3月14日晚，和鲸科技联合TalkingData旗下腾云大学，携手AWS共同发布了数据科学教育白皮书，为大家详细剖析数据科学教育的发展情况，同时结合大量的实践经验总结，完整的展现出数据科学教育的四大阶段。
以下是发布会的完整纪录，不想看文字的盆友，文末有视频回放地址哦！
策划白皮书的出发点
分享人：和鲸科技 CEO 范向伟 
感谢各位抽出宝贵时间一起探讨数据科学教育的现状和进展，相信大家都很关心数据科学这个新专业、新领域的前景以及目前重点的进展。作为白皮书发起方之一，和鲸在过去的五年时间里，与很多的数据科学专业建设者、用人单位以及学生有比较深入的交流和协作，我们发现数据科学专业有着巨大的发展空间，同时也有着巨大的挑战，变化速度也在越来越快。
所以我们和另外三家同样身处数据科学领域的企业， TalkingData University、AWS以及Data Whale共同发起和起草了数据科学教育白皮书。经过4个多月的筹备，我们走访了很多高校，访谈了很多用人单位，基于归纳现状跟展望未来的原则，我们完成了白皮书的撰写，希望能够给到关心这个学科的教师、用人单位和学生在情报、在案例、在理念上能够有所辅助。接下来我为大家简单介绍一下这份数据科学教育白皮书的出发点和立足点。
希望能够帮助大家更好的了解和利用我们这一份白皮书。
1. 大时代下的趋势
数据科学专业其实有着很长的演化历史，直到2016年才成为了中国新工科教育改革进程中最有代表性的一个新兴专业。数据科学专业的建设进程可谓声势浩大，在2017、2018连续两年都是新建数量最多的专业，大概每年都有100多所学校新成立数据科学专业，目前已经有将近500所高校有这个本科专业。
而且在许多学校中数据科学新专业已经是录取分数线最高的本科专业了。这是我们新发现的一个现象，前几年其实都是金融、经济这类学科分数线最高。从去年开始数据科学专业变成了不仅最火、而且分数最高的专业。
但是其实真正接触过数据科学工作的人都会有一个感受：数据科学家、数据科学岗位的门槛非常高，只有少数人真正能够在职场上胜任这个岗位，这就导致在数据科学专业建设的浪潮中，很多高校学生和用人单位会有很多痛点，这些痛点总体上来说都跟数据科学的两个性质--新、高门槛息息相关。
我们归纳了有五大痛点：
  1. 如何与业界竞争优秀的数据科学师资
  2. 就业、科研和行业生态如何建立联系
  3. 实践需要的数据、案例等行业资源从哪里来
  4. 实训机制如何制定与落地
  5. 真实应用场景和价值主张的壁垒如何打破
以上都可以反映出数据科学专业有别于固定大纲、固定课程、固定就业方向的传统专业的建设方式。
数据科学在前些年其实是整个新工科改革进程中数量最多的专业，其实可以反映出来数据科学专业在许多的特点上跟新工科的改革、以及整个高等教育现在的改革在理念上、在思路上有很多的契合之处。我们一直尝试在归纳是哪些性质使得数据科学更像新工科，或者说更加符合整个新工科在现在布局，在规划上面的特色。
有四个很有代表性的特点
  • 首先，它跟产业的结合非常紧密，几乎所有的产业所有的职能都需要利用数据，并且要利用数据科学来挖掘数据的价值；
  • 其次，数据科学的教育跟科研有着非常紧密的联系，许多科研的任务都离不开做实验、分析数据、发论文，在教学的过程中间这些能够变成教学的案例；
  • 再次，数据科学专业与这两周很热的一个关键词--新基建有着非常紧密的联系，数据科学专业逃不开人工智能、逃不开云计算这两个新的技术，新的基础设施；
  • 最后，数据科学有着非常强的跨学科属性，几乎每一个学科，工科、文科、商科、医科都跟数据科学专业有着非常紧密的联系。
这么多的属性有很多的结合点，我们可以用一个新的视角去审视数据科学专业，它不仅仅是在教知识，而且是在尝试在大学和业界、和科研，以及和学生未来的就业之间建立起一个可以规模化、可以复制的通路，能够让学生在大学的工科教育过程之中，尽早的掌握业界需要的技能，尽早的接触业界炙手可热的资源，尽早的去和现在新的基础设施能够紧密的在技能上，在工作方式上衔接。
