在深入了解数据分析和人工智能行业之前，让先来了解一些基础术语。这些术语涵盖了从简单的报告到复杂的人工智能应用。如果对音频视觉格式的内容更感兴趣，提供了视频解释。如果选择继续阅读，请跟随深入了解。
首先，来看“报告”。这是数据科学领域的基础。报告可以是自动化的，并且需要的人工干预最少。这包括日常、每周和每月的报告，它们使用相同的数据源和列。
接下来是“管理信息系统”（MIS）和“侦探分析”。MIS用于追踪组织内发生的事情，大多数时候回答“发生了什么？”。当开始基于数据提问时，就产生了进行侦探分析的需求。侦探分析通常回答“为什么会发生某事？”
例如，对于一个银行业务，如果业务来自多个地点，报告可以告诉多个信息——哪些城市或地区为银行带来了最多的业务，以及这些业务中有多少是低质量的。这很重要，因为这些可能是银行不希望带来的业务。MIS本身不能做很多事情，这就是侦探分析的用武之地。
接下来是“仪表板”或“商业智能”（BI）。想象一下，业务的每一个动作都能实时反映在业务执行者的屏幕上，这就是商业智能。仪表板用于回答“业务现在正在发生什么？”
例如，一个仪表板可以告诉用户群体的统计信息。有多少用户访问了网站？哪个时间段的流量最高？这些问题都可以在接近实时的情况下为仪表板用户解答。非常有用，不是吗？
接下来是“预测建模”。预测建模是什么？当收集所有数据来预测在细节层面可能发生的事情时，这就是预测建模。
例如，对于银行来说，哪个客户可能在未来30天内违约，这就是预测建模要回答的问题。为此，需要使用所有客户过去的数据，并查看趋势和客户违约的原因，以预测今天拥有的每个客户失败的可能性。预测分析通常回答“在非常细节的层面上可能会发生什么？”
接下来是“预测”。预测是基于过去和现在数据估计未来的过程。它通常在聚合层面进行。例如，特定航班将有多少客户飞行，或者预计下一个小时会接到多少电话？
这些都是预测问题。需要一个总体层面的答案来规划业务。预测的结果通常如下所示——可以看到预期需求、上限和下限。但如果需要的是更细节的读数，例如，哪些客户可能乘坐下一航班？哪些可能会取消？需要进行预测建模。同样，如果想预测哪些客户可能在下个月购买产品？那将是预测建模的问题。没有任何预测模型的结果会在客户层面看起来像这样。会预测一个特定的结果，然后据此采取行动。
最后，来谈谈最常见的术语之一——机器学习。机器学习是什么？机器学习是一种系统，它教会机器根据数据自己学习事物并改进预测或行为。
例如，创建一个基于消费者行为不断改进的算法就是机器学习的应用，一个典型的案例是推荐系统。让花点时间理解机器学习和统计建模之间的区别。看看这张来自麦肯锡的图片——
# 这里可以插入一个图表的代码或描述，展示机器学习和统计建模的区别
它以图形格式绘制了两个变量。在这里看到的斜率线或非线性线是经典的回归分析，绘制这条线是为了理解两个驱动因素A和B，或者在这种情况下的两个变量之间的差异，这是一个统计建模任务。
但是当看到机器学习算法生成的轮廓时，可以看到统计建模在任何方面都无法与手头的问题相比。ML的轮廓似乎捕捉到了所有超出线性甚至连续性边界的模式。这就是机器学习可以为做的事情。这里有一个轻松的对比，统计学家如何构建模型结果与机器学习专业人士的对比。花点时间阅读一下——
看到两者之间的微妙区别了吗？
深度学习是机器学习的一个子集，现在是一个非常流行的领域，神经网络是用于构建模型的深度学习技术。这里需要注意的是，“深度”这个词来自神经网络的层数或神经网络的深度。这张图说明了深度学习算法的表现如何——
给模型提供的数据越多，性能就越好。旧算法在某个点之后会趋于平稳，不管输入多少数据，而深度学习模型则持续改进。深度学习的一些应用示例包括语音识别、图像识别、自然语言处理等。