我常被问到：“在数据科学的未来里，最令你兴奋的是什么？”
当专家谈到最令人兴奋的进展时，他们往往聚焦于前沿工作。他们可能会讨论深度学习如何让计算机在围棋上战胜人类，AI 的进步如何推动自动驾驶汽车，或者像 Spark 和 Hadoop 这样的技术如何让我们在海量数据集上进行计算。
我对这个问题有不同的回答。我在我们近期的 DataCamp 网络研讨会 在公司内实现数据科学的民主化 中详细讨论了这一点，这里我也分享一些想法。
让不可能成为可能；让可能变得容易
假设您生活在 1903 年，有人问您当时交通领域最令人兴奋的进步是什么。答案很简单：1903 年 12 月 3 日，莱特兄弟在基蒂霍克实现了人类首次重于空气的飞行。如果在 1969 年被问到同样的问题，您也许会回答“阿波罗 11 号登月”。这两种回答都无可厚非，聚焦于交通史上的“第一次”：让不可能成为可能。
但我想提供另一种视角。1903 年不仅是第一次重于空气飞行的年份，也是福特汽车公司成立的年份。几年后，福特推出了 T 型车，被广泛认为是将汽车从奢侈品变为可负担交通工具的关键。而 1969 年不仅有人类首次登月，也见证了首架“巨无霸客机”波音 747 的首飞。乘客运力的提升让航空出行对更多人变得可及。我会将这些描述为让可能变得容易。
我认为，“数据科学中有什么令人兴奋的”这一问题也有类似的答案。诸如深度学习、自动驾驶或大数据等被热捧的进展，是在让不可能成为可能：就像莱特兄弟的首次飞行或登月一样，它们会让人惊叹“难以置信我们能做到！”
但还有第二场革命：数据科学技能（无论是编程还是统计分析）正在向更广泛的群体扩散。
越来越多来自不同背景、不同部门和行业的人，正在利用数据科学工具和技能完成工作。其中一些变化包括：
- 使用 Python 和 R 进行数据分析的人数增长
- 统计工具的界面愈发直观
- 统计与编程教育的进步
其中大多数并不涉及全新的统计方法或 AI 路径，就像 T 型车不是第一辆汽车，波音 747 也不是第一架飞机一样。令人兴奋的是，越来越多的人能够从中受益。
数据科学发生了哪些变化？
数据科学编程语言的增长。 过去几年，数据科学编程语言的使用出现了爆发式增长。正如 Stack Overflow 博客的分析所示，Python 有充分理由被称为全球增长最快的编程语言，而这主要得益于其数据科学工具。R 语言也展现出同样令人瞩目的增长，尤其在学术、医疗、政府和咨询等行业。
来源：Stack Overflow
编程语言和工具的可用性提升。 很多增长并非来自统计、机器学习或 AI 的新方法，而是源于让既有方法更易用的改进。一个显著的例子是 Python 中的 pandas 包，它将数据组织为名为 DataFrame 的对象，从而支持强大且直观的分析。
来源：Stack Overflow
pandas 专注于让现有的数据转换方法更直观。正如 pandas 的创建者 Wes McKinney 在 Quartz 的一篇采访中所说，“它让不是资深计算机科学家的人也能分析和处理数据。您仍需要写代码，但代码变得直观且易于上手。它帮助人们不再只用 Excel 做数据分析。”pandas 是 DataCamp Python 数据科学家学习路径的支柱。
在 R 语言中，tidyverse 也带来同样令人振奋的易用性革命。它是一组包，旨在让数据转换、可视化和建模变得更简单。正如我的经验所示，我发现 tidyverse 在向初学者介绍数据可视化方法时非常直观，而相关分析也证实它是 R 生态系统增长最快的部分之一。
更好的教育。 数据科学编程语言活动的扩张，来自新加入社区的人——既有来自软件工程其他领域的，也有来自完全不同职业的。这意味着数据科学的革命不仅体现在工具如何构建，也体现在如何教授这些工具。
我们的 DataCamp 交互式数据科学课程已帮助数十万人学习如何分析和可视化数据，其中包括许多从未编程过的人。降低学习曲线，是推动数据科学民主化的关键一环。
这对您的公司意味着什么？
当有人问您是否在充分利用数据科学时，您不必认为一定要在产品里加入聊天机器人，或把资金投向声称使用深度学习的咨询方。相反，您应该看看公司内部的人如何利用数据分析与可视化。
谷歌的实验室能用 AI 造出自动驾驶汽车，这很了不起。但同样令人振奋的是，市场经理能用 R 可视化广告成效，或财务团队能用 Python 预测未来营收。
