经济学大数据分析方向，2014年开始招生; 上海财经大学经济学院开设计量经济学大数据分析方向，2014 PPV课 《数据科学与大数据技术训练营》参考教育部“数据科学与大数据技术”专业课程设置内容，由一批企业专家和中青年博士、博士后授课，上课方式为在线学习(MOOC)+线下学习(集训)，学生毕业可以推荐就业
2.7K90发布于 2018-04-24 - 来自专栏《C++与 AI：个人经验分享合集》
大数据与数据科学的学科边界
大数据和数据科学是两个紧密相关但又不完全相同的学科。它们都关注数据的收集、管理、分析和解释，但侧重点有所不同。 大数据主要关注处理和分析大规模数据集的技术和方法。 它涉及到数据存储、数据处理、数据挖掘、数据可视化和分布式计算等方面的技术。大数据的目标是从海量数据中提取有价值的信息和洞察，并支持决策和预测。 数据科学更侧重于数据的整体生命周期，包括数据收集、数据清洗、数据分析、模型构建和结果解释等过程。 数据科学家需要具备统计学、机器学习、数据可视化和领域知识等多个学科的知识，以便从现有数据中提取有用的信息和洞察。 数据科学和大数据在很多方面存在重叠和交叉。 数据科学家通常会使用大数据技术和工具来处理和分析数据，而大数据分析也需要数据科学的方法和技术来解释和应用分析结果。 总体而言，大数据更侧重于技术和工程层面，而数据科学更侧重于方法和应用层面。
34410编辑于 2024-12-09 - 来自专栏数据科学与人工智能
【数据科学】50+数据科学与机器学习速查表
Python、R和Numpy、Scipy以及Pandas的速查表 有了这些和R语言、python、Django、MySQL、SQL、Hadoop、Apache Spark以及机器学习算法相关的速查表，会让你对数据科学和数据挖掘的概念及相关命令得心应手 在数据科学界，有着成千上万的软件包和成百上千的函数！一个激情澎拜的数据爱好者没有必要掌握所有的。这里会包含大多数重要的软件包和函数，能够让你在紧凑的几页中集思广益并吸收知识。 精通数据科学需要掌握统计学、数学、编程知识，特别是R语言、Python语言以及SQL，然后有效的组合使用这些知识，利用商业理解能力和人类的本能（做出决策的能力）去领悟。 Reference guide · RData Management cheatsheet · RCheatsheet for graphical parameters MySQL&SQL 速查表 对于一个数据科学家 ，基本的SQL语言与任何其它语言一样重要。
1K70发布于 2018-02-26 - 来自专栏CDA数据分析师
解读 | 数据工程、数据科学和机器学习都有什么区别？
CDA数据分析师 出品 作者：Darshil Parmar 编译：Mika 【导读】 数据科学、机器学习和数据工程到底有什么区别？本文带你看懂。 数据科学是一个广泛的领域。 如今数据科学、机器学习和数据工程正在以非常快的速度发展。 在本文中，我们将带你了解一下数据工程师、数据科学家和机器学习工程师之间的区别。 让我们先了解一下完整的数据项目包括哪些环节。 接着就需要机器学习工程师，他们同时拥有软件工程和数据科学方面的知识。 他们使用大数据工具和编程框架，确保从数据管道中收集的原始数据被重新定义为数据科学模型，并根据需要进行扩展。 数据工程师，数据科学家，还是机器学习工程师？欢迎给我们留言哦。
1.5K10编辑于 2021-12-09
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号