অপারেশন গবেষণা বনাম তথ্য বিজ্ঞান

11

শিরোনাম অনুসারে সাধারণ প্রশ্নটি হ'ল:

ডিএস এবং ওআর / অপ্টিমাইজেশনের মধ্যে পার্থক্য কী।

একটি ধারণাগত স্তরে আমি বুঝতে পারি যে ডিএস উপলব্ধ তথ্য থেকে জ্ঞান আহরণের চেষ্টা করে এবং বেশিরভাগ পরিসংখ্যান, মেশিন লার্নিং কৌশল ব্যবহার করে। অন্যদিকে, বা ব্যবহার তৈরী করার উদ্দেশ্যে তথ্য সিদ্ধান্ত তথ্য (ইনপুট) কিছু উদ্দেশ্য ফাংশন (মাপদণ্ড) নিখুঁত দ্বারা ডাটার উপর ভিত্তি করে, উদাহরণস্বরূপ।

আমি ভাবছি, এই দুটি দৃষ্টান্ত কীভাবে তুলনা করে।

একটি অন্য উপসেট হয়?
তারা কি পরিপূরক ক্ষেত্র বিবেচনা?
এমন কোনও উদাহরণ রয়েছে যে একটি ক্ষেত্র অন্যটির পরিপূরক হয় বা সেগুলি কনজাকশনতে ব্যবহৃত হয়?

বিশেষত, আমি নিম্নলিখিতগুলিতে আগ্রহী:

ডেটা সায়েন্স প্রশ্ন / সমস্যা সমাধানের জন্য ওআর কৌশলগুলি ব্যবহার করার কোনও উদাহরণ আছে কি?

optimization data-mining

— PsySp
সূত্র

3

আমি নিশ্চিত নই যে এটি কম্পিউটার বিজ্ঞানের বিষয়ে সত্যই একটি প্রশ্ন তবে আমি মনে করি এটি যথেষ্ট কাছে। একদিকে যেমন লোকেরা অন্যদিকে কী ভাবেন সে সম্পর্কে আমি অংশটি সম্পাদনা করেছি, যেহেতু এটি পুরোপুরি মতামতের বিষয় বলে মনে হচ্ছে।

— ডেভিড রিচার্বি

ধন্যবাদ ডেভিডরিচার্বি ধন্যবাদ। আমি আপনার সাথে একমত যে এটি মতের বিষয় হতে পারে। Ditionতিহ্যগতভাবে, উভয় শাখা সিএস সম্প্রদায়ের কাছ থেকে শেখানো হয়েছিল এবং উত্থিত হয়েছে, তাই আমার ধারণা, এটি জিজ্ঞাসার সঠিক জায়গা।

— PsySp

en.wikedia.org/wiki/Operation_research , en.wikedia.org/wiki/Data_sज्ञान

— DW

@ ডিডাব্লু আপনাকে ধন্যবাদ আমি নিবন্ধগুলি পড়েছি এবং সত্য বলতে আমি দুটি উল্লিখিত ক্ষেত্রের মধ্যে ওভারল্যাপ এবং / অথবা পার্থক্য সম্পর্কে কোনও আলোচনা দেখতে ব্যর্থ হয়েছি। বিশেষত, একজন কীভাবে অন্যটির পরিপূরক হয়।

— PsySp

1

ডেটা সায়েন্স মূলত ডেটা মাধ্যমে তথ্য সন্ধান করার জন্য কাজ করা সম্পর্কে। অপারেশনস গবেষণা মূলত সিদ্ধান্ত গ্রহণের উন্নতির জন্য কাজ করা সম্পর্কে। আপনি প্রায়শই সিদ্ধান্ত গ্রহণের ক্ষেত্রে সর্বোত্তম নীতি সন্ধানের জন্য পদ্ধতিগুলি ব্যবহার করে দেখতে পারেন। ওআর-তে ব্যবহৃত কিছু পদ্ধতি সিএস সম্প্রদায়ের মধ্যে রিইনফোর্সমেন্ট লার্নিং পদ্ধতি হিসাবে শ্রেণীবদ্ধ করা যেতে পারে, যদিও সমস্ত বা সমস্যাগুলি এই ধরণের নয়।

