資料科學是通過組織，處理和分析資料從大量不同的資料中獲取知識和洞察力的過程。 它涉及許多不同的學科，如數學和統計建模，從資料源提取資料和應用資料視覺化技術。 通常還涉及處理巨量資料技術以收集結構化和非結構化資料。 下面我們將看到一些使用資料科學的範例場景。
推薦系統
隨著網上購物越來越普遍，電子商務平台能夠捕捉使用者購物偏好以及市場上各種產品的表現。這可以通過建立推薦系統實現，該系統建立預測購物者需求的模型並顯示購物者最有可能購買的產品。
金融風險管理
通過使用過去的消費習慣，過去的違約，其他財務承諾和許多社會經濟指標，可以更好地分析涉及貸款和信貸的金融風險。這些資料以不同格式從各種來源收集。將他們組織在一起並深入了解客戶概況需要資料科學的幫助。其結果是通過避免壞賬將金融機構的損失降到最低。
改善保健服務
醫療保健行業處理各種資料，這些資料可以分為技術資料，財務資料，患者資訊，藥物資訊和法律規則。所有這些資料需要以協調一致的方式進行分析，以產生見解，同時保持醫療服務提供者和受護理者的成本，同時保持合法合規。
計算機視覺
計算機識別影象的進步涉及處理來自同一類別的多個物件的大量影象資料集。例如，臉部識別。對這些資料集進行建模，並建立演算法將模型應用於較新的影象以獲得令人滿意的結果。處理這些龐大的資料集和建立模型需要資料科學中使用的各種工具。
有效的能源管理
隨著能源消費需求的增長，能源生產企業需要更有效地管理能源生產和配送的各個階段。這包括優化生產方法，儲存和分配機制以及研究客戶消費模式。連結來自所有這些來源的資料並獲得洞察力似乎是一項艱鉅的任務。通過使用資料科學工具使這變得更容易。
資料科學的程式設計需要非常靈活而靈活的語言，編寫程式碼很簡單，但可以處理高度複雜的數學處理。 Python最適合這樣的需求，因為它已經將自己建立為一般計算和科學計算的語言。 更重要的是，它正在不斷升級，以針對不同程式設計要求的其眾多庫的新增加形式。 下面我們將討論python的這些特性，使其成為資料科學的首選語言。
在隨後的章節中，我們將學習如何利用python的這些功能來完成資料科學不同領域所需的所有任務。