数据科学

数据科学（Data Science）是从海量数据中提取洞见、支撑决策的交叉学科，融合统计、机器学习与计算机工程。它回答「数据告诉我们什么、下一步该怎么做」。香港金融、零售、物流、医疗等行业数据密集，金管局与金融机构大力投入数据分析与风控，数据科学人才长期紧缺。港校数据科学通常要求 IB 37+ / A-level A*AA / AP 4-5 门 4+ 分，数学是硬门槛（普遍要求 IB 数学 AA HL、A-level 数学、AP 微积分 BC+统计学）。

数据科学的本质是「把数据变成决策」。学科有三大支柱：1. 统计学（Statistics）——如何从样本推断总体、判断结论是否可靠 2. 机器学习（Machine Learning）——如何让模型自动从数据中学习规律 3. 数据工程（Data Engineering）——如何采集、清洗、存储、处理大规模数据。培养的核心能力是：数据思维（先问问题再看数据，避免「先有结论再找证据」）、量化分析（Python/R + SQL 处理真实数据）、沟通表达（把分析结论讲给非技术决策者听）、批判性判断（相关不等于因果）。 数据科学不是「学 Excel 做表格」：核心是建模与推断；数据科学不是「调包侠」：只会调用 sklearn/Pandas 而不知其原理，很难应对真实业务；数据科学也不是纯统计：现代数据科学需要编程与工程能力处理大规模数据。

数据科学的发展脉络：1962 年 John Tukey 提出「数据分析」作为独立学科；1970-80 年代统计计算与数据库技术并进；1990 年代数据挖掘（Data Mining）兴起，从「描述数据」走向「发现规律」；2006 年哈佛商业评论称数据科学家为「21 世纪最性感的职业」；2010 年代大数据（Big Data）技术爆发，Hadoop/Spark 让海量数据成为可能；2015 年后机器学习与深度学习普及，数据科学从「报表分析」升级为「预测与自动化决策」；2020 年代以来生成式 AI 与大模型让数据科学进入「人机协同分析」新阶段。 香港特色：金管局「金融科技 2025」策略、港府智慧城市蓝图持续推动数据应用，港校近十年密集开设数据科学本科项目，申请热度逐年上升。