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
在数据库数据分析、数据清洗、报表统计与业务查询场景中,日期时间是最高频、最核心的基础字段。数据库中存储的日期格式多样,包 ...
2026-08-13在数据统计分析与数据清洗工作中,箱线图是一种简洁高效、客观性强的数据可视化图表,能够直观呈现数据集的分布特征、离散程度和 ...
2026-08-13 很多数据分析师写过无数个SELECT查询,但当被问到“如何新建一张表来固化中间数据”“创建视图和创建物理表有什么区别”“视 ...
2026-08-13在自动化办公、数据采集、定时统计、日志清理、系统监控等场景中,程序往往需要按照固定时间间隔重复执行指定任务,这种运行机制 ...
2026-08-12在数据分析日常工作中,Excel数据筛选是数据清洗、数据提取、样本筛选的核心基础操作。传统Excel手动筛选、函数筛选方式,面对多 ...
2026-08-12 很多数据分析师精通Excel函数和数据透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么 ...
2026-08-12在数据分析、统计建模、数据挖掘与商业调研过程中,原始数据往往无法做到绝对干净规整。受系统故障、人工录入失误、设备误差、突 ...
2026-08-11在数据分析工作中,聚类分析是典型的无监督学习方法,核心作用是依据数据自身的多维特征,将相似样本自动划分为若干类别,实现“ ...
2026-08-11 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-11AB实验是互联网产品迭代、营销优化、功能升级的核心科学验证手段,通过流量随机分组、对照组与实验组对比,科学验证策略、功能、 ...
2026-08-10在MySQL数据库优化中,索引是提升查询效率、降低数据库IO开销、优化系统性能的核心手段。普通单列索引仅适配简单查询场景,面对 ...
2026-08-10 很多数据分析师每天盯着几十个指标,但当被问到“这套指标要支撑什么业务目标”“指标之间是什么逻辑关系”“业务变化时如何 ...
2026-08-10在数字化市场调研体系中,大数据与小数据是两类核心调研数据形态,分别对应海量行为统计与精准样本深度调研。行业普遍存在认知误 ...
2026-08-07数据透视表是Excel、WPS中最核心的数据分析工具,凭借快速汇总、分组统计、动态筛选的优势,被广泛应用于销量统计、业绩复盘、数 ...
2026-08-07 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“哪些指标在所有行业都适用”“哪些指标只对电商有意义”“二者如何搭 ...
2026-08-07在商品销量、市场需求、营收规模等业务数据中,季节性波动是最普遍、最核心的数据特征。零售快消、食品餐饮、家电服饰、电商行业 ...
2026-08-06在流量红利消退、市场竞争白热化的商业环境中,传统依托经验、跟风投放、广撒网式的营销模式,逐渐暴露出成本高、精准度低、转化 ...
2026-08-06 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“什么是指标”“指标和维度有什么区别”“如何定义指标值的计算规则和 ...
2026-08-06【核心关键词】知识、设备、工程师、数字化、建模、算法、工业大数据、数据分析、控制算法、机器学习、深度学习、业务目标、工 ...
2026-08-05增长率是数据分析、业务报表、可视化看板中最核心的指标之一,常用于衡量营收、销量、用户量、流量等业务数据的涨跌幅度与发展趋 ...
2026-08-05