Data Science (AI/ML/DL) | Четвертая парадигма научных открытий (основа поиска инсайтов), плюс мини-история Data Science от ребят из Cambridge University

МЕНЮ


Главная страница
Поиск
Регистрация на сайте
Помощь проекту
Архив новостей

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


«Движущим началом современной науки о данных (Data Science) является доступность непрерывных потоков данных с датчиков (как с физических, так и цифровых систем — стоимость таких датчиков стремится к 0), а также возросшая на порядки вычислительная мощность и практически неограниченная емкость устройств хранения и скорость передачи.

Такое изобилие данных открывает перед учеными и инженерами во всех областях новые возможности для изобретений на основе анализа данных; все чаще в связи с этим говорят о четвертой парадигме научного открытия.

Эта четвертая парадигма представляет собой естественную кульминацию первых трех: (1)эмпирического эксперимента, (2)аналитического вывода и (3)вычислительного исследования.

Интеграция всех трех методик создает (4)обновленную платформу для новых открытий на основе данных. Этот процесс научного открытия не нов и посути дела повторяет усилия титанов научной революции: Иоганна Кеплера (1571–1630) и сэра Исаака Ньютона (1642–1727). Оба сыграли ключевую роль в разработке теоретических принципов небесной механики на базе сочетания эмпирических подходов, основанных на анализе данных, и аналитических вычислений. Наука о данных не заменяет математическую физику и технику, но дополняет ее с учетом достижений XXI века, что больше напоминает возрождение, нежели революцию.

Наука о данных (Data Science) сама по себе не нова, ее предложил больше 50 лет назад Джон Тьюки, предвидевший появление науки, в центре внимания которой будет обучение на данных, или анализ данных. С тех пор в науке о данных преобладают два разных подхода:

Сообщество машинного обучения состоит в основном из специалистов по информатике и интересуется в первую очередь разработкой быстрых, масштабируемых и качественных алгоритмов.

Сообщество же статистического обучения, которое вовсе необязательно во всем противопоставлять первому, больше сосредоточено на факультетах математической статистики и занимается выводом интерпретируемых моделей. Обе методологии могут похвастаться значительными успехами и закладывают математические и вычислительные основания методов науки о данных.

Все больше ученых и инженеров активно применяют оба метода для построения выводов из результатов наблюдений и обсчета моделей (чаще нелинейных), которые правильно улавливают динамику системы, а также количественно и качественно обобщаются на не наблюдавшиеся ранее области фазового, параметрического или прикладного пространства».

(с) Стивен Л. Брантон, Дж. Натан Куц, Библиотека Cambridge University: Анализ данных в науке и технике. Машинное обучение, динамические системы и управление

__

Стивен Л. Брантон — доцент факультета общего машиностроения в Вашингтонском университете. Также является внештатным сотрудником отделения прикладной математики и науки о данных Института eScience. Область его научных интересов охватывает применение науки о данных и машинного обучения к динамическим системам и управлению в области гидрогазодинамики, биомеханики, оптики, энергетических систем и производства. Является автором двух учебников, лауреатом премии армии и ВВС для молодых ученых, получил право преподавания в инженерном колледже Вашингтонского университета и удостоен премии для молодых преподавателей.

Дж. Натан Куц — профессор прикладной математики Вашингтонского университета, был деканом факультета до 2015 года. Также является внештатным профессором отделения электротехники и физики и старшим научным сотрудником отделения науки о данных в Институте eScience. Область научных интересов охватывает сложные системы и анализ данных, конкретно применение методов машинного обучения и динамических систем и управление в разнообразных приложениях. Автор двух учебников, лауреат премии Боинг за отличное преподавание прикладной математики, а также премии CAREER Национального научного фонда США.


Источник: vk.com

Комментарии: