01-数据科学的基础：什么是数据科学，机器学习，人工智能，神经网络，大数据
要学习数据分析，我们首先需要知道数据科学都应用于哪些领域：
1. 人工智能（Artifical Intelligence):
人工智能是数据科学最长应用的领域。最常见的应用为：照片识别，翻译，和游戏。
例如：Iphone手机内的相册提供的照片识别，和照片分类功能，通过对人脸或者地理位置的分类，对照片进行的分のの3类。
人工智能（AI）VS. 数据科学（Data Science)的区别：
人工智能是通过数据来研究算法，宽泛的来讲属于机器学习
数据科学是运用方法和算法的技术来处理数据。
上图为数据科学，机器学习，人工智能和神经网络之间的关系。
2. 机器学习（Machine Learning)
机器学习是运用算法来研究数据。
例如： 垃圾邮件的自动处理。图像的识别。语言翻译。
3. 神经网路（Neural Networks)
神经网络属于机器学习和认知科学领域，是一种模仿生物神经网络（动物的中樞神經系統，特别是大脑）的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。
4.大数据（Big Data)：
大数据的三大特征（3V): 数据量(volume)，速度(velocity)，多样性(variety)
大数据领域不运用数据科学技术：
可应用于处理大的，有数的数据集合，只能应用于处理少量的数据变量。
数据科学领域不运用大数据技术：
可应用于处理无需文字，可创建并合并多个数据集合，数据成像。
5. 预测分析 (Predictive Analytics) :
应用于：1. 预测顾客的产品购买。2. 疾病的风险预测。
上图为数据科学和预测分析的关系。
预测分析技术不运用数据科学技术：
- 清理，量化数据集合。 2. 可应用普通的模型例如回归模型或决策树。
数据科学领域不运用预测分析技术： - 聚类分析 2. 统计 3.分布图绘制 4.数据成像
6. 指导性分析（Prescriptive Analytics):
指导性分析的主要分析于以下三种：
1.相关性观测： 当某个因素出现时，则会极大可能产生某种结果。
2.时间优先性：先因后果。在两个变量发生关系的时候，通过分析来确定原因发生在结果之前的这一原则。
3. 不相关的分析。这里需要强调的是，有些时候在数据中我们会遇到看似两个变量具有相关性，但是确实属于偶然性的发生，所以不相关的分析就是分析变量是否真正具备某种确定的关系，而非偶然事件。
一般情况来说，预测分析就是在分析变量的相关性。
Predictive Analytics = Correlation
而指导性分析是分析变量的因果关系。
Prescriptive Analytics = Causation
指导性分析技术不运用数据科学技术：
可应用于处理实验调查中的规范数据集合的分析，同时也可用于A/B 测试
数据科学技术不运用指导性分析技术：
可用于预测分析，包含分类分析，聚类分析，趋势分析，异常值分析。
7. 商业智能（Business Intelligence):
商业智能的方式的应用主要要求：
数据处理的速度，易于访问。
商业智能主要依赖于规范的易懂，易于访问的商业智能数据仪表盘。
商业智能的主要目标：
- 收集和清洗数据
- 通过模型快速准确的得到结果
- 发现数据中的趋势和异常值。