机器学习、数据科学、人工智能、深度学习、统计学等的区别

因为数据科学是个广义的学科，所以这里将从任何业务里都可能会遇到的数据科学家类型开始，通过这个部分或许你能发现自己隐藏的数据科学家潜质：)正如任何科学学科一样，数据科学家也可能向相关学科学习借鉴，尽管数据科学已经有自己的部分，尤其是自动处理超大规模非结构化数据的方式和算法，甚至不需要人为干涉，就可以做实时处理或者预测。

1. 数据科学家的各种类型

想要开始并且了解一些以前的观点，不妨参考2014年发布的文章“ 9 types of data scientists”或者同年另一篇文章比较数据科学和“16 analytic disciplines”。更近一点的(2016八月) Ajit Jaokar 讨论了Analytics data scientist(Type A)和Builder data scientist(Type B)的不同：

Type A Data Scientists在工作中遇到数据相关时可以写出不错的代码，但是并不必须是专家，这类data scientist可能专业是实验设计、预测、建模、统计推断或者其他统计学研究的典型部分。但是一般而言，数据科学家的工作产出可不是学术统计学有时候建议的那样“p-values and confidence intervals”(正如有时候传统的药物领域统计学家会用到那样)。在Google，Type A Data Scientists通常指统计学家、定量分析师、决策支持技术分析师或者数据科学家，可能还有其他的一些。

Type B Data Scientists是building data的。B类和A类有些相同的统计学背景，但他们还是更好的coders，可能有专业的软件工程的训练。他们主要对在产品中使用数据感兴趣，他们建立与用户交互的模型，通常是提供推荐的(产品、可能认识的人、广告电影、搜索结果之类)。

笔者之前还写过 ABCD's of business processes optimization ，D代表data science，C 代表computer science，B代表business science，A代表analytics science。Data Science可能包括也可能不包括写代码或者数学实践，具体可以参考low-level versus high-level data science。在创业公司里，数据科学家通常有几个头衔，比如数据挖掘师、数据工程师或者架构师、研究员、统计员、模型师(预测建模)或者开发者。