Application Scenarios and Practice of Data Science in the Context of Big Data
Notice bibliographique
Résumé
With the development of the Internet, the era of BD (Big Data) is getting closer and closer. A country with mature BD has a future, and many enterprises cannot compete without BD. For example, BD can accurately position people's hobbies, the sales industry or service industry can use BD for precision marketing, and the development trend of BD includes data resource, data science, and the establishment of data alliances. Data science is a specialized discipline, a discipline born in the era of BD. It is at the intersection of statistics, machine learning and domain knowledge, and is an obvious interdisciplinary discipline. With the development of BD, data science must also develop with it. How data science develops and in which scenarios it can be applied remains to be studied. Through the research on BD and its development trend, and the theoretical research and analysis of data science, this paper aims to explore the specific application of data science, a new discipline, and practice it. Experiments have shown that applying data science to filtering spam and malware has a filtering rate of up to 95%. When applied to the sales industry, the predicted results are almost identical to the actual results. It has been confirmed that data science can collect, process, analyze data, and make predictive inferences. Data science can be applied to personalized content, navigation, and other scenarios that require prediction of results.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,041 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,008 | 0,012 |
| Études des sciences et des technologies | 0,004 | 0,019 |
| Communication savante | 0,016 | 0,028 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,009 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».