— স্পেক্ট্রি

9

উভয় অপারেশন গবেষণা এবং ডেটা সায়েন্স উভয়ই প্রচুর পরিমাণে বিষয় এবং ক্ষেত্রগুলি কভার করে, আমি প্রত্যেকটির সর্বাধিক প্রতিনিধি এবং মূলধারার অংশ হিসাবে আমি কী দেখি সে সম্পর্কে আমার দৃষ্টিভঙ্গি দেওয়ার চেষ্টা করব।

অন্যদের নির্দিষ্ট আছে, অপারেশনস রিসার্চ বাল্ক প্রাথমিকভাবে উপার্জন সাথে সংশ্লিষ্ট হয় সিদ্ধান্ত । কীভাবে সিদ্ধান্ত নেবেন তা নির্ধারণের বিভিন্ন উপায় রয়েছে, তবে ওআর (আমার মতে) এর মূলধারার অংশগুলি গাণিতিক প্রোগ্রামিং ফ্রেমওয়ার্কে সিদ্ধান্ত নেওয়া মডেলিংয়ের দিকে মনোনিবেশ করে। এই ধরণের ফ্রেমওয়ার্কগুলিতে আপনার সাধারণত সিদ্ধান্ত ভেরিয়েবলগুলির একটি সেট থাকে, এই ভেরিয়েবলগুলির উপর সীমাবদ্ধতা এবং আপনার সিদ্ধান্ত ভেরিয়েবলগুলির উপর নির্ভর করে একটি উদ্দেশ্যমূলক ফাংশন যা আপনি ছোট বা সর্বাধিক করার চেষ্টা করছেন। যখন সিদ্ধান্ত ভেরিয়েবলগুলি in এ মান নিতে পারে , তখন সীমাবদ্ধতাগুলি আপনার সিদ্ধান্তের ভেরিয়েবলের তুলনায় লিনিয়ার বৈষম্য হয় এবং উদ্দেশ্যগত কার্যটি সিদ্ধান্তের ভেরিয়েবলের লিনিয়ার ফাংশন হয়, তারপরে আপনার একটি লিনিয়ার প্রোগ্রাম থাকে $\mathbb{R}$ - বিগত ষাট বছর ধরে OR এর মূল ওয়ার্কহর্স। আপনার যদি অন্য ধরণের উদ্দেশ্যমূলক কাজ বা সীমাবদ্ধতা থাকে তবে আপনি নিজেকে পূর্ণসংখ্যা প্রোগ্রামিং , চতুষ্কোণ প্রোগ্রামিং , আধা-নির্দিষ্ট প্রোগ্রামিং ইত্যাদি ক্ষেত্রে সন্ধান করুন ...

অন্যদিকে ডেটা সায়েন্স বেশিরভাগ ক্ষেত্রেই তথ্যসূত্র তৈরিতে উদ্বিগ্ন। এখানে, আপনি সাধারণত একটি বড় গাদা ডেটা দিয়ে শুরু করেন এবং আপনি এখনও আপনার বড় স্তূপে না দেখেন এমন ডেটা সম্পর্কে কিছু আবিষ্কার করতে চান। আপনি এখানে দেখতে দেখতে দেখতে বিভিন্ন ধরণের জিনিস হ'ল: ১) ডেটার বড় স্তূপ দুটি পৃথক বিকল্পের অতীত ফলাফলকে উপস্থাপন করে এবং আপনি জানতে চান কোন বিকল্পটি সেরা ফলাফল দেবে, ২) ডেটার বড় স্তূপ একটি সময়কে উপস্থাপন করে ধারাবাহিক এবং আপনি কীভাবে সেই সময়ের সিরিজটি ভবিষ্যতে প্রসারিত করবেন তা জানতে চাইবেন, ৩) ডেটাটির বড় স্তূপ পর্যবেক্ষণগুলির একটি লেবেলযুক্ত সেট উপস্থাপন করে এবং আপনি নতুন, শিরোনামহীন পর্যবেক্ষণের জন্য ইনফর লেবেল চাইবেন। প্রথম দুটি উদাহরণ শাস্ত্রীয় পরিসংখ্যানগত অঞ্চলে (যথাক্রমে অনুমানের পরীক্ষা এবং সময়-সিরিজের পূর্বাভাস) পড়ে যায় এবং তৃতীয় উদাহরণটি আধুনিক মেশিন শেখার বিষয়গুলির (শ্রেণিবিন্যাস) সাথে আরও ঘনিষ্ঠভাবে জড়িত বলে আমি মনে করি।

