数据科学知识的广博令人生畏，因此这里只简单介绍一些基础知识，不会涉及任何公式或计算机编程专业术语。
我们将讨论“5 个数据科学可解答的问题”。
数据科学使用数字和名称（也称为类别或标签）预测问题的答案。
这可能会让人感到惊讶，但数据科学只可解答以下五种问题：
- 这是 A 还是 B？
- 这是否很奇怪？
- 多少？
- 组织方式为何？
- 接下来该怎样做？
以上每个问题都由单独系列的机器学习方法（称为算法）回答。
将算法视为配方，数据视为成分可帮助理解。 算法告知如何组合以及混合数据以获取答案。 计算机如同搅拌机。 它们可快速完成算法的大部分繁琐工作。
“问题 1：这是 A 还是 B？”使用分类算法
让我们从这个问题开始：这是 A 还是 B？
此系列算法称为双类分类。
对于任何仅有两种可能答案的问题很有用。
例如：
- 此轮胎是否会在下一 1,000 英里中出现故障：是或否？
- 以下哪种方案可吸引更多顾客：5 美元优惠券或 25% 折扣？
此问题还可进行改述，来包括两个以上的选项：这是 A、B、C 还是 D，等？ 这称为多类分类，当有多个或数千个可能的答案时很有用。 多类分类选择可能性最大的一个答案。
“问题 2：这是否很奇怪？”使用异常检测算法
下一个数据科学可以回答的问题是：这是否很奇怪？ 此问题通过称为异常检测的算法系列进行回答。
如果有信用卡，那么已从异常检测获益。 信用卡公司分析购买模式，使他们可提醒用户可能的欺诈行为。 “异常”费用可能是在一家通常不会去购物的商店购物时，或购买非常昂贵的物品时所产生的费用。
此问题在很多方面都很有用。
例如：
- 如果汽车上配有压力表，可能会想知道：此压力表读数是否正常？
- 如果正在监控 Internet，就会想知道：此消息是否是来自 internet的典型消息？
异常检测标志意外或异常事件或行为。 它会提供在何处查找问题的线索。
“问题 3：多少？”使用回归算法
机器学习还可以预测“多少？”这一问题的答案。 回答此问题的算法系列称为回归算法。
回归算法进行数字预测，例如：
- 下周二的气温是多少？
- 我第四季度销售额有多少？
它们可帮助回答任何寻求数字答案的问题。
“问题 4：组织方式为何？”使用聚类分析算法
最后两个问题更高级一点。
有时希望了解数据集的结构 - 组织方式为何？ 对于此问题，并没有已经知道结果的示例。
可通过多种方法梳理出数据结构。 其中一种方法就是聚类分析。 为方便解释，该方法将数据分成多个自然“群”。 使用聚类分析，不会存在正确答案。
聚类分析问题的常见
示例有：
- 哪些观众喜欢同类型的电影？
- 哪些打印机型号出现故障的方式相同？
通过了解数据的组织方式，可以更好地了解并预测行为和事件。
“问题 5：现在应该做什么？”使用强化学习算法
最后一个问题 – 现在应该做什么？ - 使用称为强化学习的算法系列。
强化学习的灵感来自于老鼠和人类的大脑对惩罚和奖励的反应。 这些算法从结果中学习，并决定下一步操作。
通常，强化学习适用于自动系统，这些自动系统需要在没有人工指导的情况下做出大量小决策。
此算法总是用于回答此类问题：（通常指计算机或机器人）应采取何种操作。
示例如下：
- 如果是房子的温度控制系统：调整温度或保持其原温度？
- 如果是自动驾驶汽车：黄灯时，刹车或加速？
- 对于机器人吸尘器：继续吸尘或返回充电站？
强化学习算法在执行过程中收集数据，从试验和错误中学习。
这就是数据科学可以回答的 5 个问题。