数据科学是一门广泛的学科。 分析数据科学家（TypeA）与构建器数据科学家（TypeB）不同。 TypeA数据科学家在工作中遇到数据相关问题时可以写出好的代码，而且他们不必是专家。 这类数据科学家可能专门从事实验设计、预测、建模、统计推断或统计研究的其他典型部分。 一般来说，数据科学家工作的输出并不是学术统计学有时建议的“p值和置信区间”（正如传统抗生素领域统计学家有时使用的那样）。 在 Google，TypeADataScientists 通常指统计学家、定量分析师、决策支持技术分析师或数据科学家，也可能包括其他人。
TypeBDataScientists 正在构建数据。 B 班和 A 班有一些相同的统计背景，但他们仍然是更好的编码员，并且可能接受过专业的软件工程培训。 他们主要对在产品中使用数据感兴趣，并完善与用户交互的模型，通常是为了提供推荐（产品、您可能认识的人、广告视频、搜索结果等）。
1. 机器学习与深度学习
在深入分析机器学习和数据科学的关系之前，这里先简单讨论一下机器学习和深度学习。 机器学习是一组训练数据集以做出预测或采取行动来优化系统的算法。 例如，使用监督分类算法根据历史数据将想要抵押的客户分为好或坏的前景。 对于给定的任务（例如监督降维），需要多种技术：naiveBayes、SVM、神经网络、集成、关联规则、决策树、逻辑回归或多种技术的组合。 所有这些都是数据科学的子集。 当这种算法被手动化时，比如无人驾驶飞机或无人驾驶汽车，这就是人工智能，或者更具体地说，深度学习。 如果收集到的数据来自传感器并通过互联网传播，那么这就是机器学习或数据科学或深度学习应用于物联网。
有些人对深度学习有不同的定义，他们认为深度学习是更深层次的神经网络（一种机器学习技术）。 AI（人工智能）是 20 世纪 60 年代创建的计算机科学的一个子领域，旨在解决对人类来说容易但对计算机来说困难的任务。 值得一提的是人工智能和深度学习，所谓的strongAI或许能够做人类能做的所有事情（很可能不仅仅是纯粹的数学问题）。 这是相当广泛的，包括各种各样的事情，例如规划、环游世界、识别物体和声音、说话、翻译、社交或商业交易以及创造性工作（例如写诗或绘画）等等。
NLP（自然语言处理）只是AI需要处理的语言部分，尤其是写作。
机器学习是这样一种情况：给出一些可以用离散方式描述的人工智能问题（比如从一系列动作中选择正确的一个），然后给出一堆来自外界的信息，而不需要程序员自动编写程序时选择“正确”的行为。 一般需要依赖一些外部流程来判断这个动作是否正确。 在物理学中，这是一个函数：你给出一些输入，然后你希望他对其进行处理以获得正确的输出，因此整个问题就简化为使用一些手动方法来对这些物理函数进行建模。 与AI区别：如果我写了一个非常聪明的具有人类行为的程序，那么这可以是AI，除非它的热阻是从数据中手动学习的，否则它不是机器学习。
深度学习是当今非常流行的机器学习类型。 它涉及一种特殊的物理模型，可以将其视为某种类型的简单块（或块的函数）的组合，可以对其进行调整以更好地预测最终结果。
2.数据科学VS机器学习
机器学习和统计学都是数据科学的一部分。 机器学习中的学习一词是指依赖个体数据并作为训练模型集来调整某些模型或算法参数的算法。 这包括许多技术，例如回归、朴素贝叶斯或监督降维。 但并非所有技术都适合这一类别。 例如，无监督降维（一种统计和数据科学方法）旨在通过检测降维或降维结构来辅助分类算法，而无需任何先验知识和训练集的帮助。 需要有人解释所发现的降维。 有些技术是混合的，例如半监督分类。 一些模式检测或密度评估技术适合这种分类。
但数据科学比机器学习广泛得多。 数据科学中的“数据”可能来自机器或机械过程，也可能不是来自机器或机械过程（调查结果可能是手动收集的，临床试验需要特殊类型的小数据等），并且可能与前面提到的“学习”有关。根本不重要。 主要区别在于，数据科学实际上涵盖了数据处理的整个范围人工智能和深度学习，而不仅仅是算法或统计。