我们归纳下来，知识的获取、技能的实训、行业应用的深入的了解，以及和越来越繁荣开放的教育生态无缝衔接，这四个阶段就构成了数据科学教育新的范式，这个范式在未来也很有可能是马上就会出现的新商科、新医科、新文科以及新农科之间共同的性质，只不过是率先在数据科学专业集中的体现出来。
未来大家不一定会变成数据科学家，但是我们在研究数据科学专业以及数据科学家职能的发展进程时，对各个新专业以及需要改革的老专业会有许多可以借鉴的地方。
圆桌对话
对话嘉宾：
和鲸科技 CEO 范向伟
腾云大学（TalkingData University）执行校长 杨慧
话题一
数据科学专业的建设与传统专业的建设有很大的区别，也有很高的门槛，但这是非常意义重大的改革与尝试。这其中是否有一些相似的痛点或者是优秀的经验值得借鉴？
腾云大学执行校长 杨慧
腾云大学是TalkingData旗下专门做数据智能人才培养的组织，最开始的出发点是为了行业，为了公司和生态合作伙伴培养数据科学人才，但在我们培养人才的过程中，我们发现数据科学人才非常特别，如果单纯让他们去上课，坐在教室里学习是很不友好的，他们甚至感受不到自己是否吸收了这些知识，我们一路走过来发现这条赛道的人才需要用新的方法、新的内容、新的范式乃至新的生态架构去培育。

很多研究生、博士生在进行项目研究时会受到科学过程的基本训练，从工具、到数据、到验证假设的思路在进行归纳，最后到如何去把结论演绎到不同的环境下。
通常情况下在高校中，这些训练是散落在不同阶段的研究生、博士生的教学中，但在数据科学的领域似乎变成了一个必需品，不过到现在似乎没有很好的专门教授的思维模式。尤其用人单位在招学生的时候会发现有些学生即使技术很好，或者对行业很了解，但是遇到现实的商业问题，或者工业中的效率问题，如何把这些问题转变成数据问题来用科学的方式解决，这种思路还是需要单独特别训练的。
此外，大多数高校的痛点还在于没有专门的师资、平台、教材以及生态来支撑。
和鲸科技 CEO 范向伟
统计学家或数据科学家很难去对接行业问题。因为行业问题有太强的交叉属性，不仅需要和本专业同学一起，可能需要和计算机系同学、管理学院的同学、人文学科的同学一起，才能参与到有意义的解决问题的过程。我们在学校时参加过数据科学竞赛，单独一个专业是没有办法充分利用数据的价值的。
早期的时候大部分学校没有跨专业交叉学科的平台，没办法充分激发各个专业同学的特长，也没办法让大家参与到飞速发展的数据科学基础技术中。学校不知道怎么挖掘潜力是一个痛点。
第二个痛点在工科学生身上可能会更突出，我们在就业的时候很困难，像金融行业、互联网行业等理论上来说都离不开数据分析，但是如何去选择是没有标准的，反而变成了风险。就业方向和科研方向有很大概率并不是你真正想要的。这些问题没办法一劳永逸的解决，只能不断实践、追问、参与到真实科研课题、真实的行业问题中逐步获得更加清晰的视野。数据是手段也是资源，帮助我们满足职业发展的兴趣。
话题二
 数据科学是一门非常注重实践的学科，并且也需要具备相当的业务知识，才能对模型算法等有比较合理的选择和评估。请两位分别针对高校目前在实训方面的问题谈一谈看法。
和鲸科技 CEO 范向伟
我们发现很多学校的老师现在已经形成了共识，大家都认为实训对数据科学专业来说很重要，这其实也是新工科的灵魂之一。工程知识和行业实践如何紧密的结合在一起，这句话说起来容易，但过程中需要非常多成本。
首先数据科学的实训需要有数据，数据涉及到数据的质量、数据的丰富程度，数据时效性，这其中有的问题可能要花很多时间才能解决。另外就是数据科学所需要的实验室，就像所有的工科都要有实验室，数据科学的实验室一定是在云端上的，因为云已经是现在数据和计算的标准基础设施，如果不会利用云的能力，也就是还处于上一个时代的IT环境下的话，很快就会落后被淘汰。 
所以如何把具有产业价值的数据，和课堂上所学到的模型，以及新一代的基础设施（这里特别强调的是云计算的基础设施）有机的结合在一起，能够让老师很方便的去安排和管理实训的进程。这个问题只有在教学的第一线才能真正感受到。一旦到了教学场景中，才开始去寻找课题、资源、环境，就会占用很多时间去搭建环境，去批改学生使用了不同算法的作业，解决一系列环境跑不通、模型无法复现等问题。
