【UC伯克利郁彬老师最新论文】数据科学的三原则：可预测性、可计算、稳定性- 专知

【UC伯克利郁彬老师最新论文】数据科学的三原则：可预测性、可计算、稳定性

【导读】加州大学伯克利分校统计系及电气工程与计算机科学系校长教授郁彬发表了最新论文《数据科学三原则：可预测性、稳定性和可计算性》。

郁彬，加州大学伯克利分校统计系及电气工程与计算机科学系校长教授，加州大学伯克利分校统计系前系主任。她同时是北京大学微软统计与信息技术教育部-微软重点实验室的创办者及联席主任。她与基因组学、神经科学、医学领域科学家合作进行跨学科研究，开发了统计和机器学习方法/算法和理论，并与领域知识以及量化批判思维结合以解决这些领域中的数据问题。

郁彬教授是美国国家科学院和美国艺术与科学学院两院院士。2006年当选Guggenheim Fellow，2011年受邀在ICIAM（The International Council for Industrial and Applied Mathematics，国际工业与应用数学大会）作特邀演讲，2012年作了伯努利协会的图基纪念演讲（Turkey Memorial Lecture of the Bernoulli Society），2016年作IMS（Institute of Mathematical Statistics，数理统计协会）Rietz演讲。郁彬教授曾于2013-2014年出任IMS主席，也是IMS、ASA（American Statistical Association，美国统计协会）、AAAS（American Association for the Advancement of Science，美国科学促进会）和IEEE（Institute of Electrical and Electronics Engineers，电气和电子工程师协会）的会士。

个人主页：statistics.berkeley.edu/~binyu

作为新兴科学，数据科学需要基本的概念与原则的支撑，以便人们交流和传递经验。同时，数据科学的三原则彼此紧密关联。预测是检验现实的有效方法，而好的预测都隐含着一个假设：过去和未来之间是可以平稳过渡的，即稳定性。稳定性（相对于数据和模型的扰动）也同时是数据驱动结果可解释性和可重复性的最低要求，它与不确定性评估密切相关。如今预测和计算已经成为机器学习的基石，而机器学习或者说统计的前沿之一是逐渐注重解释性。同时，稳定性是科学可重复性的最低要求，目前的统计发现普遍存在着错误和虚假问题，使得稳定性变得越来越重要。而可预测性和稳定性都需要建立在可行的计算算法基础之上，因此可计算性也是十分重要的。