企业官网建设流程全解析

数据科学上云入门：Data-Science-For-Beginners 云上数据科学系列第一课

【免费下载链接】Data-Science-For-Beginners10 Weeks, 20 Lessons, Data Science for All!项目地址: https://gitcode.com/GitHub_Trending/da/Data-Science-For-Beginners

云计算正在重塑数据科学的工作方式：从海量数据存储、数据集成、大规模计算，到机器学习模型训练与部署，几乎每一个环节都能在云上完成。本篇文章围绕 Data-Science-For-Beginners 课程体系中"数据科学与云"（Data Science in the Cloud）模块的第一课展开，系统讲解云与云计算的基本概念、公有云/私有云/混合云的区别、IaaS/PaaS/SaaS 三大服务模型，以及数据科学家为何选择云来运行数据科学项目，并剖析两个真实的云上数据科学项目案例。读完本文，你将掌握云上数据科学的基础知识框架，为后续学习低代码/无代码训练模型（第 18 课）与 Azure ML SDK 开发方式（第 19 课）打下坚实基础。

什么是云（The Cloud）？

云，即云计算（Cloud Computing），是通过互联网按需交付、按使用付费（pay-as-you-go）的计算服务，这些服务托管在云基础设施之上。服务范围覆盖存储、数据库、网络、软件、分析以及智能服务等解决方案。换句话说，你不再需要自建机房、购买物理服务器，而是通过网络租用弹性计算资源，按实际用量计费。

对应课程模块总览请参阅 5-Data-Science-In-Cloud/README.md，其中明确指出：处理大数据时，云可能成为"改变游戏规则"的关键因素。

公有云、私有云与混合云

按部署模型，云通常分为三类，课程中给出了如下定义：

• 公有云（Public Cloud）：由第三方云服务提供商拥有并运营，通过互联网向公众交付其计算资源。这是最常见的形态，用户按需租用资源、按用量付费。
• 私有云（Private Cloud）：云计算资源仅被单一企业或组织独占使用，服务与基础设施在私有网络上维护，安全性和可控性更高，但需要自行投入建设和维护成本。
• 混合云（Hybrid Cloud）：结合公有云与私有云的系统。用户可以选择在本地（on-premises）数据中心运行部分业务，同时允许数据和应用程序运行在一个或多个公有云上，兼顾安全合规与弹性扩展。

IaaS、PaaS 与 SaaS 三大服务模型

大多数云服务可归入以下三类：

• 基础设施即服务（IaaS，Infrastructure as a Service）：用户租用 IT 基础设施，例如服务器和虚拟机（VM）、存储、网络、操作系统。用户自行管理操作系统之上的环境，云提供商负责底层硬件。
• 平台即服务（PaaS，Platform as a Service）：用户租用用于开发、测试、交付和管理软件应用的环境。用户无需关心开发所需的底层基础设施（服务器、存储、网络、数据库）的搭建与管理，可专注于应用代码本身。
• 软件即服务（SaaS，Software as a Service）：用户通过互联网按需访问软件应用，通常以订阅方式计费。用户无需关心软件应用的托管、底层基础设施以及维护工作（如软件升级和安全补丁），开箱即用。

课程指出，目前最大的几家云服务提供商包括 Amazon Web Services（AWS）、Google Cloud Platform（GCP）和 Microsoft Azure。它们各自提供覆盖 IaaS、PaaS、SaaS 的完整服务目录，数据科学家可以按项目需求自由组合。

为什么数据科学要选择云？

开发者和 IT 专业人员选择使用云的原因多种多样，课程总结了七大核心驱动力：

云如何解决数据科学家的具体难题

理解云的普遍价值之后，课程进一步聚焦数据科学家和数据开发者的实际工作场景，给出了五类典型的云应用需求：

1. 存储海量数据：与其购买、管理和保护大型服务器，不如把数据直接存放在云中，例如 Azure Cosmos DB、Azure SQL Database 和 Azure Data Lake Storage。
2. 执行数据集成（Data Integration）：数据集成是数据科学从"收集数据"迈向"采取行动"的关键环节。借助云上的数据集成服务（如 Azure Data Factory），可以把来自不同来源的数据收集、转换并整合到统一的数据仓库中。
3. 数据处理（Data Processing）：处理海量数据需要大量算力，并非每个人都有足够的本地机器。直接利用云上强大的计算能力来运行和部署解决方案，是很多团队的选择。
4. 使用数据分析服务：Azure Synapse Analytics、Azure Stream Analytics、Azure Databricks 等服务可帮助把原始数据转化为可执行洞察（actionable insights）。
5. 使用机器学习与数据智能服务：无需从零开始，可以直接使用云厂商提供的机器学习算法（如 AzureML），还可以使用语音转文字、文字转语音、计算机视觉等认知服务。

课程模块 5-Data-Science-In-Cloud/README.md 展示了这一系列课的完整技术路线：以心力衰竭（Heart Failure）临床数据集为素材，分别用"纯界面操作的低代码/无代码方式"（18-Low-Code）和"Azure ML SDK 方式"（19-Azure）完成模型的训练、部署与消费，云正是这两条路径共同的运行底座。