在这样摸着石头过河的过程中，如何定义数据科学专业的云端实验室是否方便，是否真正能够让学生掌握实训技能，我们发现这将是一个越来越现实越来越重要的问题。
腾云大学执行校长 杨慧
腾云大学从很早之前就开始跟很多高校探讨数据集和行业需求的问题。有一些只有行业才有的优势没办法很好的传递给高校。
第一和前面向伟说的相同，数据相当于培养数据科学人才的土壤。要针对专门的问题、专门的模型准备专门的数据集，而且最好可以维度丰富，能够代表实际问题，能够利用多种主流工具处理，能够支持不同的问题挖掘。
这样的数据在生产环境中很易获得，但如何传递到高校中间会有很多问题，比如数据治理的问题，比如学校的教学实验环境没办法很好的支撑；同样的数据集，不同的人会用来研究不同的问题，如何去启发学生找到问题，会影响到特征、模型等一系列方面，并且中间还需要大量的领域知识，需要配合一个又一个的行业案例来讲解。
这时就需要一个经验丰富的、实际从事过客户交付的人，他能够知道生产环境下这样的数据会遇到什么问题，客户可能会提出什么问题等等。这个人能够把这些经验和知识传授给学习者，对学习者吸收知识的效率，举一反三的发散思维会有更多启发。
举个例子，我们帮助高校做过案例型教学，提供固定问题，并且有固定的解答结果。大家做出模型后比分数高低，但后来我们发现，学生完成入门级的案例教学后，还是需要真正进入到真实的行业环境，去发现实际客户关心的和我们做的并不是同一个问题。当客户提出问题的时候，我们是不是可以用现有数据集解决，如果现有数据不够，我们是否可以找到其他数据源来丰富数据集。
这个过程中学生学到的知识才更加综合与立体，对于问题转化的把控，数据不同情况的处理，乃至最后问题的解决方案如何生产和应用都会有很多帮助。现在高校都在逐渐开始重视实训，而且实训确实也是数据科学这样非常交叉和重应用的学科中不可避免的一环。但是由于高校的基础设施不一样、包括课程设置可能和新模式的要求有一定的冲突，所以尽管有一些顶尖高校已经开始在两三年前就开始尝试了，但现在大部分高校还处于起步阶段。
话题三
数据科学项目它不仅仅是需要一个合理的知识体系和课程体系，更需要的是贴近业务以及能够实协同的一个实训案例和平台。除此之外，在数据科学教育中还需要哪些角色，同时项目的流程应该是什么样的呢？
和鲸科技 CEO 范向伟
数据科学教育中离不开实训，实训的载体，也就是项目。项目中有不同的角色。
我自己在本科和研究生阶段分别在商学院和数学系做过一段时间的助教，我观察到学生最大的困难并不是知识太难，也不是学不会，而是他们觉得学的东西没有意义。他对学习，对专业都没有兴趣，这可能也是高校各个专业多少会遇到的问题。那么问题来了，怎么才能让教育过程更有意义？
在这样教育的过程中，不一定会有真正的结论，学生会参与到对问题的探索过程中，解决两个根本性的问题---我为什么要产生兴趣，我学的专业到底有什么意义？
在过去的一年中我们有两个案例非常有意思。
第一是和清华大学的社科学院政治系博士生一起提出了一个问题：怎么通过对中国考古数据的分析，判断中国在历史上各个阶段什么时候更倾向大一统，什么时候更倾向分裂。这个问题从数据分析的技巧上，大一大二的同学也都能参与进来，问题发布在和鲸社区后，有100多个学生参与进来做相应的分析，每个人的分析视角都不一样，但大家都能感受到数据科学、数据分析的方法与个人世界观的构建都一种持续的关系。学生们如果能足够早的参与到感兴趣的学科方向，或者说领域方向中，他的角色感会更强，面对未来职场上更多不确定的问题时心态会更加健康。不会急于向应试教育一样寻找标准答案，对不确定性也会有更大的耐心。他在探索的路上会遇到很多阻碍，面对很多失败，但是他能够正确面对这只是成长路上跌宕起伏的周期。
