第6章：Data Science and Big Data

书内页码：71–104

本章要解决的问题

数据科学项目如何从业务问题走到可运行模型？大数据工具链和组织实践的关键点是什么？

核心结论

数据科学的起点是定义业务问题，而非先选算法。数据收集、准备、建模和实验构成迭代流程；模型的业务价值取决于数据质量、流程嵌入和持续验证。

五步流程

1. 定义问题与成功标准；2. 收集相关数据；3. 清理、整理并准备数据；4. 建模；5. 实验、比较并迭代。

章节另讨论数据科学与 AI/机器学习的区别、大数据的含义、数据收集/处理/工作流工具，以及项目中的挑战和经验。流程图和技术栈细节应以原书图表核验。

学习方法与易错点

先把业务决策、目标变量、可用特征和约束说清楚，再评估模型；训练效果不等于上线收益。数据偏差、缺失、标签质量、部署条件及反馈循环都可能改变结果。不要把“大数据”误解成只要规模大就更准确。

限定与联系

本章的流程是通用项目框架，不保证每个问题都需要机器学习。第11–12章进一步讲模型类型与实践选择；第16–17章展示另类数据和借贷中的应用。

**原文依据：**书内页 71–104。