সুতরাং, আমার মতে অপারেশনস গবেষণা এবং ডেটা সায়েন্স বেশিরভাগ অর্থেগোনাল শাখা, যদিও কিছুটা ওভারল্যাপ রয়েছে। বিশেষত, আমি মনে করি যে সময়-সিরিজের পূর্বাভাসটি একটি অ-তুচ্ছ পরিমাণে OR তে উপস্থিত হয়; এটি OR এর আরও উল্লেখযোগ্য, অ-গণিত প্রোগ্রামিং-ভিত্তিক অংশগুলির মধ্যে একটি। ইনপুটস এবং আউটপুটগুলির মধ্যে আপনার যদি পরিচিত সম্পর্ক থাকে তবে অপারেশনস রিসার্চটি আপনি যেখানে ফিরেছেন; আপনি যদি সেই সম্পর্কটি নির্ধারণ করার চেষ্টা করছেন (ইনপুট এবং আউটপুট সম্পর্কিত কিছু সংজ্ঞার জন্য) আপনি যেখানে সন্ধান করেন ডেটা সায়েন্স is

— mhum
সূত্র

সুস্পষ্ট উত্তরের জন্য আপনাকে ধন্যবাদ। আমি ভাবছিলাম যে উদাহরণস্বরূপ, কেউ ডিএস সমস্যা সমাধানের জন্য যে কোনও ওআর কৌশল ব্যবহার করতে পারে। আমি যেমন একটি উদাহরণে আগ্রহী কিন্তু আপনার উত্তর থেকে, আমি সন্দেহ আছে যে এর কোন আছে।

— PsySp

@ পিএসএসপি এহ, সম্ভবত? আমি আমার মাথার উপরের দিকের কোনও কথা ভাবতে পারি না তবে এটি নির্ধারিত থেকে অনেক দূরে।

— মুহম্মে

1

আপনার বিশ্বাস হিসাবে আমি ও আর ডিএসের মধ্যে বিভাজনকে কঠোর বলে মনে করি না, তবে এটি হতে পারে কারণ আমি ডিএসিকে পরিসংখ্যানের প্রতিশব্দ হিসাবে বিবেচনা না করে ডিএসের অংশ হিসাবে মেশিন লার্নিং এবং ডেটামিনিং হিসাবে বিষয়গুলি বিবেচনা করি। (দুর্ভাগ্যবশত, ডিএস হিসাবে এটি একটি গুঞ্জনপ্রবন্ধ , যতদূর আমি জানি এটির কোনও বহুল স্বীকৃত সংজ্ঞা নেই) তবে, স্বীকৃতি এবং অনুমানের কাজগুলি পারস্পরিক একচেটিয়া হওয়া উচিত নয়। মেশিন লার্নিং হ'ল ক্ষেত্র যেখানে উভয়কে একত্রিত করা হয়: কখনও কখনও শালীন সিদ্ধান্তগুলি গ্রহণের জন্য চতুর সিদ্ধান্ত গ্রহণ করতে হবে, অন্য সময়ে ভাল সিদ্ধান্তের জন্য চালাক সূচনাগুলি ব্যবহৃত হয়।

— বিচ্ছিন্ন টিকটিকি

@ ডিসক্রিটেলিজার্ড অবশ্যই, আমি কিছুটা হলেও সম্মত হই। আমি বরং একটি তীব্র বিভাগ উপস্থাপন করছি (সম্ভবত প্রায় একটি ক্যারিকেচার?) এবং প্রতিটি ক্ষেত্রের সাধারণত যে ক্ষেত্রগুলির জন্য সমস্যাযুক্ত সমস্যাগুলির ধরণের পার্থক্যগুলি হাইলাইট করার জন্য প্রতিটি ক্ষেত্রের মূল অংশগুলিতে মনোনিবেশ করছি। উভয় ক্ষেত্রের প্রান্তগুলি খুব ঝাপসা হতে পারে (বিশেষত ডিএসে যা অনেক বেশি নতুন) এবং সম্ভবত সেখানে আরও ওভারল্যাপ রয়েছে। এছাড়াও, আমি একমত যে ডিএসের মূলধারার অনেকটিতে এমএল স্টাফ অন্তর্ভুক্ত রয়েছে তবে এমএস থেকে ডিএস কতটা বিভক্ত তা আমি নিশ্চিত ছিলাম না।