另外一个项目正在策划中，是和鲸和上海外国语大学联合举行的，希望把数据科学应用到外语和语言研究中。也是学生们都可以参与的问题。比如某个公众人物Twitter上的发言，我们用数据科学进行建模，能够看到在不同时期他的性格或者情绪有什么样的变化？ 
这个问题其实是语言学科甚至外交领域很与时俱进的一个课题。上外的老师认为应该和数据科学专业、人工智能专业的学生一起去做研究，这其中也没有标准答案。
像这样提问题的人，在传统的教育体系中是相对来说比较缺失的，我们的学生尤其是本科生很难参与到不确定的问题中进行探索和验证。对年轻人来说吸收这么多知识，看了这么多方法，到底有什么意义？这个意义感我们非常希望能够在年轻人成长的过程中尽早的呈现出来。
学生从信息的接收方变为探索方，变为回答问题的人，变为有可能失败的人，这是我们希望去推动的一件事。
腾云大学执行校长 杨慧
在数据科学教育整体过程中，首先从微观角度看，有几个角色是非常重要的。
第一是系统的授课者，或者成为系统知识的辅导者，通常是高校中的教师，在系统知识点的创新上经验非常的丰富，同时也有比较系统性的知识结构
第二是像向伟提到的提出问题的人，老师教学生知识，但是知识并没有转化为学生自己的经验，最大的问题是没有融会贯通。所以我们需要提问题的人，这样的人在腾云大学中叫做行业导师
行业导师不看这些书里的内容，我只说客户的需求，行业的问题，看学生怎么回答？或者可以告诉学生现在行业内是怎么解决的，你有没有更好的方法我们一起探索？他不会告诉你正确答案，甚至现在业内的应用上也没有哪一种方法是完全正确的。
第四种角色是后勤总管，也就是提供基础设施的人，可能是腾讯云，可能是阿里云，可能是其他云服务商，通过这些平台，这些基础设施，让你能够不断的去练习知识，不断的强化，将知识融会贯通，运用到实战中。
刚才说到的是微观上，学生需要去凑齐这些角色，那么到哪里凑齐呢？我们返回到宏观视角来看，这些角色是分散在媒体、大型云计算平台、大型数据公司、各式培训机构等等不同的行业玩家中。所以大家在搭建自己的学习环境的时候，建议根据自己不同的情况去凑齐自己的角色。
对高校来说，如果要建立数据科学专业，也需要凑齐这些角色，需要专业机构添砖加瓦。
话题四
请两位分别介绍一下你们看到过比较好的数据科学教育项目是什么样的？
和鲸科技 CEO 范向伟
我们现在看到过很多尝试，大家都会有不同的立足点，有的更偏计算机角度，有的偏数学的角度，有的偏商科的角度去开设数据科学专业。
印象比较深刻的是华师大的数据科学专业。一方面他很早之前就以学院为单位开展数据科学课程和学科建设的工作；另一方面在做的过程中非常强调数据科学与其他学科的联系。比如说会与教育学进行比较深入的跨学科科研与教学，如何利用数据科学提高教学效率。这其实是很难做到的，因为跨学科涉及到的切入点很多，要在不同专业不同老师之间碰撞，有可能不能马上产出丰富的成果，比起单学科来说短期产出不会立竿见影。
但是这样的理念和精神，我们认为在数据科学专业发展到一定阶段的时候会变成它最大的特点。不只是知识，也是一种通用的技术，在各个学科、各个行业、各个职能中间有很强的通用性。
腾云大学执行校长 杨慧
我看过两个比较好的数据科学项目是国外的。
第一个现在已经是全美就业率最高的学习，SAS软件的起源北卡州立大学，他们的数据科学人才教育到现在已经有十几年的时间了。他们和世界五百强，还有北美二三十所大型综合集团、四大会计师事务所等公司去合作，专门培养商业方面的分析人才，这些企业的客户是遍布各行各业的，但这样的合作能够为企业因地制宜的培养真正上一线人才的前提，是企业提供了这些人才真正去接触数据，真正接触问题的环境，甚至可能连问题都没有，需要自己去问去收集。
第二个是现在比较火的MIT的微硕士，MIT拿出了自己数据科学最核心的硕士水平课程放在线上，通过这种新的教育方式去培养学生。这种微硕士是很适合数据科学这种需要社群、翻转课堂等教育方式的学科的，同时学生也可以获得学校认可的证书。
这两个项目风格完全不一样，但他们都巧妙的突破了交叉型、综合型的复杂学科的教学方式。它们都抓住了重点，重点不在于有多么强大的教授，而是我们提供一个开放的平台，在这个平台上不管是老师，还是学生，还是出版社，教育机构等等都能找到自己的位置并且贡献自己的价值。
