Mitä on data science?

Data science on ala, jossa tavoitteena on tuottaa datasta ymmärrystä, ennusteita ja päätöksenteon tukea yhdistämällä tilastotiede, koneoppiminen, ohjelmointi ja liiketoimintaymmärrys.

Käytännössä data science tarkoittaa esimerkiksi:

• ilmiöiden ja syy–seuraus-suhteiden analysointia

• ennustemallien rakentamista (esim. churn, kysyntä, riskit)

• luokittelua ja segmentointia (esim. asiakasryhmät)

• optimointia (hinnoittelu, resurssit)

• kokeiden suunnittelua ja tulkintaa (A/B-testit)

• mallien viemistä tuotantoon yhteistyössä data engineeringin ja softatiimien kanssa

⸻

Työkalut data scienceen

⸻

1) Ohjelmointikielet

• Python

• R

• SQL

• Julia

• Scala (varsinkin Spark)

• MATLAB (yleinen tietyillä aloilla)

• Java (harvemmin, mutta tuotantomalleissa)

• C++ (erikoistapauksissa)

⸻

2) Data-analyysin peruskirjastot

Python

• pandas

• NumPy

• SciPy

• Polars

• PyArrow

• statsmodels

• tidyverse (dplyr, ggplot2, tidyr)

• data.table

• caret

• forecast

⸻

3) Visualisointi ja exploratiivinen analyysi

• matplotlib

• seaborn

• plotly

• bokeh

• altair

• ggplot2

• Power BI

• Tableau

• Looker

• Superset

• Metabase

⸻

4) Notebook-ympäristöt ja työtilat

• Jupyter Notebook

• JupyterLab

• Google Colab

• Databricks Notebooks

• Kaggle Notebooks

• VS Code (Python + notebooks)

• RStudio

⸻

5) Koneoppiminen (general ML)

• scikit-learn

• XGBoost

• LightGBM

• CatBoost

• H2O.ai

• Spark MLlib

• fastai

⸻

6) Syväoppiminen (Deep Learning)

• PyTorch

• TensorFlow

• Keras

• JAX

• Flax

• Hugging Face Transformers

• ONNX

• OpenVINO (optimointi / inference)

⸻

7) NLP (tekstianalytiikka)

• spaCy

• NLTK

• Gensim

• Hugging Face

• SentenceTransformers

• BERTopic

• LangChain (LLM-pohjaiset sovellukset)

• LlamaIndex

⸻

8) Computer Vision

• OpenCV

• torchvision

• TensorFlow Vision

• MMDetection

• YOLO (Ultralytics)

• Detectron2

• Albumentations

⸻

9) Aikasarja-analyysi ja ennustaminen

• Prophet

• statsmodels

• pmdarima

• sktime

• GluonTS

• Darts

• Nixtla (statsforecast, neuralforecast)

⸻

10) Tilastotiede ja kokeellisuus (A/B-testit)

• statsmodels

• SciPy stats

• PyMC

• Stan

• brms (R)

• CausalImpact

• EconML

• DoWhy

• CausalML

⸻

11) Optimointi ja operations research

• Google OR-Tools

• PuLP

• Pyomo

• CVXPY

• Gurobi

• CPLEX

• MOSEK

⸻

12) AutoML ja no-code ML

• DataRobot

• H2O Driverless AI

• Google Vertex AI AutoML

• Azure AutoML

• SageMaker Autopilot

• Auto-sklearn

• TPOT

• PyCaret

⸻

13) MLOps (mallien hallinta, deployment, seuranta)

Experiment tracking ja mallirekisteri

• MLflow

• Weights & Biases

• Neptune.ai

• Comet

• ClearML

Deployment ja serving

• FastAPI

• Flask

• BentoML

• TorchServe

• TensorFlow Serving

• KServe

• Seldon

• Ray Serve

Pipeline ja orkestrointi

• Kubeflow

• Flyte

• Metaflow

• Airflow (myös ML-putkissa)

• Prefect

• Dagster

Monitoring

• Evidently AI

• Arize

• Fiddler

• WhyLabs

• Monte Carlo (myös data observability)

⸻

14) Feature store (mallien syötteiden hallinta)

• Feast

• Tecton

• Hopsworks

• Databricks Feature Store

• Vertex AI Feature Store

• SageMaker Feature Store

⸻

15) Data access ja tietokannat (DS-työssä)

SQL / DW

• BigQuery

• Snowflake

• Redshift

• PostgreSQL

• MySQL

• SQL Server

NoSQL

• MongoDB

• DynamoDB

• Cassandra

Vector DB (LLM / semanttinen haku)

• Pinecone

• Weaviate

• Milvus

• Qdrant

• Chroma

• FAISS

• Elastic (vector search)

⸻

16) Big data -laskenta

• Apache Spark

• Databricks

• Dask

• Ray

• Apache Flink

• Hadoop (legacy)

⸻

17) Data quality (DS-näkökulmasta)

• Great Expectations

• Soda

• Deequ

• Pandera

• TFDV (TensorFlow Data Validation)

⸻

18) Mallien evaluointi ja metriikat

• scikit-learn metrics

• torchmetrics

• TensorBoard

• SHAP

• LIME

• ELI5

• Captum (deep learning selitettävyys)

⸻

19) Versionhallinta ja reproducibility

• Git

• GitHub / GitLab

• DVC (Data Version Control)

• LakeFS

• Weights & Biases Artifacts

• Pachyderm

⸻

20) Dokumentointi ja yhteistyö

• Confluence

• Notion

• Google Docs

• Slack

• Jira

• Miro

⸻

Yhteenveto

Data science = mallintamista ja analytiikkaa, jossa dataa käytetään:

• ymmärtämään mitä tapahtuu ja miksi

• ennustamaan mitä tapahtuu seuraavaksi

• optimoimaan päätöksiä

• rakentamaan dataan perustuvia tuotteita ja automaatiota