京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据时代的知识_数据分析师培训
进入网络大数据时代之后,海量的知识顿时如潮水涌现,令人眼花缭乱。到底哪些是真知识,并且是有用的知识?现在成了一个难题。如果在大数据时代善于将知识有效利用,这也是不错的时代,可惜并非所有人都是如此。《知识的边界》([美]戴维·温伯格著, 胡泳、高美译,山西人民出版社)这本书,就是围绕“大数据时代的知识”一系列问题展开了深层次的探讨和反思。
本书作者戴维·温伯格是哈佛大学资深研究员,围绕网络社会与知识创新等热点话题,经常为美国《连线》《纽约时报》《哈佛商业评论》等报刊撰稿。《知识的边界》一书共分为“知识超载”“深不可测的知识海洋”“长形式,网形式”等九个篇章。每一篇章中,温伯格对于“大数据时代的知识”进行了不同层面、不同维度的分析和梳理。大数据时代的知识是较之印刷时代的知识而言的,印刷时代的知识是静态、单向度、线性的传播方式;而大数据时代的知识则恰恰相反,美国云计算之父马克·贝尼奥夫认为,大数据时代的知识具有社交性、流动性、开放性的特征。而温伯格则在书中一语中的:“大数据时代的知识没有边界、也没有形状。”
大数据时代的知识,没有像印刷时代对知识结构视为必须具备的“基础”,知识是非线性的,可以自由组合、切割,处于一种游离状态,有点“召之即来,来之可取”的意味。温伯格在书中,对一系列基本概念提出了批判性的思考。比如,他在阐发“事实”的概念时,认为人类社会只有到了十九世纪,“事实”才成为知识的基础和解决争论的最终方法。他写道:“但我们应该意识到,那个时期对事实的看法,并非基于事实而是基于发表事实的纸质媒体。”今天大数据时代所提供的“事实”,远远超出了传统书籍的范围, “事实”充满林林总总的分歧和争论。
大数据时代的知识,如同一张无限扩展的大网,将人类所有知识“一网打尽”。而在先前的印刷时代,知识主要依靠出版,少数的知识精英把持知识的传播特权;网络新媒体开启的大数据时代,则是一场更为深远的知识颠覆性变革,知识传播呈几何级数式增长。当前,网络新媒体技术打破了精英与平民之间的知识壁垒,改变了自上而下的知识传播模式,使知识的生产与传播陷入不确定的状态。
温伯格对于大数据时代的知识秉持乐观的态度。从客观上看,大数据时代的知识学习,确实有其便捷性,这是不争的事实。
如果说大数据时代的知识给人带来便捷,那么拓展人们的知识视野,则更有不可替代的优势。2011年以来,一种名为“慕课”(在线学习网络)的学习方式,给知识的学习与传播带来划时代的“革命”。“慕课”的周围,聚集着全球各地的青年学生,他们各自在家中的电脑前,在线聆听老师授课。老师在授课中学生可以随时提问,课后师生之间可以进行互动性的交流,老师在线批改作业,进行课业点评。这种学习知识的新方式,令人们毫无时空的阻隔感。“立体式”的知识传播,使得传统的课堂受到严峻挑战。现在有专家认为,“慕课”猛于虎,那些讲课不精彩、专业基础不扎实的教师,将来在“慕课”的浪潮中面临职业危机。
这里不得不提,大数据时代的知识便捷性只是相对而言。假如高度依赖网络数据进行学术研究或者文学创作,笔者有着隐隐的担忧:因为学者、作家使用数据库后,省略了在稿纸上的“各种比划”,思考中的各种揣摩、猜疑和最初的灵感火花,无法原汁原味地留存。众所周知,学术研究或者文学创作过程中那些潦草、凌乱的文稿笔迹,是知识的半成品,具备极高的研究价值。大数据时代将大脑思索的过程轻而易举地抹掉,应该引起足够的关注。
大数据时代的知识能轻松获得,也并不意味着就能真正掌握知识。大数据时代的知识仅仅是一种资源,好比家中存放成百上千的书籍,如果不去研读,知识和人依然无关。不管处于怎样的一种时代,知识需要人们花苦功夫钻研,否则再多的知识也无意义。另外,现在不少人,凡是有不懂的问题,习惯性地上网搜索,不做任何甄别地将网上的知识和答案奉为宝典。长此以往,久而久之会使大脑变得懒惰,思维变得迟钝。大数据时代的知识,究竟是令人变得聪明还是愚笨?
《知识的边界》一书的魅力,在于它所呈现的思辨层面的丰富性,以及从无数具体的论争、微小的案例出发,对知识本身的学习、生产、传播、知识内部要素以及知识的外部影响,进行了层层深入、环环相扣的论述。在很多看上去不是问题的问题的追问中,温伯格表现出深厚的知识思辨能力,这是极为难得的。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在使用Excel透视表进行数据汇总分析时,我们常遇到“需通过两个字段相乘得到关键指标”的场景——比如“单价×数量=金额”“销量 ...
2025-11-14在测试环境搭建、数据验证等场景中,经常需要将UAT(用户验收测试)环境的表数据同步到SIT(系统集成测试)环境,且两者表结构完 ...
2025-11-14在数据驱动的企业中,常有这样的困境:分析师提交的“万字数据报告”被束之高阁,而一张简洁的“复购率趋势图+核心策略标注”却 ...
2025-11-14在实证研究中,层次回归分析是探究“不同变量组对因变量的增量解释力”的核心方法——通过分步骤引入自变量(如先引入人口统计学 ...
2025-11-13在实时数据分析、实时业务监控等场景中,“数据新鲜度”直接决定业务价值——当电商平台需要实时统计秒杀订单量、金融系统需要实 ...
2025-11-13在数据量爆炸式增长的今天,企业对数据分析的需求已从“有没有”升级为“好不好”——不少团队陷入“数据堆砌却无洞察”“分析结 ...
2025-11-13在主成分分析(PCA)、因子分析等降维方法中,“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
2025-11-12大数据早已不是单纯的技术概念,而是渗透各行业的核心生产力。但同样是拥抱大数据,零售企业的推荐系统、制造企业的设备维护、金 ...
2025-11-12在数据驱动的时代,“数据分析” 已成为企业决策的核心支撑,但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
2025-11-12金融统计不是单纯的 “数据计算”,而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估,到投资组合的 ...
2025-11-11这个问题很有实战价值,mtcars 数据集是多元线性回归的经典案例,通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
2025-11-11在数据驱动成为企业核心竞争力的今天,“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
2025-11-11在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10在数字经济时代,“数字化转型” 已从企业的 “可选动作” 变为 “生存必需”。然而,多数企业的转型仍停留在 “上线系统、收集 ...
2025-11-10在数据分析与建模中,“显性特征”(如用户年龄、订单金额、商品类别)是直接可获取的基础数据,但真正驱动业务突破的往往是 “ ...
2025-11-07在大模型(LLM)商业化落地过程中,“结果稳定性” 是比 “单次输出质量” 更关键的指标 —— 对客服对话而言,相同问题需给出一 ...
2025-11-07在数据驱动与合规监管双重压力下,企业数据安全已从 “技术防护” 升级为 “战略刚需”—— 既要应对《个人信息保护法》《数据安 ...
2025-11-07在机器学习领域,“分类模型” 是解决 “类别预测” 问题的核心工具 —— 从 “垃圾邮件识别(是 / 否)” 到 “疾病诊断(良性 ...
2025-11-06在数据分析中,面对 “性别与购物偏好”“年龄段与消费频次”“职业与 APP 使用习惯” 这类成对的分类变量,我们常常需要回答: ...
2025-11-06