国内已经有很多高校率先开设了数据科学的交叉学院，或者科研单位，甚至是专门培养数据科学人才的机构，但似乎专业建设起来还是很慢。这是因为首先需要有开源开放的平台型思维来做教育这件事，这个坑我们自己也踩过，我们发现数据科学人才每个人对于知识的构建都很宽泛，当我们一家的力量没办法满足的时候，我们就需要生态中伙伴的力量。后来我们发现所有的同行都是类似的，说明这就是这个行业的特点，是走往更好的发展方向的必经之路。
答观众问
问：如何设计金融机构内部的数据团队组织架构，以及其与业务和其它团队的协作机制，才能达到敏捷高效的协作效果？
杨慧：金融机构内部数据团队有很多种：有的是面对整个集团的，比如说IT的平台中间的一个部门；有的在各个不同平行的业务里面，比如风控、获客，用户增长；有的是独立的一个科技业务，属于科技子公司里面的，以服务母公司的一种交付的情况来存在。
不管是银行还是券商，这几种组织结构模式都有。如何达到敏捷高效，是和OD有关的。没有绝对正确的组织，只有适应战略的组织；也没有完全正确的员工，最适合组织的才是最正确的。这里回到教育的问题上来看，用人单位需要什么样的业务，就要相应地去发展组织，培养合适的人才。
问：如何培训数据分析岗位的员工？
范向伟：这件事情正在变得越来越重要，有足够多的头部的企业开始意识到自己需要构建一个数据科学或者数据分析的队伍。不同的行业规模的公司，不同阶段的公司，做这件事情的方法会截然不同。
大公司会考虑将数据分析的职能辐射到各个部门，以金融机构为例，它会有风控、营销、运营或者客户服务，会希望数据分析是一个普遍性的能力，而不是仅仅落在某一个业务上。规模更小的公司的理念是，数据科学家和数据分析师成本都很高，很难管，所以需要尽快在核心业务上产生效益。且培训是一个很不确定的过程，容易发生有投入没产出的情况，尤其像数据分析这种，技能门槛和复杂度都很高。员工培养且能够完成一个比较充实的项目之后，收入提高就可能被别人挖走。
总的来说，大企业会把数据分析能力作为内核的COE（center of excellence）来打造，这时需要高精尖人才去跟公司的核心部门进行持续融合。而培训是在持续融合的过程中以重点标杆项目为带动来进行的，它拥有很强的战略跟行业视角，并不是一个通用型或者抽象的技能培训。中小企业比较难承受培训成本，推荐利用市场上已有的在线教育资源；或者在实际项目中锻炼员工以及考察员工潜力，在过程中完成技能培养会更加现实。数据分析是高门槛、高风险、难管理的职能，一旦达到了比较好的业务契合度，是能够创造很大价值的，值得投入且不能够放松。
问：数据科学初学者如何提高？
杨慧：三句话。第一，把人扔到能听见炮火的地方去；第二，点断式多触点的学习；第三，小步快跑。
如果把数据科学的范畴说的大一点，它包括了统计、数据分析、数据工程、数据挖掘等等的一部分。所以数据科学人才是不能够依靠短期培训的，一定需要有企业长期支持的学习平台和氛围。
第二个多触点学习，是指需要线上线下各种不同方式的学习，比如线上公开课，直播，线下内部分享等等。一个企业不一定什么都有，但是至少要有一个文化能够支持。
第三个小步快跑，不可能一口气吃成个胖子，一定是需要每天学习，每天进步的，每年这个领域也会发表成千上万篇论文，不同的数据应用环境下都有特定的模型，而且有可能你去年使用的模型今年已经过时了。所以要小步快跑去学习。
如果现在大家有幸进入了国家新开的数据科学或者数据分析的专业中，四年毕业出来说自己是一个数据分析师或者数据科学家其实是站不住脚的。当你走到企业中去，会发现问题是无穷无尽的，很多解决问题的范式都是你在学校里没有见过的。所以如果不能保持持续的学习，很难成为一个能够胜任各种问题的数据科学人才。你需要在行业里找一个coach，不断地激发问题，寻找解决方法；同时也需要时间管理能力，以及跨学科学习能力，比如将物理学生物学等相关模型套用到相应其它行业的应用，这种思维的训练方式也是长期的。
