Voy a comparar principalmente las ciencias aquí.
Similitudes fundamentales:
- Estadísticas aplicadas.
- Orientado a los objetivos comerciales: no solo agitando hipótesis y probándolas, sino también probándolas con conjuntos de datos genéricos imparciales y mejorándolos continuamente.
- Esencialmente unir los puntos entre correlación y causalidad.
- Dominio del conocimiento del negocio esencial para la capacidad de implementación. Específico para la economía financiera en el caso de las ciencias actuariales.
- La incertidumbre del modelo y su propagación.
Diferencias fundamentales
- Si hay Big Data, ¿hay también Small Data? ¿Por qué no nos enteramos de eso?
- ¿Qué deportes son más conocidos por el análisis de datos?
- ¿Algunos físicos usan Excel para el análisis de datos?
- ¿Por qué se utiliza el índice de mapa de bits en el almacenamiento de datos?
- ¿Quién puede sugerir un buen proyecto en el campo de la atención médica, la minería de datos y el aprendizaje automático que utilice el reconocimiento de imágenes?
- Data Science es un enfoque holístico (por ejemplo, agrupación de objetos, parametrización del entorno); La Ciencia actuarial tiene un conjunto de análisis definido que gira en torno a la comprensión del comportamiento y el mapeo.
- Data Science también tiene una inclinación hacia la capacidad de representación visual, más que sus simples representaciones de barra / minigráfico. No es así para la ciencia actuarial.
- La ciencia actuarial es puramente estocástica, la ciencia de datos es parcialmente estocástica. Los científicos de datos pronostican y predicen constantemente. Actuarios estrictamente pronosticados.
- A diferencia de la ciencia de datos, la ciencia actuarial es estrictamente específica del dominio.
- Los modelos de ciencia actuarial aún no se han alcanzado, lo que los profanos llaman BigData. Data Science siempre ha estado allí.
