当我作为数据科学家介绍自己的时候，我经常会遇到像“数据科学和机器学习有什么区别”或者“这是否意味着你在从事人工智能研究？”这样的问题，我已经回答了无数遍，这些回答已经符合了我的 “三次准则”：

• 当你写相同的代码写了三遍时，你就应该去写一个函数
• 当你给出相同的个人建议三次时，你就应该将建议写在博客里

在招聘网站上搜索人工智能相关的岗位，这些岗位的涉及到的技术领域包含：算法、深度学习、机器学习、自然语言处理、数据结构、Tensorflow、Python 、数据挖掘、搜索开发、spider开发、神经网络、视觉度量、图像识别、语音识别、推荐系统、系统算法、图像算法、数据分析、贝叶斯方法、概率编程、计算机数学、数据仓库、matlab建模等关键词，基本涵盖了现阶段人工智能细分领域的人才结构。

将上面的岗位涉及到的岗位和技术划分为四大类，就形成了五份书单：

国务院2017年7月8日印发《新一代人工智能发展规划》。

《新一代人工智能发展规划》提出新战略目标，到瞄准自动驾驶、城市大脑、医疗影像和智能语音等领域建设“国家队”，从创新重点任务“揭榜挂帅”机制到加快研究起草治理准则防范风险，人工智能发展蓝图愈发清晰，“新智慧”的发展动能也日益强劲。

在这篇文章中，数据科学家与分析师 Vincent Granville 明晰了数据科学家所具有的不同角色，以及数据科学与机器学习、深度学习、人工智能、统计学、物联网、运筹学和应用数学等相关领域的比较和重叠。

Granville 介绍说，由于数据科学是一个范围很广的学科，所以他首先介绍了在业务环境中可能会遇到的数据科学家的类型：你甚至可能会发现你自己原来也是某种数据科学家。和其它任何科学学科一样，数据科学也可能会从其它相关学科借用技术；当然，我们也已经开发出了自己的技术库，尤其是让我们可以以自动化的方式（甚至完全无需人类干预）处理非常大规模的非结构化数据集的技术和算法，进而实时执行交易或进行预测。