企业官网建设流程全解析

Data-Science-For-Beginners 云上数据科学入门：云计算基础模型与云端数据科学实战

【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

本指南对应 Data-Science-For-Beginners 课程「5-Data-Science-In-Cloud」单元的第 17 课（英文原版，法语译本），系统讲解云计算的本质、公有/私有/混合云的部署形态、IaaS/PaaS/SaaS 三大服务模型，以及数据科学家选择云端的原因。读完本文，你将掌握云计算的完整概念框架，理解云服务如何解决存储、集成、算力、分析与机器学习等数据科学核心挑战，并透过两个真实项目示例（实时社交媒体情感分析、COVID 科学论文分析）看清云端数据科学的落地路径。

数据科学与云：第 17 课课程速写（Sketchnote）

一、什么是云（Cloud）？

云（Cloud），又称云计算（Cloud Computing），是指通过互联网按需交付一系列计算服务的模式，这些服务托管在远端基础设施之上，以「按使用量付费」为主要计费方式。服务范围涵盖存储、数据库、网络、软件、数据分析以及各类智能服务。

从课程的定义可以提炼出云计算的三个关键特征：

• 按需交付（on-demand）：用户可以随时申请、释放计算资源，无需等待漫长的采购与部署周期；
• 通过互联网访问（over the internet）：一切能力经由网络对外提供，用户无需关心资源物理位置；
• 按用量计费（pay-as-you-go）：只为自己实际消耗的资源付费。

二、云的部署形态：公有云、私有云与混合云

课程将云的部署形态划分为三类，理解其区别是选择云架构的第一步：

三、云服务的三大服务模型：IaaS、PaaS 与 SaaS

绝大多数云计算服务可归入以下三类服务模型，它们代表了对底层基础设施不同层级的托管与抽象：

基础设施即服务（IaaS）

用户以租赁方式获得 IT 基础设施，包括服务器、虚拟机（VM）、存储、网络与操作系统。IaaS 提供最底层的控制力，用户需要自行管理与配置系统环境，适合需要高度定制化基础设施的场景。

平台即服务（PaaS）

用户租用一个用于开发、测试、交付和管理软件应用的完整运行环境。PaaS 的最大价值在于：用户无需关心底层服务器、存储、网络与数据库的配置与管理，可将全部精力投入应用逻辑本身。本课程的云数据科学实践（AutoML 训练、模型部署）即属于典型的 PaaS 应用场景。

软件即服务（SaaS）

用户通过互联网按需访问软件应用，通常采用订阅制。用户无需关心软件的托管、底层基础设施以及升级和安全补丁等维护工作，开箱即用，例如各类在线办公套件与数据分析 SaaS 产品。

三大模型的核心差异可概括为「谁负责什么」：IaaS 用户负责操作系统之上的一切，PaaS 平台负责运行时环境，SaaS 则连应用本身也由厂商托管。

四、主要云服务提供商

课程指出，全球规模最大的云服务提供商包括Amazon Web Services（AWS）、Google Cloud Platform（GCP）与 Microsoft Azure。后续课程（18-Low-Code 与 19-Azure）将以 Azure 为平台，演示如何利用云的能力完成心力衰竭预测项目的完整生命周期——从数据准备、模型训练到部署与调用。

五、为什么数据科学家要选择云？

开发者与 IT 专业人士选择云计算的动机通常包含以下七点，课程逐一进行了阐述：

• 创新（Innovation）：可将云服务提供商打造的创新服务直接集成进应用，为产品注入前沿能力；
• 灵活性（Flexibility）：只为自己需要的服务付费，可从海量服务中按需选择，随业务演进动态调整；
• 预算友好（Budget）：无需前期一次性投入购买软硬件、自建并运维本地数据中心，按实际使用付费即可；
• 可扩展性（Scalability）：资源随项目需求伸缩，应用可根据外部因素随时增减计算能力、存储与带宽；
• 生产力（Productivity）：把精力聚焦在核心业务上，将数据中心管理等事务性工作交由云平台承担；
• 可靠性（Reliability）：云计算提供多种持续备份机制，可建立灾难恢复（disaster recovery）计划，在危机时刻保障业务连续性；
• 安全性（Security）：获得云平台提供的强化项目安全性的策略、技术与控制措施。

六、云如何解决数据科学家的五大核心挑战

在理解云的概念与优势后，课程进一步聚焦数据科学家与数据开发者的日常工作，指出云可以针对性地解决以下五大挑战：

1. 海量数据存储

无需购买、管理与防护大型服务器，可直接将数据存放于云端，典型方案包括Azure Cosmos DB、Azure SQL Database 与 Azure Data Lake Storage，分别覆盖 NoSQL 文档存储、关系型数据库与大规模数据湖场景。