范向伟：我们和鲸科技做了有四五年，也办过很多的数据科学的竞赛，训练营。我们看到最多的一类入门的画像，是从入门到放弃。他对于数据科学，人工智能有很多的憧憬，有很大的兴趣，结果进来之后发现好难，要学高数，要学概率论，要学线性代数，失去了信心，没有坚持的动力。
现在开放硬核数据科学岗位的都是最好的一些企业，要求硕士毕业并有相关经验，所以竞争还是很激烈的。我自己就是非数据专业转行到数据科学专业的，过程中比较重要的一个心得是，要尽早地让自己体会到可触达的小成功，或者说是小的满足感。
我本科阶段喜欢看心理学相关的科研成果。社会心理学会去研究一些人的从众现象，恐惧情绪，中间会用到一些非常简单的统计方法，可能只有五六十个的样本，但是它有很强的显著性，这样的实验会让我觉得统计学的方法真的是有用的，而且没有那么难，也能够推动科学的进步，发现人的行为规律。我本科其实是在商学院，计量经济学里面也会用一些回归的方法，去验证人的教育时长跟他的预期收入之间有很显著的关系。那个时候我就发现统计学和数据分析这么有用，竟然能够发现全世界普遍存在的规律。
有很多人其实本科毕业之后，不打算继续读研究生，其实在数据分析的角度的话，放弃继续进修，或者没有选到自己喜欢的行业领域的话，是很可惜的一件事情。但是如果在足够早的阶段就树立了数据科学有用，数据分析有意思，它能解决真实的问题这样的一个信念，那么当你去做类似于概率论的复合随机分布等等很复杂的东西的时候，才能坚持下去。
其实大家的智力和运气没有差别那么多，有的人能坚持500天，有的能坚持5天，最终反映出来是大家的数据思维跟数据技能的成熟度可能会差100倍。所以数据科学的教育应该是个新范式，教育的过程应该跟解决问题的过程尽量的融合在一起，甚至说是在解决问题的过程中间，你产生了要去学习，要去接受教育的这样的一个冲动，从“要我学”变成“我要学”。整个教学模式是需要老师、学生、学校乃至行业共同去赋能的一件事情。 
问：关于数据方面的工作其实由来已久，包括大数据应用于行业和学界（如金融的量化交易，天体的高性能计算模拟）。从“数据科学”这个相对较新说法被提出到今天，是否已逐渐具备了一门科学的关键要素？或者说，数据科学从学科建设到科学范式，是否已愈发完备？ 
杨慧：数据方面的工作由来已久，数据科学Data Science是近几年的提法，上世纪780年代的时候叫数据学Datalogy。它满足一门科学的基本要素，可检验的解释，能被证伪，用来预测客观事物规律等，内容是形式化的科学理论，有自己的语言。但是数据科学的学科建设和科学范式我们还不能说完善。像物理、数学这种基本学科也是经历了长期的演化和发展而形成现在的样子，更不要说数据科学这种在基础科学上诞生的新的交叉学科了。但是好在，我们在它还很年轻的时候就已经知道了它，并且在做的各位都加入到了构建一个完整科学的过程中来。
问：数据科学与统计科学和计算机科学的交集很明显，但是与这些科学有哪些显著的不同？这些不同是否让数据科学更难教学和培训？
杨慧：是的，交集很明显，但是交集之外的一些东西。乃至几方面的并集所产生的synergy是这个学科的一些特色，比如说，一定要归结到某个特定问题（可能是行业，可能是某种场景，可能是某种范式），有搞游戏人民币玩家的数据科学，也有熔断预测的数据科学。有这么几种不同，知识结构不同、解决问题的思路不同（数据科学永远是一种类似于探索性分析的思路）、训练方式不同、师生关系角色不同、甚至教育的时间频次不同等等。这些都让数据科学成为了一门独立的有个性的学科，我们因为现在还在起步阶段，所以感觉难。但我相信，就像现在的设置了很多年的老牌学科一样，一届一届的教育工作者、社群工作者、教练、知识平台、工具平台共同努力，这个学科会越来越好。
获取白皮书
视频回看地址
PC端：https://edu.talkingdata.com/open-class?id=153

手机端：识别下方小程序码即可观看
温馨提醒：视频总时长超过1小时，请大家注意时间和流量哦~
封面图来源：Photo by Tim Mossholder on Unsplash
继续阅读
阅读原文