在天氣科學和預測建模方面，當中數據科學家可以做什麼？
天氣與生死攸關。 天氣科學和預測天氣變化，不僅幫助我們了解環境及其不斷變化的性質，例如全球暖化，而且還可積極推動各方採取策略，改善災難應變準備、減輕經濟和人命損失（*1）並增強公民的整體福祉。
詳情
向決策者介紹特徵工程概念（第1部分）
特徵工程是數據科學和機器學習中的重要術語。 數據科學家把 80% 的時間用於處理特徵工程任務，餘下20% 的時間用於訓練機器學習 (ML) (*3)。 詳細來說，過程中，選擇、轉換、提取、組合和操作原始數據，是產生分析或預測建模所需變數的關鍵過程 (*2)。
詳情
一般工廠普遍智能化生產經驗
現今工廠生產線大多已經歷由人工密集模式，半自動化到全自動化。但也有為數不少的工廠管理層已逐步完成數字化流程 (Digital transformation)，甚至開始推進智能化生產模式 (Intelligent / Smart manufacturing)。
詳情
有效數架構的關鍵組成部分和最佳實踐方式
資料普遍被視為是公司的命脈。它為管理者制訂策略前提供資訊，推動公司決策，並支撐業務運作。為了充分利用資料的巨大潛力，公司需要建立強大的資料架構。效能卓越的資料架構具有高度可靠性，安全性，且管理者容易存取資料。這樣，管理者便可確保資料可被充份保存和管理。本文我們將探討如何設計有效益的資料架構、其中關鍵元件和最佳的實施方案。
詳情
數據工程：數據團隊的主要考慮因素
在數位化時代，企業正日益依賴數據來推進業務，但隨之而來的是數據管理的複雜性和成本的上升。Gartner的報告進一步證實了這一觀點，指出由於數據完整性問題，企業每年可能損失高達1290萬美元。這些統計數據突顯了數據專家不僅要解決數據問題，更要關注如何從數據中創造價值。隨著年底的臨近，數據團隊應抓住機會，優化其策略，特別是在數據移轉中加強自動化測試的應用。
詳情
數據科學如何在AI時代改變您的業務？
在一個數據被視為新石油的時代，業務的未來與人工智能（AI）和機器學習（ML）的進步密切相關。根據 IDC 的數據，高達83%的首席執行官希望將他們的公司轉變為以數據為中心的組織。此外，87%的C級高管認為，轉變為智能企業是他們的首要任務。
詳情
人工智能需要多少數據？
數據經常被譽為是現代的“黃金”。每家公司都在努力獲取更多的數據，特別是當涉及到訓練AI模型時。根據AI的具體任務，所需要的數據量各不相同。某些AI模型依賴于龐大的數據集，而有些只需要少量數據即可運行，這使得很多人在選擇合適的方法時感到迷茫。
詳情