2. 数据集成

数据集成是数据科学从「数据采集」走向「采取行动」的关键环节。借助云中的数据集成服务（如Azure Data Factory），可以从多源采集、转换并集成数据至统一的数据仓库中。

3. 数据处理

海量数据处理需要强大的计算能力，并非所有人都拥有足够强劲的本地机器。因此许多团队选择直接调用云的规模化算力来运行和部署解决方案。

4. 数据分析服务

Azure Synapse Analytics、Azure Stream Analytics 与 Azure Databricks等云服务可帮助你将数据转化为可执行的洞察。

5. 机器学习与人工智能服务

不必从零开始搭建，可直接使用云提供商提供的机器学习算法（如Azure ML），以及语音转文本、文本转语音、计算机视觉等认知服务（Cognitive Services），显著降低 AI 应用的开发门槛。

七、云中数据科学实战示例

为了让抽象概念落地，课程给出了两个端到端的项目示例。

示例一：实时社交媒体情感分析

这是机器学习初学者最常研究的场景之一。假设你运营一个新闻媒体网站，希望利用实时数据了解读者可能感兴趣的内容，可以构建一个对 Twitter 上相关主题推文执行实时情感分析的程序。

关键指标包括：特定主题（hashtag）的推文数量（volume），以及借助分析工具对指定主题进行情感分析得到的情感倾向（sentiment）。

项目实现步骤如下：

1. 创建用于流式输入的事件中心（Event Hub），负责收集 Twitter 数据；
2. 配置并启动 Twitter 客户端应用，调用 Twitter 流式 API（Streaming APIs）；
3. 创建流分析作业（Stream Analytics job）；
4. 指定作业的输入与查询逻辑；
5. 创建输出接收器（output sink）并指定作业输出；
6. 启动作业，持续消费实时情感分析结果。

说明：该场景对应的完整微软官方教程（Stream Analytics 结合 Twitter 情感分析）链接位于原文档中，因外部链接不在本文范围内，此处仅保留方法论层面的步骤梳理。

示例二：科学论文智能分析

第二个示例来自本课程作者之一 Dmitry Soshnikov 的真实项目：构建一个分析COVID 论文的工具。该工具能够从海量科学论文中抽取知识、获取洞察，帮助研究人员高效浏览大型论文集合。

项目采用的技术路线如下：

1. 使用Text Analytics for Health（医疗文本分析服务）对论文信息进行抽取与预处理；
2. 使用Azure ML对处理过程进行并行化加速；
3. 使用Cosmos DB存储并查询抽取出的结构化信息；
4. 使用Power BI创建交互式仪表盘，支持数据探索与可视化。

两个示例共同说明：云服务可以被灵活组合，用于支撑数据科学项目的采集、存储、计算、分析与可视化全链路。正如课程总结所言——「如你所见，我们可以在许多方面利用云服务来开展数据科学」。

八、课程延伸：从「为什么上云」到「如何在云端做数据科学」

第 17 课回答了「为什么要用云」，而同一单元的后续课程则完整回答了「如何在云上落地一个数据科学项目」。三者构成一条从理念到实战的完整链路：

两种实现方式各有取舍：低代码/无代码方式无需编程经验、开发快速，适合验证项目可行性、构建概念验证（POC）；但项目成长并走向生产环境时，通过 GUI 创建资源不可持续，必须用代码程序化地自动化一切——从资源创建到模型部署——这正是掌握 Azure ML SDK 的价值所在。这两条路线在仓库中均有完整的操作文档（18-Low-Code/README.md、19-Azure/README.md）与可运行的示例 Notebook（5-Data-Science-In-Cloud/19-Azure/notebook.ipynb）可供对照学习。

九、课后实践：云提供商数据科学能力市场调研

本课的课后作业（Assignment）要求进行一项市场调研（Market Research）：

本课介绍了多家重要的云服务提供商。请开展市场调研，了解各家能为数据科学家提供哪些能力：它们的服务是否具有可比性？撰写一篇短文，描述至少三家云提供商的数据科学服务。

作业评分标准（Rubric）如下：

建议按以下维度开展调研对比：机器学习平台（如 AutoML 能力）、数据存储与集成服务、数据分析与可视化工具、AI 认知服务、计费模式与生态集成度，并结合本课学习的 IaaS/PaaS/SaaS 框架归类各家的服务层次。

小结

云计算为数据科学提供了一站式的基础设施与平台能力：以 IaaS 获得弹性算力、以 PaaS 摆脱环境运维负担、以 SaaS 直接消费智能服务。结合本单元后续课程，你将能真正在云端完成一个数据科学项目的完整生命周期。想进一步了解课程目录结构，可查阅 docs/_sidebar.md 中的单元导航，或直接在仓库中浏览 5-Data-Science-In-Cloud 单元下的全部资源。

【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