数据科学
数据科学是融合统计学、机器学习、编程和领域知识的交叉学科，通过对大量数据的收集、处理和分析，提取洞察并支持决策，广泛应用于商业、医疗、科研等领域
核心事实
时间轴 (近 90 天)
一门结构化的数据科学课程通常涵盖Python编程、统计学基础、数据清洗与可视化、机器学习算法入门以及实战项目开发。
Python是希望进入人工智能、机器学习和数据科学领域者的最优选择
人工智能作为学科概念已存在数十年，涵盖机器学习、计算机视觉、强化学习、符号推理等广阔领域
数据科学的数学基础重点包括线性代数、概率与统计、微积分基础
对于入门级数据科学岗位，雇主关注端到端项目能力、沟通与业务理解能力、扎实的技术基本功（SQL/Python/统计学）、学习能力与好奇心
作者建议数据科学学生大一打好编程与数学基础，大二系统学习机器学习并从Kaggle入门竞赛开始，大三深化专长并争取实习，大四打磨作品集冲刺求职
作者认为实习经验在数据科学求职时的权重远超任何在线证书
数据科学工作流涵盖数据获取与连接、探索性数据分析（EDA）、特征工程、模型选择与调参、结果解释与可视化的完整链条
数据科学领域硕士与本科的起薪差异通常在10-20%
在数据科学招聘流程中，LeetCode编程题、Kaggle竞赛排名、论文发表数量等量化指标占据主导地位
还有 3 条时间轴事件
全部知识事实 (13)
人工智能作为学科概念已存在数十年，涵盖机器学习、计算机视觉、强化学习、符号推理等广阔领域
65%已验证在真实工业环境中，数据科学家通常花费60%-80%的时间在数据清洗和特征工程上，而非模型调优
65%待验证一门结构化的数据科学课程通常涵盖Python编程、统计学基础、数据清洗与可视化、机器学习算法入门以及实战项目开发。
50%待验证Python是希望进入人工智能、机器学习和数据科学领域者的最优选择
50%待验证数据科学的数学基础重点包括线性代数、概率与统计、微积分基础
50%待验证作者建议数据科学学生大一打好编程与数学基础，大二系统学习机器学习并从Kaggle入门竞赛开始，大三深化专长并争取实习，大四打磨作品集冲刺求职
50%待验证作者认为实习经验在数据科学求职时的权重远超任何在线证书
50%待验证对于入门级数据科学岗位，雇主关注端到端项目能力、沟通与业务理解能力、扎实的技术基本功（SQL/Python/统计学）、学习能力与好奇心
50%待验证数据科学工作流涵盖数据获取与连接、探索性数据分析（EDA）、特征工程、模型选择与调参、结果解释与可视化的完整链条
50%待验证数据科学领域硕士与本科的起薪差异通常在10-20%
50%待验证在数据科学招聘流程中，LeetCode编程题、Kaggle竞赛排名、论文发表数量等量化指标占据主导地位
50%待验证数据科学招聘流程中LeetCode编程题、Kaggle竞赛排名、论文发表数量等量化指标占据主导地位，软技能往往只在面试最后环节被象征性考察
50%待验证LinkedIn连续多年将数据科学列为最具需求的职位之一
50%