Яка різниця між обчислювальною наукою та наукою даних? [зачинено]

Довідка: Мій доктор наук був за спеціальністю "Обчислювальна наука". Моя дисертація стосувалася аналізу даних рентгенівської дифракції та аналізу термічно збурених ядер у загальному динамічному аналізі молекулярної щільності електронів для фізики твердого тіла. Винос? Це дуже базувалося на науці.

На мою думку, обчислювальна наука - це пошук науки, "... систематичне підприємство, яке будує та організовує знання у формі перевіряються пояснень та прогнозів про всесвіт" ( вікі ), за допомогою обчислювальних засобів.

Однак більшість позицій для "Science Science" схоже на типи завдань "аналіз даних". Тобто, великі запити SQL, використовуючи попередньо побудовані моделі R та Python (лінійна регресія тощо) для отримання висновків із структурованих та неструктурованих даних.

Чи є обчислювальна наука надгрупою Science Science? Вони взаємозамінні? Чи є Science Science фактичною «наукою»? Чи є обчислювальна наука фактичною «наукою»?

Вони не взаємозамінні.

• Обчислювальна наука, як правило, посилається на HPC, методи моделювання (диференціальні рівняння, молекулярна динаміка тощо), і зазвичай їх називають науковими обчисленнями.

• Наука даних, як правило, посилається на обчислювально-інтенсивний аналіз даних, як-от "великі дані", біоінформатика, машинне навчання (оптимізація), байєсовський аналіз за допомогою MCMC тощо. Я думаю, що це те саме, що раніше називалося обчислювальною статистикою. Це було вливанням інформатики зі статистикою, але багато розроблених методик відмовилися від жорсткого фіширського «статистичного тестування» (кластеризація, методи перехресної перевірки, візуалізація даних), але зберегли частину даних.

Найяскравіше пояснення це дійшло до мене, коли я викладав семінар з Джулії з питань даних та наукових обчислень. Дані вчені хотіли вивчити Юлію для того, щоб робити швидкий аналіз "великих даних", тобто регресії та інші ГЛМ на великих даних. Вчені-обчислювачі (наукові обчислювачі?) Хотіли знати, як легко писати код для вирішення великих лінійних систем на HPC та GPU.

Зауважте, що це два способи сказати абсолютно однакові обчислення, але з дуже різними значеннями. Тож у деякому сенсі схоже, але все-таки виразне (і між дисциплінами існує перехресне перевезення, як-от використання машинного навчання для вивчення параметрів для PDE з даних).