云上数据科学实战案例

为了让概念落地，课程给出了两个完整的云上数据科学项目案例。

案例一：社交媒体实时情感分析

这是一个机器学习入门者常研究的场景：社交媒体实时情感分析。设想你运营一个新闻媒体网站，想利用实时数据了解读者对哪些内容感兴趣，可以构建一个程序，对 Twitter 上与你读者主题相关的推文执行实时情感分析。

需要关注的关键指标有两个：

• 特定主题（hashtag）的推文量：衡量话题热度的体积指标；
• 情感倾向（sentiment）：通过分析工具对指定主题的推文内容进行情感判定。

该项目的完整实施步骤为：

1. 创建事件中心（Event Hub）作为流式输入，负责从 Twitter 收集数据；
2. 配置并启动 Twitter 客户端应用，用于调用 Twitter Streaming APIs；
3. 创建 Stream Analytics 作业（job）；
4. 指定作业输入与查询（query）；
5. 创建输出接收器（output sink）并指定作业输出；
6. 启动作业。

整体技术栈体现了"云上实时流处理"的经典范式：流数据入口（Event Hub）→ 流式计算引擎（Stream Analytics）→ 结构化输出（输出接收器），全部环节由云服务托管，无需自建消息队列与流处理集群。

案例二：科学论文分析

第二个案例来自本课程体系的作者之一 Dmitry Soshnikov。他构建了一个分析 COVID 论文的工具，能够从海量科学论文中提取知识、获得洞察，帮助研究人员高效地在大型论文集合中导航。其技术步骤如下：

1. 信息提取与预处理：使用 Text Analytics for Health（健康文本分析服务），从论文中抽取并预处理医学信息；
2. 并行化处理：使用 Azure ML 将处理过程并行化，大幅缩短批量分析耗时；
3. 存储与查询：使用 Cosmos DB 存储和查询提取出的信息，支撑灵活的检索需求；
4. 交互式可视化：使用 Power BI 创建交互式仪表盘，用于数据探索与可视化。

这两个案例分别展示了云在"实时流数据"与"大规模批处理文本"两类场景中的价值：前者依赖事件中心与流分析服务，后者依赖托管机器学习平台、NoSQL 数据库与 BI 可视化工具——它们共同印证了课程结论：云服务可以以多种方式支撑数据科学工作流。

课程配套练习：市场调研作业

本课配套有一个"市场调研"（Market Research）作业（见 17-Introduction/assignment.md）：课程已介绍多家重要的云服务提供商，作业要求你针对这些厂商开展市场调研，对比它们各自能为数据科学家提供什么能力，评估各家服务是否具有可比性，并撰写一篇论文，介绍至少三家云厂商的数据科学服务及其差异。

评分标准（Rubric）如下：

建议调研时从三个维度切入：各家平台的机器学习平台（训练/部署能力）、数据存储与计算服务（数据湖、数据仓库、批处理/流处理）、认知与预训练服务（视觉、语音、NLP），并落到可量化的差异（如计费模式、伸缩上限、生态集成），这与本课正文中"存储、集成、处理、分析、机器学习"五类需求的分析框架一脉相承。

从入门到实操：本课在课程体系中的位置

本课是 5-Data-Science-In-Cloud 模块（共 3 课）的第一课，定位为概念铺垫。后续两课将把本课的云概念落到真实项目：

• 第 18 课：低代码/无代码方式：在 Azure ML Studio 中通过图形界面完成工作区创建、计算资源（计算实例/计算集群）配置、数据集上传以及 AutoML 自动训练，全程无需编写代码，适合快速验证项目可行性和构建概念验证（POC）。
• 第 19 课：Azure ML SDK 方式：使用 Python SDK 以代码方式完成相同的流程，包括Workspace.from_config()加载工作区、Experiment管理实验、AmlCompute创建计算集群、AutoMLConfig配置自动机器学习，以及模型注册、AciWebservice部署与 REST 端点消费。

两课对照使用同一个心力衰竭预测数据集（来自 Kaggle，13 列、299 行），其对比表格清晰说明了两种方式的取舍：低代码方式对代码能力无要求、开发快速，但不适合生产环境；SDK 方式需要编程能力，但可以实现从资源创建到模型部署的全流程自动化，具备生产就绪能力。这正是本课所讲"云上存储、算力、机器学习服务"概念的最佳落地注脚——理解云的基础概念，是走进这些实操路径的前提。

小结

本课围绕"为什么数据科学要上云"这一核心问题，完成了三层递进的论述：第一层回答"云是什么"（定义、三种部署模型、三大服务模型）；第二层回答"为什么选云"（七大优势与五类数据科学场景）；第三层用两个真实案例证明"云能做什么"（实时情感分析、科学论文分析）。作为云上数据科学系列的开篇，它没有涉及任何代码，而是为后续基于 Azure 的低代码与 SDK 实战建立起必要的概念框架。对初学者而言，建议先通过本课的课后小测验检验概念掌握情况，再完成市场调研作业，最后进入第 18、19 课的动手环节，形成"概念 → 对比 → 实操"的完整学习闭环。

【免费下载链接】Data-Science-For-Beginners10 Weeks, 20 Lessons, Data Science for All!项目地址: https://gitcode.com/GitHub_Trending/da/Data-Science-For-Beginners