如果您想进一步了解这场数据科学革命将如何影响您的公司，请参加我们的网络研讨会：在公司内实现数据科学的民主化。
我常被问到：“在数据科学的未来里，最令你兴奋的是什么？”
当专家谈到最令人兴奋的进展时，他们往往聚焦于前沿工作。他们可能会讨论深度学习如何让计算机在围棋上战胜人类，AI 的进步如何推动自动驾驶汽车，或者像 Spark 和 Hadoop 这样的技术如何让我们在海量数据集上进行计算。
我对这个问题有不同的回答。我在我们近期的 DataCamp 网络研讨会 在公司内实现数据科学的民主化 中详细讨论了这一点，这里我也分享一些想法。
让不可能成为可能；让可能变得容易
假设您生活在 1903 年，有人问您当时交通领域最令人兴奋的进步是什么。答案很简单：1903 年 12 月 3 日，莱特兄弟在基蒂霍克实现了人类首次重于空气的飞行。如果在 1969 年被问到同样的问题，您也许会回答“阿波罗 11 号登月”。这两种回答都无可厚非，聚焦于交通史上的“第一次”：让不可能成为可能。
但我想提供另一种视角。1903 年不仅是第一次重于空气飞行的年份，也是福特汽车公司成立的年份。几年后，福特推出了 T 型车，被广泛认为是将汽车从奢侈品变为可负担交通工具的关键。而 1969 年不仅有人类首次登月，也见证了首架“巨无霸客机”波音 747 的首飞。乘客运力的提升让航空出行对更多人变得可及。我会将这些描述为让可能变得容易。
我认为，“数据科学中有什么令人兴奋的”这一问题也有类似的答案。诸如深度学习、自动驾驶或大数据等被热捧的进展，是在让不可能成为可能：就像莱特兄弟的首次飞行或登月一样，它们会让人惊叹“难以置信我们能做到！”
但还有第二场革命：数据科学技能（无论是编程还是统计分析）正在向更广泛的群体扩散。
越来越多来自不同背景、不同部门和行业的人，正在利用数据科学工具和技能完成工作。其中一些变化包括：
其中大多数并不涉及全新的统计方法或 AI 路径，就像 T 型车不是第一辆汽车，波音 747 也不是第一架飞机一样。令人兴奋的是，越来越多的人能够从中受益。
数据科学发生了哪些变化？
数据科学编程语言的增长。 过去几年，数据科学编程语言的使用出现了爆发式增长。正如 Stack Overflow 博客的分析所示，Python 有充分理由被称为全球增长最快的编程语言，而这主要得益于其数据科学工具。R 语言也展现出同样令人瞩目的增长，尤其在学术、医疗、政府和咨询等行业。
编程语言和工具的可用性提升。 很多增长并非来自统计、机器学习或 AI 的新方法，而是源于让既有方法更易用的改进。一个显著的例子是 Python 中的 pandas 包，它将数据组织为名为 DataFrame 的对象，从而支持强大且直观的分析。
pandas 专注于让现有的数据转换方法更直观。正如 pandas 的创建者 Wes McKinney 在 Quartz 的一篇采访中所说，“它让不是资深计算机科学家的人也能分析和处理数据。您仍需要写代码，但代码变得直观且易于上手。它帮助人们不再只用 Excel 做数据分析。”pandas 是 DataCamp Python 数据科学家学习路径的支柱。
在 R 语言中，tidyverse 也带来同样令人振奋的易用性革命。它是一组包，旨在让数据转换、可视化和建模变得更简单。正如我的经验所示，我发现 tidyverse 在向初学者介绍数据可视化方法时非常直观，而相关分析也证实它是 R 生态系统增长最快的部分之一。
更好的教育。 数据科学编程语言活动的扩张，来自新加入社区的人——既有来自软件工程其他领域的，也有来自完全不同职业的。这意味着数据科学的革命不仅体现在工具如何构建，也体现在如何教授这些工具。
我们的 DataCamp 交互式数据科学课程已帮助数十万人学习如何分析和可视化数据，其中包括许多从未编程过的人。降低学习曲线，是推动数据科学民主化的关键一环。
这对您的公司意味着什么？
当有人问您是否在充分利用数据科学时，您不必认为一定要在产品里加入聊天机器人，或把资金投向声称使用深度学习的咨询方。相反，您应该看看公司内部的人如何利用数据分析与可视化。
谷歌的实验室能用 AI 造出自动驾驶汽车，这很了不起。但同样令人振奋的是，市场经理能用 R 可视化广告成效，或财务团队能用 Python 预测未来营收。
如果您想进一步了解这场数据科学革命将如何影响您的公司，请参加我们的网络研讨会：在公司内实现数据科学的民主化。