— মুহম্মে

4

এটি একটি সম্পূর্ণ উত্তর নয়, যেহেতু ওম বনাম ডিএসের বিচ্ছিন্ন লক্ষ্যগুলির বিপরীতে মুহম বেশ ভাল ।

বরং আমি আপনার এই মন্তব্যটি সম্বোধন করতে চাই:

আমি ভাবছিলাম যে উদাহরণস্বরূপ, কেউ ডিএস সমস্যা সমাধানের জন্য যে কোনও ওআর কৌশল ব্যবহার করতে পারে।

উত্তরটি হল হ্যাঁ. সবচেয়ে স্পষ্ট উদাহরণ যা মনে আসে তা হ'ল সাপোর্ট ভেক্টর মেশিনস (এসভিএম) ।

কিছু ডেটাতে একটি এসভিএম মডেলকে "ফিট" করতে (যা পূর্বাভাসগুলি অনুমান করতে ব্যবহার করার আগে এটি করা আবশ্যক), নিম্নলিখিত অপটিমাইজেশন সমস্যাটি সমাধান করতে হবে:

দ্বৈত সর্বাধিক

$ছ (একটি) = Σ_{আমি = 1}^{মি} α_{আমি} - \frac{1}{2} Σ_{আমি = 1}^{মি} Σ_{ঞ = 1}^{মি} α_{আমি} α_{ঞ} Y_{আমি} Y_{ঞ} {এক্স}_{আমি}^{টি} {এক্স}_{ঞ},$ $g(a) = \sum_{i=1}^{m} \alpha_i - \frac{1}{2} \sum_{i=1}^{m} \sum_{j=1}^{m} \alpha_i \alpha_j y_i y_j x_i^T x_j,$

সীমাবদ্ধতার সাপেক্ষে

$0 \leq α_{আমি} \leq সি, Σ_{আমি = 1}^{এন} Y_{আমি} α_{আমি} = 0$ $0 \leq \alpha_i \leq C, \qquad \sum_{i=1}^n y_i \alpha_i = 0$

এটি ওআর এর ক্ষেত্রের অনেকের মতোই একটি সীমাবদ্ধ অপ্টিমাইজেশান সমস্যা এবং এটি চতুর্ভুজ প্রোগ্রামিং পদ্ধতি বা ইন্টিরির পয়েন্ট পদ্ধতি ব্যবহার করে সমাধান করা হয়। এগুলি সাধারণত ডিএসের চেয়ে ওআর এর ক্ষেত্রের সাথে সম্পর্কিত তবে এটি তাদের বিস্তৃত প্রয়োগের উদাহরণ।

সাধারণভাবে, ডিএস ক্ষেত্রে নিযুক্ত অনেকগুলি স্ট্যাটিস্টিকাল এবং মেশিন লার্নিং মডেলের অপ্টিমাইজেশন মূল বিষয়, যেহেতু এই মডেলগুলি প্রশিক্ষণের প্রক্রিয়াটি সাধারণত ক্ষয় / আফসোস ফাংশন জড়িত একটি ক্ষুদ্রতর সমস্যা হিসাবে সূচিত করা যায় - নম্র শতাব্দী পুরানো থেকে খুব সাম্প্রতিক গভীর শিখার নিউরাল নেটওয়ার্কে লিনিয়ার রিগ্রেশন মডেল।

এসভিএমগুলিতে একটি ভাল রেফারেন্স হ'ল বিশপ ।

— এজি
সূত্র

2

একজন কৌশলবিদ হিসাবে, আমি উভয় পক্ষের সাথে শৃঙ্খলার সাথে কাজ করার সুযোগ পেয়েছি। একটি গুণগত এমবিএ নির্বাহীর কাছে ও ডি এবং ডিএস কী তা বোঝানোর চেষ্টা করার জন্য, আমার (অতিমাত্রায়) সরলতার জন্য প্রতিটিটির জন্য একটি লাইন ভূমিকা

বা: অর্থনীতিবিদরা কীভাবে
ডিএস কোড করতে জানেন: স্ট্যাটিস্টিস্টস যারা কোড করতে জানেন know

ব্যবহারিক বিবেচনায়, দুটি গ্রুপ সাধারণত একসাথে কীভাবে আসে: ওআর দিকটি সিদ্ধান্তের মডেলটি বিকাশ করে এবং ডিএস পার্শ্বটি মডেলটিকে খাওয়ানোর জন্য উপযুক্ত ডেটা বাস্তবায়নের সন্ধান করে।

