在天气科学和预测建模方面，当中数据科学家可以做什么？
天气与生死攸关。 天气科学和预测天气变化，不仅帮助我们了解环境及其不断变化的性质，例如全球暖化，而且还可积极推动各方采取策略，改善灾难应变准备、减轻经济和人命损失（*1）并增强公民的整体福祉。
详情
向决策者介绍特征工程概念（第1部分）
特征工程是数据科学和机器学习中的重要术语。 数据科学家把 80% 的时间用于处理特征工程任务，余下20% 的时间用于训练机器学习 (ML) (*3)。 详细来说，过程中，选择、转换、提取、组合和操作原始数据，是产生分析或预测建模所需变量的关键过程 (*2)。
详情
一般工厂普遍智能化生产经验
Most of today’s factory production lines have experienced a transition from manual-intensive mode to semi-automation to full automation. However, there are also many manufacturers who have gradually completed digital transformation (Digital transformation) and even begun to promote intelligent production models (Intelligent / Smart manufacturing). Regardless of digital or intelligent production, what elements do factories…
详情
有效数架构的关键组成部分和最佳实践方式
数据普遍被视为是公司的命脉。它为管理者制订策略前提供信息，推动公司决策，并支撑业务运作。为了充分利用数据的巨大潜力，公司需要建立强大的数据架构。效能卓越的数据架构具有高度可靠性，安全性，且管理者容易存取数据。这样，管理者便可确保数据可被充份保存和管理。本文我们将探讨如何设计有效益的数据架构、其中关键组件和最佳的实施方案。
详情
数据工程：数据团队的主要考虑因素
在数字化时代，企业正日益依赖数据来推进业务，但随之而来的是数据管理的复杂性和成本的上升。Gartner的报告进一步证实了这一观点，指出由于数据完整性问题，企业每年可能损失高达1290万美元。这些统计数据突显了数据专家不仅要解决数据问题，更要关注如何从数据中创造价值。随着年底的临近，数据团队应抓住机会，优化其策略，特别是在数据迁移中加强自动化测试的应用。
详情
数据科学如何在AI时代改变您的业务？
在一个数据被视为新石油的时代，业务的未来与人工智能（AI）和机器学习（ML）的进步密切相关。更加IDC的数据，高大83%的首席执行官希望将他们的公司转变为以数据为中心的组织。此外，87%的C级高管认为，转变为智能企业是他们的首要任务。
详情
人工智能需要多少数据？
数据经常被誉为是现代的“黄金”。每家公司都在努力获取更多的数据，特别是当涉及到训练AI模型时。根据AI的具体任务，所需要的数据量各不相同。某些AI模型依赖于庞大的数据集，而有些只需要少量数据即可运行，这使得很多人在选择合适的方法时感到迷茫。
详情