面向数据科学的数据集/统计学硕士研究问题

我想探索“数据科学”。这个词对我来说似乎有点模糊，但是我希望它要求：

1. 机器学习（而不是传统的统计）；
2. 一个足够大的数据集，您必须在集群上运行分析。

具有一定编程背景的统计学家可以访问哪些好的数据集和问题，以用于探索数据科学领域？

为了尽可能缩小范围，理想情况下，我希望链接到开放的，使用良好的数据集和示例问题。

只需访问kaggle.com；它会让您长时间忙碌。对于开放数据，可以使用UC Irvine机器学习存储库。实际上，有一个整个Stackexchange网站致力于此目的；看这里。

在阳光基金会是一个致力于在开放，并鼓励政府数据的无党派分析的组织。

野外有大量可用于比较的分析，以及各种各样的主题。

它们提供了用于访问数据的工具和api，并帮助推动在data.gov之类的地方提供数据。

一个有趣的项目是Impact Explorer。您可以在此处获取源数据以及访问实时数据。

您可能还想看看我们更受欢迎的问题之一：

公开可用的数据集。

您是计算机科学的硕士吗？统计？

“数据科学”将成为您论文的中心吗？还是副题？

我假设您是统计学专业的，您希望将您的论文重点放在“数据科学”问题上。如果是这样，那么我将违背原则，建议您不应该从数据集或ML方法开始。相反，您应该寻找一个有趣的研究问题，该问题尚未得到很好的理解，或者机器学习方法尚未被证明是成功的，或者存在许多竞争性机器学习方法，但似乎没有哪一种比其他方法更好。

考虑以下数据源：斯坦福大型网络数据集。尽管您可以选择这些数据集之一，编写问题陈述，然后运行ML方法列表，但这种方法实际上并不能告诉您很多数据科学的意义，而我认为并不能导致一个非常好的硕士论文。

相反，您可以这样做：在特定类别下查找所有使用ML的研究论文，例如Collaboration Networks（aka共同作者）。当你阅读每篇文章，试图找出他们都能够与每个ML方法和他们没能地址来完成。尤其要寻找他们对“未来研究”的建议。

也许他们都使用相同的方法，但从未尝试过竞争ML方法。也许他们没有充分验证其结果，或者数据集很小，或者他们的研究问题和假设过于简单或局限。

最重要的是：尝试找出这一研究方向。他们为什么还要这样做呢？有什么重要意义？他们在哪里以及为什么遇到困难？