প্রত্যেকে নিজেরাই তাদের শাখাগুলির তাত্ত্বিক traditionsতিহ্যের উপর নির্ভর করবে - একত্রে, তারা সর্বোত্তম সিদ্ধান্তের জন্য প্রয়োজনীয় প্রকৃত অন্তর্দৃষ্টি পেতে তথ্যের কাঠামো তৈরি করতে এবং মডেলটিকে পরিমার্জন করার জন্য পরীক্ষা-নিরীক্ষা চালায়। প্রতিটি একে অপরকে জানার সাথে সাথে তাদের চিন্তাভাবনা এবং ভাষাটি সাধারণত একত্রিত হবে।

— user88056
সূত্র

1

আমি ডিএসের ব্যবহারিক বিবরণটিকে 'স্ট্যাটিস্টিশিয়ান যিনি কোড করেন' হিসাবে বুঝেছি, তবে ওআর-এর বর্ণনাটি আমার কাছে কিছুটা অদ্ভুত বলে মনে হচ্ছে। বা লজিস্টিক এবং সম্পর্কিত রাউটিং সমস্যা অন্তর্ভুক্ত। অর্থনীতিবিদদের কাছে আমার কাছে এটি সত্যি কোনও প্রাকৃতিক জায়গার মতো দেখাচ্ছে না। সম্ভবত আপনি ব্যাখ্যা করতে পারেন কেন অনুশীলনে অর্থনীতিবিদদের দ্বারা OR করা হয়?

— বিচ্ছিন্ন টিকটিকি

1

@ ডিসক্রিটেলাইজার্ড আমি সন্দেহ করি না যে অর্থনীতিবিদরা ওআর করেন, তবে আপনি যেমন বলেছেন যে প্রচুর ওআর এর একটি হেকের অর্থশাস্ত্রের সাথে কোনও সম্পর্ক নেই এবং এটি কম্পিউটার বিজ্ঞানী, গণিতবিদ এবং অন্যান্যরা করেছেন।

— ডেভিড রিচার্বি

0

ডেটা সায়েন্স একটি বিস্তৃত ক্ষেত্র যা সাধারণভাবে ডেটা নিয়ে কাজ করে। যদি এটিকে অস্পষ্ট মনে হয় তবে এটি স্বাভাবিক কারণ এটি সত্য। এটি বেশ কয়েক বছর ধরেই গুঞ্জনের শব্দ been মূলত, এটি ডেটা কাজে লাগানোর উপায় অনুসন্ধান করার চেষ্টা করে: আমি আমার ডেটা দিয়ে কী করতে পারি (এটি থেকে আমি কী অন্তর্দৃষ্টি পেতে পারি?)।

অপারেশনস রিসার্চ হ'ল গাণিতিক অপ্টিমাইজেশনের বিজ্ঞান: আপনি একটি সমস্যাটিকে "সমীকরণ" হিসাবে মডেল করেন, এই গাণিতিক মডেলটি সমাধান করুন এবং সমাধানগুলি আপনার প্রাথমিক সমস্যা সেটিংয়ে ফিরে অনুবাদ করুন। সিদ্ধান্ত গ্রহণে সহায়তা করার জন্য এটি একটি সরঞ্জাম: এটি বা তা গ্রহণের জন্য আমার কী করা উচিত / করা উচিত।

অনেক ব্যবসায়িক সমস্যা একটি অপ্টিমাইজেশন সমস্যা হিসাবে দেখা যেতে পারে। প্রদত্ত যে আমি আমার আয়ের সর্বাধিক করার চেষ্টা করছি, সংস্থানগুলির সীমাবদ্ধতাগুলি বিবেচনা করে, আমি কীভাবে আমার ব্যবসাটি সম্পাদন করব, আমার সিদ্ধান্তের ভেরিয়েবলগুলির জন্য কোন মানগুলি নির্ধারণ করব। সময়সূচি, সুবিধা পরিকল্পনা, সরবরাহ চেইন পরিচালনা ... ইত্যাদি সমস্ত লিভারেজ অপ্টিমাইজেশন কৌশল হিসাবে সমস্যা।

