來源：CPDA數據分析師網 / 作者：數據君 /
儘管重點是鞏固各種形式的AI
從其知識庫到其統計基礎的操作一致性，但數據科學是通過擴展涉及這些任務的數據種類來支撐此行動的默認力量，如果公司想在數據科學領域取勝，那麼他們真的必須認真對待所有類型的數據的廣度和多樣性，而不僅是那些適合統計技術的數據，通過利用可用的全部數據，組織可以探索數據科學的邊界，以掌握智能功能的創建，可解釋性，數據準備，模型標準化和選擇-幾乎所有這些都為AI企業部署帶來明顯優勢。
智能特徵生成
感知或計算機可見的機器學習數據直接調用了AI的統計基礎，建立機器學習模型的前提是要識別一些特徵，這些特徵可以提高計算機視覺應用的模型準確性，例如，監視工業Internet中裝配線過程中的缺陷，SAS高級分析，智能功能的創建來自對領域重要的事物以及我們如何處理這些數據，豐富特徵識別的眾多方法中的一些涉及。
1、峰值和距離：可穿戴設備用例，其中流數據以周期性模式出現，當辨別特徵以查看患者是否患有特定的心臟病時，您可以應用降噪技術，然後查看循環模式並進行分析以找到峰並測量峰之間的距離，特徵在於峰之間的距離。
2、簡化的查詢：支持AI知識庫的圖形設置中的實體事件模型極大地簡化了架構，並縮短了查詢的長度以遍歷它們，從而代表了與關鍵實體（例如客戶，患者或產品）有關的無盡時間事件，如果你有沒有實體的事件模型一個複雜的圖形，然後如果你想提取特徵的機器學習，你必須編寫複雜的查詢，使用這種方法，您可以編寫簡單的查詢來獲取數據，特徵
3、資料庫：利用特定的資料庫進行特徵生成是數據科學的新興發展。涉及計算機視覺的自動駕駛汽車用例，其中特徵捆綁到場景中，並以圖形方式進行表示或表示，場景可以包含其他場景，通過基於規則和統計的方法提取特徵，場景代表特定的駕駛場景，例如行人過馬路，對於車輛任務是了解在這種情況下的適當響應，對於計算機視覺來說，這大概是一些功能的選擇，但是它們是在空間和時間上排列的。
對於快速變化的數據
例如電子商務交易，推薦或物聯網應用程式，準確的功能標識取決於所引用的降噪，數據科學家採用類似於聚類的無監督學習技術來減少訓練模型的變量，像主成分分析這樣的降維方法「實際上可以將背景與視頻中或任何矩陣的運動部分分開」，圖形嵌入在執行此任務和其他關鍵數據科學工作中正受到越來越多的關注，這些工作是「利用圖形的性質進行預測和推斷，以了解產品或人之間的相似性」，應用知識圖的優勢包括。
減少數據準備時間：圖形嵌入縮寫了精巧的管道
這些管道壟斷了數據科學家準備數據（而不是分析數據）的時間，將數據傳輸到Python這樣的機器學習工具中需要大量的編程和時間，但是在圖形資料庫中執行與最終不必繼續從圖形中提取數據並進入管道相比，您可以更快，更迭代地完成此任務，矩陣支持：必須對數據進行矢量化處理才能在機器學習模型中使用，具有矩陣支持的圖形使組織能夠將數據從圖形表示轉換為矩陣，隨後他們可以執行「 PCA」之類的功能，「 PCA」使您可以看到事物之間的相關性；數據集的不同部分之間是如何關聯的。
粒度特徵工程圖形也是輸入機器學習分析結果（如聚類）的理想選擇
用於細化特徵和訓練模型的其他方面，在這方面，使用圖更有效的方法是，將您所學的輸出尤其是無監督學習的結果輸出到圖中，可解釋性，可解釋性問題，與可解釋性，模型偏見和公平的人工智慧相關，仍然有可能從統計AI部署中損害任何企業價值，儘管如此，通過將AI的統計方面與知識方面相結合，企業可以始終克服這一障礙，可解釋性危機實際上是人們信任這些系統的能力，克拉克觀察到，解決可解釋性危機的唯一真正解決方案是將邏輯模型或基於規則的形式主義補充到統計模型中的混合技術，因此，無論計算機在做什麼以獲取答案，對該答案的解釋都是人們可以理解的，接下來來年數據科學家的首要任務之一就是利用基於規則學習的AI知識基礎來增強機器學習。
這樣做將擴展數據科學必須涵蓋的數據類型和技術
概念性或分類性數據，這是關於人與人之間存在的概念或類別，利用邏輯規則利用這些數據的業務實用程序可促進機器學習的實際應用中的可解釋性，大多數業務數據並沒有真正進入那種可感知的或計算機可見的[品種]；它來得更加明確，有風險的貸款是什麼，有風險的購買是什麼，或者從風險和分析的角度來看，此人是對企業的內部威脅，或者如果智利發生地震，我們供應鏈中受風險最大的部分是什麼？ 通過統計AI與符號推理，語義推斷。
樣板標準
除了諸如隨機森林之類的方法或諸如梯度提升之類的集成技術之外，巨大的多層神經網絡結果也被證明是最難解釋的，尤其是在深度學習的計算和規模方面，企業可以通過考慮以下因素來標準化這些模型和其他模型，以最大程度地部署，開放式神經網絡交換ONNX是用於交換深度學習模型的環境標準，ONNX的使用範圍很廣，人們可以在專有框架中開發模型，然後其他人可以將其引入開源，並將我的模型用作初步指標並對其環境進行進一步培訓。
自動調諧數據科學家可以通過選擇
構建具有很少調整參數並且默認添加最佳值的算法來加快針對機器學習模型的參數調整的潛在繁瑣任務，我們在其中放置了另一種算法，以查看最佳調整參數是什麼，並嘗試不增加參數，此方法對於IoT設備上的較小尺寸模型有效。
遞歸神經網絡（RNN）：RNN可以很好地用於預測和文本分析，是因為它們查看一系列數據點，對話是口語的代名詞，它具有順序。
卷積神經網絡（CNN）：CNN的主要用例之一是計算機視覺他們今天看到的東西比人類要好，所以它們非常適合圖像分析，並且有很多用例。
數據科學將越來越優先考慮將整個數據和AI方法
包括其統計和知識庫的各個方面集成到整個企業的日常部署中，利用可供數據科學家使用的全部技術和信息，將大大改善特徵生成，數據準備和可解釋性。