在大数据时代,大数据、统计学应当如何发挥它的优势?很多大数据、统计学家都在探讨这个问题,包括Steve M. 和Larry W. 也在他们的博客探讨了有关的内容。而笔者的科研方向主要是研究基因组学,也通常被列为统计学和统计学家发挥巨大作用的“大数据”的领域之一,所以对这个问 题也思考了一段时间。
一个自然而然的问题就是:“为什么在基因学研究中,统计学家可以取得如此大的成功?”笔者这里想借用Brian C.的一句话来解释:Problem first, not solution backward (问题优先而非解法优先)
在当下,“大数据”这个词的广泛应用得益于数据的获取变得越来越便宜。一个例子就是DNA序列扫描的价格。在其他领域中也是一样,例如人体运动的数 据记录,Fitbits,Google books,Twitter上的社交网络数据等等。这些数据的获取或许在十年前有着令人生畏的价格,但现在却绝非难事。
作为一名统计学家,我们希望从这些非常不同的领域中寻找大数据普适的原则:
1.这些数据都无法在一个简单的笔记本电脑上进行分析(不论从几千兆到兆兆字节)。
2.这些数据形式复杂,结构庞杂,如有非结构化的文字信息,有缺失很多数据的json文件,含有质量指标的fastq文件等等等等。
那么为什么在基因研究中,统计学家能取得如此大的成功呢?在笔者看来,很多原因就是干这一行的统计学家愿意花上很长的时间,去处理那些很细节的数据 问题。比如,在大数据上运行哪怕是最为简单的统计模型,也要花上数个小时的时间,抑或处理一个得到的基因序列并对它们进行必要的修复也同样是非常耗时耗 力。正因为愿意去花时间理解并处理这些很实际的、很细节的问题,统计学家才能得到那些别人无法得到的数据,才使得统计学家在基因学科上取得了今天的成就。
这些事情并不轻松,也并不“高雅”。很多统计学家也不称之为“统计”。Steve在他的博客中提到:“坦诚地说,我对于现在的统计学很少能提出有价 值的新观点表示失望。”我想,他的观点是有很多统计学家赞同的。大意是说由于在大数据上面目前没有什么好的理论提出,所以在大数据方面也就没什么值得称为 上乘的“新观点”。他们的这种观点就是solution backward (解法优先):我们需要漂亮的理论,然后把它应用到具体问题。
与之不同,我们提出的方式,就是problemforward (问题优先)。正因为当下得到数据变得越来越便宜,我们也就可以分析和学习很多以前无法完成的课题。计算机科学,物理学,生物基因以及其他一些领域在大数 据上面一直保持领先正因为他们的研究者在数据分析上并不一定需要一个统计上“完美”的解答。他们更关注有科学意义的问题并愿意花时间,精力去处理那些繁琐 的“大数据”来进行分析,从而达到目的。因此,他们能获得别人从未研究过的数据并从中提炼有价值的部分。
在基因学科中就有着很好的例子。DNA晶片的发明,对这个领域产生了革命性的影响。而后统计学家进入这个领域。他们和其他科研人员一起为了同样的科 学问题,在实际数据上投入了大量的时间,精力来完成数据处理,或者开发能够处理数据的软件。在笔者看来,想要在大数据时代真正做出成果,首先要专注于那些 有意义的科学问题,然后才是提出能解决科学问题的统计方法。这就需要我们重新去思考统计学。那些比如并行计算,数据再加工,数据可复制性,软件开发等等问 题,其实和纯统计理论方法同样的重要。
当然,在大数据时代,统计学有着广泛的发挥空间,用我们独特的技能去处理这些新问题中的不确定性,但是这一切的前提都是我们要首先愿意去为了科学目标来处理那些关于数据方面繁琐的工作。
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14