পোর্টফোলিও অপ্টিমাইজেশন একটি সর্বোত্তম উদাহরণ যেখানে অপ্টিমাইজেশন ব্যবহার করা হচ্ছে। মনে করুন যে আমি আমার পোর্টফোলিওতে বিভিন্ন সংস্থার মধ্যে বিনিয়োগ করতে পারি, প্রত্যেকে অ-নিরঙ্কুশকর রিটার্ন সহ আমি কীভাবে আমার পোর্টফোলিওটির ভারসাম্য বজায় রাখতে পারি যাতে আমি আমার সামগ্রিক পোর্টফোলিওর ঝুঁকি হ্রাস করতে পারি যাতে আর্থিক মুদ্রার একটি স্তর বজায় রাখতে পারি? এই সেটিংয়ে, উদ্দেশ্যমূলক কার্যটি প্রায়শই পোর্টফোলিওর ঝুঁকি / বৈকল্পিক হয়ে ওঠে এবং সীমাবদ্ধতা হ'ল বিনিয়োগের ক্ষেত্রে প্রত্যাবর্তনের প্রয়োজনীয় হার এবং সেইসাথে আপনার যে পরিমাণ অর্থ থাকে are

— রমিজ
সূত্র

3

আপনি উভয় ক্ষেত্রের সংক্ষিপ্তসারগুলি কেবল তালিকাভুক্ত করেন। এই উত্তরটি ডিএস এবং ওআরের মধ্যে পার্থক্য এবং / বা মিলগুলি চিহ্নিত করে না, যার জন্য প্রশ্নটি বিশেষভাবে জিজ্ঞাসা করেছিল। আপনি সেই অংশটির দিকে মনোনিবেশ করে আপনার উত্তরটি উন্নত করতে পারেন

— বিচ্ছিন্ন টিকটিকি

-1

আপনি যদি এমএল দ্বারা চালিত এমএল এবং এআই কে ডেটা সায়েন্সের অংশ হিসাবে গণনা করেন (যা কিছু লোক আমার অভিজ্ঞতা অনুসারে করেন এবং কিছু না করেন, উদাহরণস্বরূপ এআই-তে মাইক্রোসফ্ট প্রফেশনাল প্রোগ্রামে ডেটা সায়েন্স + মেশিন লার্নিংয়ের মূল দিক রয়েছে (ডিএল এবং আরএল উভয় সহ) ) যদিও উচ্চ বিদ্যালয়ের অর্থনীতিতে মাইক্রোসফ্ট কুউরিকুলামের ব্যবহারিকভাবে একই উন্নত অংশগুলি অ্যাডভান্সড মেশিন লার্নিং হিসাবে উপস্থাপিত করা হয়েছে) তারপরে গণিতে অনেকগুলি মিল রয়েছে যা উভয় ক্ষেত্রেই ব্যবহৃত হয়। উদাহরণস্বরূপ: ননলাইনার প্রোগ্রামিং (লাগরেঞ্জ মাল্টিপ্লায়ার্স, কেকেটি শর্তাবলী ...) -> সাপোর্ট ভেক্টর মেশিনগুলির উপার্জনের জন্য ব্যবহৃত হয় ... একনোমেট্রিক্স যা বেশিরভাগই রেগ্রেশনগুলির উপর ভিত্তি করে ---> রিগ্রেশনগুলি সাধারণভাবে ডেটা স্কাইনেস উভয়েরই মূল অংশ এবং আরও সুনির্দিষ্টভাবে তদারকি করা পড়াশুনা ... পরিসংখ্যান (সাধারণত পাঠ্যক্রমের মধ্যে পাওয়া যায়) ---> ডেটা সায়েন্স এবং মেশিন লার্নিংয়ের জন্য কী ... স্টোকাস্টিক প্রসেসস ---> রিইনফোর্সমেন্ট লার্নিংয়ে খুব গুরুত্বপূর্ণ ... ডায়নামিক প্রোগ্রামিং ---> আবার রিইনফোর্সমেন্ট লার্নিংয়ে পাওয়া গেছে ... সুতরাং, আমি বলব যে সাধারণভাবে ডেটা সায়েন্সের সাথে কিছু মিল রয়েছে এবং এমএল এর সাথে বেশ কিছু মিল রয়েছে। অবশ্যই, এই শাখাগুলির লক্ষ্যগুলি আলাদা তবে এই শাখাগুলিতে গণিতের অনেকগুলি মিল রয়েছে যা ব্যবহার করা হচ্ছে।

— গোরান ম্যাবিক
সূত্র

কিভাবে এটি প্রশ্নের উত্তর দেয়?

— ইভিল