近年来，数据科学与大数据技术专业发展迅速，越来越多的人将数据科学专业作为报考的选择和择业的方向，数据科学专业的学科评估也逐渐形成体系。

众所周知，数据科学是一个研究领域，它涉及从结构化或非结构化数据中提取知识，从原始数据中发现隐藏的模式，将业务问题转化为研究项目，然后再转化回实际解决方案。可以说，数据是当今世界的石油。在适当的工具、技术和算法的帮助下，我们可以使用数据并将其转化为独特的业务优势。

数据

1.数据准备：由于数据科学是一门基于真实数据而诞生的学科，其教学也需要大量来自行业的真实数据来填充。

2.数据处理：这一阶段需要确定绘制输入变量之间关系的方法和技术，利用不同的统计公式和可视化工具来规划模型。

3.数据建模：使用不同的统计公式和可视化工具来规划模型。实际的模型构建过程开始，分类和聚类等技术被应用于训练数据集。一旦模型准备好了，就用“测试”数据集来测试它。

4.作业交付和评估：学生将提供最终结果，包括报告、代码和技术文件。综合测试后，根据实际效果对模型进行评估。

在这个过程中，数据科学教育平台是不可或缺的。2020年3月，国内领先的数据科学协作平台和鲸科技联合腾云大学TalkingData、全球知名云计算服务平台AWS、开源学习社区Datawhale共同发布《数据科学教育白皮书》(以下简称白皮书)，旨在聚焦数据科学教育领域，从全球视角研究数据科学教育的发展轨迹和方向。

数据科学教育需要敏捷、高效、协同的平台支撑，基于云与协同的数据科学实践是科学渐进实践路径中的重要保障。同时，为保证平台的可用性，需要开发数据团队的协同管理工具、统一高效的数据管理方法、功能丰富的专业分析接口和灵活的资源调度能力。