تاریخ تصویری از نحوه عملکرد جنبههای مختلف را در گذشته به ما میدهد که چراغ راه آینده میتوانند قرار چکیده: بگیرد. برای شانس از طریق قمار و بازی، مردم ایده بصری در مورد احتمال وقوع حوادث خاص به دست آوردند اما شگفتآور است که، مطالعات احتمال حوادث تا قرن پانزدهم میلادی آغاز نشده بود و یکی از عوامل آن مخالفت کلیسا با این بازیها و از طرف دیگر عدم اعتقاد به کمی گرایی اروپا بود. تاریخ بازیهای شانسی متداول در دوران قدیم منجر ۱۹۳۳ به پیشامدهایی شد که زیرساختی برای احتمال و در نهایت سبک و سیاق علمی دادن به آن توسط کلموگروف در تحقق یافت. مجموعهای از دادههای سرشماری به دوران باستان بازمی گردد، حاکمان علاقهمند به پیگیری مردم، پول و ، توماس آکویناس گفت اتفافات تصادفی به عنوان۱۳ وقایع کلیدی خود )مانند جنگها و طغیان رود نیل( بودند. در قرن ( تحقیقات او۱۶۶۲نتیجه یک علت واحد نیست، بلکه حاصل چند علت با هم توسط شانس می باشد. جان گرانت ) در مورد افزایش ناگهانی مرگ و میر برمیگردد. بر اساس الگوی عفونت در طول زمان. گرانت و دیگر » حساب دانان سیاسی« از سراسر اروپای غربی در طول رنسانس تحت تأثیر ظهور علم مبتنی بر مشاهده جهان طبیعی قرار گرفتند. تلاش شد این ایده را ترویج داده شود که سیاست دولت باید با استفاده از دادهها به جای اقتدار کلیسا و اشراف، اطلاع رسانی شود. اما استفادههای حسابدانان سیاسی از آمار فاقد تکنیکهای روششناختی رسمی برای جمع آوری و تحلیل داده ها بود. روشهای بررسی نمونه و سرشماری در ابتدای قرن نوزدهم بودند. موضوع اساسی دیگری که در ساخت آمار مدرن (۱۷۰۵-۱۶۵۴( و بعداً برنولی )۱۶۶۲-۱۶۲۳دخیل بود، پایه و اساس نظریههای احتمال بود که توسط پاسکال ) ارائه شد، که برای درک بازیهای شانسی ایجاد شدند. گامهای مفهومی بزرگ از آن به سمت استفاده از احتمال در ( با وارونه کردن تحلیلهای احتمال، به عنوان۱۸۲۷-۱۷۴۹و لاپلاس ) ۱۷۶۴ استنتاج از دادهها توسط بیز در سال استفاده از دانش در مورد احتمالات رویدادها یا دادههای داده شده پارامترها برای استنتاج در مورد پارامترهای داده شده به عنوان ۱۹۰۰ تا ۱۸۵۰ گرفته شد. یکی دیگر از موضوعات در توسعه آمار شامل گرافیکهای آماری است دوره از ”عصر طلایی گرافیک آماری” شهرت دارد. چارلز بابیج )مخترع کامپیوتر( و توماس مالتوس )شهور به دلیل نظریه هایش به آن پیوست. موج دیگری ۱۸۵۸ در مورد رشد جمعیت( و اولین عضو زن ASA فلورانس نایتینگل بود که در سال نیزآغاز شد. ” آمار ۱۹۳۰ در بینشهای رونالد فیشر واگون پیرسون و جرزی نیمن در دهه ۱۹۲۰ از فعالیت در دهه مدرن” قرن بیستم، جنگ جهانی دوم نیز زمان بسیار خوبی بود ازجمله بدون نام بردن از بیز با نگاه بیزی پاسخهای به موقع برای مشکلات مربوط به تلاشهای جنگی پیدا میکردند . توجه ویژه به ”تحلیل دادههای اکتشافی” دراصطلاح برای توصیف حرفه جدیدی ایجاد شد که اولین نقطه عطف در تاریخ علم داده در سطح ۱۹۶۰ ”علم داده” در اوایل دهه جهانی برای ریاضیدان برجسته آمریکایی جان توکی به رسمیت شناخته شد. تأثیر جان توکی از نظر آماری بسیار زیاد ، پیتر ناور، بررسی مختصر روشهای کامپیوتری را منتشر کرد که روش های پردازش داده ها را درطیف گستردهای از کاربردها بررسی میکرد. اصطلاح علم دادهها واضحتر میشود. در سال ، گرگوری پیاتتسکی-شاپیرو اولین کارگاه آموزشی کشف دانش۱۹۸۹ محاسبات آماری )IASC( تاسیس شد. در سال در پایگاههای داده را سازماندهی و مدیریت کرد. آیا تا به حال فکر کردهاید که چرا نقشهای علم داده در حال حاضر تقاضای بیشتری دارند؟ و علم داده و آمار چگونه با هم تفاوت دارند؟ چرا دانشمندان داده فکر میکنند که آمار مرده است؟ )نقل وقول( من حدس میزنم که واقعاً باید از ابتدا با پرسیدن این سؤال شروع کنیم ” آمار چیست؟ ” به طور خلاصه، آنچه که آمار را منحصر به فرد و شاخه ای متمایز از ریاضیات میکند این است که آمار مطالعه عدمقطعیت دادهها است. اگر حداقل برخی از متخصصین داده درست بیان کرده باشند آمار مرده باشد، یا نیازی به تعیین کمیت عدم قطعیت نداریم یا ابزارهای بهتری نسبت به آمار برای اندازه گیری آن داریم. چرا دیگر نیازی به اندازهگیری و کنترل عدم قطعیت در دادههای خود نداریم؟ آیا روش های جدیدی برای مشاهده، جمعآوری و تجزیه و تحلیل دادههایمان کشف کردهایم که دیگر ابهام نداریم؟ در راستای عدم باور ما باید ابزارهای بهتری نسبت به آمار برای تعیین کمیت عدم قطعیت داشته باشیم. پس بالنتیجه هدف نهایی از تحلیل آماری دادهها، اغلب کمی کردن عدم قطعیتها برای تصمیمگیری است. در حالی که هدف نهایی تحلیل علم داده صرفا مربوط به بررسی یک پایگاه داده خاص و ارائه مدلی برای پیشبینی پدیده مورد نظر است. در علم داده، آمار هسته اصلی الگوریتمهای پیچیده یادگیری ماشینی است که الگوهای داده را به شواهد عملی تبدیل میکند. متخصصین علم داده از آمار برای جمع آوری، بررسی، تحلیل و نتیجهگیری از دادهها و همچنین اعمال مدلهای ریاضی کمی برای متغیرهای مناسب استفاده می کنند. متخصصین علم داده به عنوان برنامهنویس، محقق، مدیران تجاری و غیره کار میکنند. با این حال، وجه اشتراک همه این حوزهها، مبنای آمار است. بنابراین، آمار در علم داده به اندازه درک زبانهای برنامهنویسی ضروری است. بنابراین پیشنهاد مشخص آنست که قسمت اعظم علم داده به عنوان زیرشاخهای از آمار بهتر است مورد توجه باشد مدت ها با تکیه بر روشهای علمی آماری و محاسباتی و کامپیوتری براه خود ادامه داده تا هویتی را در جامعه علمی بتواند بیابد وعنایت به اینکه نگاه رو به جلوی آمار نیز همیشه در حال رصد و نو شدن باشد.

Keywords