【UC伯克利郁彬教授PNAS最新论文】真实数据科学，Veridical data science- 专知

【UC伯克利郁彬教授PNAS最新论文】真实数据科学，Veridical data science

【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《真实数据科学，Veridical data science》。

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

真实数据科学，Veridical data science

地址：

https://www.pnas.org/content/early/2020/02/12/1901326117

可预测性、可计算性和稳定性(PCS)是数据科学的三个核心原则。它们将预测和复制的科学原理嵌入到数据驱动的决策中，同时认识到计算的中心作用。基于这些原则，我们提出了PCS框架，包括工作流程和文档(在R Markdown或Jupyter Notebook中)。PCS框架旨在跨科学、社会科学、工程、商业和政府领域的负责任的、可靠的、可复制的和透明的分析。它可以作为科学假设生成和实验设计的推荐系统。特别地，我们建议(基本)PCS推论用于数据结果的可靠性度量，将统计推论扩展到当前数据科学实践需要的更广泛的范围。