我觉得是数学，其实我们现在所有其他的与学科有关的基础学科，包括物理化学，都是建立在数学的基础上的，可以说没有数学就很难有现在的发展
人类的科学发展道路上，物理最重要，可以直观的看出变化
简单说有三大核心技术：拿数据，算数据，卖数据。基础的技术包含数据的采集、数据预处理、分布式存储、NoSQL数据库、数据仓库、机器学习、并行计算、可视化等各种技术范畴和不同的技术层面。大数据预处理，指的是在进行数据分析之前，先对采集到的原始数据所进行的诸如“清洗、填补、平滑、合并、规格化、一致性检验”等一系列操作，旨在提高数据质量，为后期分析工作奠定基础。数据预处理主要包括四个部分：数据清理、数据集成、数据转换、数据规约。数据清理：指利用ETL等清洗工具，对有遗漏数据(缺少感兴趣的属性)、噪音数据(数据中存在着错误、或偏离期望值的数据)。数据集成：是指将不同数据源中的数据，合并存放到统一数据库的，存储方法，着重解决三个问题：模式匹配、数据冗余、数据值冲突处理。数据转换：是指对所抽取出来的数据中存在的不一致，进行处理的过程。它同时包含了数据清洗的工作，即根据业务规则对异常数据进行清洗，以保证后续分析结果准确性。数据规约：是指在最大限度保持数据原貌的基础上，最大限度精简数据量，以得到较小数据集的操作，包括：数据方聚集、维规约、数据压缩、数值规约、概念分层等。
2020年成为数据科学家需要具备哪些技能？
数学功底：微积分是严格要掌握的。不一定要掌握多元微积分，但一元微积分是必须要熟练掌握并使用的。另外线性代数一定要精通，特别是矩阵的运算、向量空间、秩等概念。当前机器学习框架中很多计算都需要用到矩阵的乘法、转置或是求逆。虽然很多框架都直接提供了这样的工具，但我们至少要了解内部的原型原理，比如如何高效判断一个矩阵是否存在逆矩阵并如何计算等。数理统计：概率论和各种统计学方法要做到基本掌握，比如贝叶斯概率如何计算？概率分布是怎么回事？虽不要求精通，但对相关背景和术语一定要了解。交互式数据分析框架：这里并不是指SQL或数据库查询，而是像Apache Hive或Apache Kylin这样的分析交互框架。开源社区中有很多这样类似的框架，可以使用传统的数据分析方式对大数据进行数据分析或数据挖掘。笔者有过使用经验的是Hive和Kylin。不过Hive特别是Hive1是基于MapReduce的，性能并非特别出色，而Kylin采用数据立方体的概念结合星型模型，可以做到很低延时的分析速度，况且Kylin是第一个研发团队主力是中国人的Apache孵化项目，因此日益受到广泛的关注。机器学习框架：机器学习当前真是火爆宇宙了，人人都提机器学习和AI，但笔者一直认为机器学习恰似几年前的云计算一样，目前虽然火爆，但没有实际的落地项目，可能还需要几年的时间才能逐渐成熟。不过在现在就开始储备机器学习的知识总是没有坏处的。说到机器学习的框架，大家耳熟能详的有很多种, 信手拈来的就包括TensorFlow、Caffe8、Keras9、CNTK10、Torch711等，其中又以TensorFlow领衔。笔者当前建议大家选取其中的一个框架进行学习，但以我对这些框架的了解，这些框架大多很方便地封装了各种机器学习算法提供给用户使用，但对于底层算法的了解其实并没有太多可学习之处。因此笔者还是建议可以从机器学习算法的原理来进行学习。
数据库系统的核心和基础，是数据模型,现有的数据库系统均是基于某种数据模型的。数据库系统的核心是数据库管理系统。数据库系统一般由数据库、数据库管理系统（DBMS）、应用系统、数据库管理员和用户构成。DBMS是数据库系统的基础和核心。
数据分析师的基本素养--论如何成为一名数据科学家 Part 1这里有一些我收集的关于数据处理方面的材料，希望能够对你有所帮助（请注意：我是一名本科生，下面提到的资料仅为个人整理所得，在任何方面都不可视为专家意见）。了解矩阵因式分解学习计算机线性代数相关的课程（这类课程有时也叫做线性代数应用、矩阵计算、数值分析或者矩阵分析等，它既可以属于计算机科学，也可以属于应用数学课程）。矩阵分解算法是许多数据挖掘应用的基础，而在标准的"机器学习"课程中使用的矩阵分解算法通常不具有代表性。面对TB规模的数据时，Matlab等传统工具无法有效地执行数据处理工作，你不可能在大数据上只执行一条eig()语句就可以得出预期的结果。分布式矩阵计算包，例如Apache Mahout[1] 中包含的那些，试图填补这方面的空白，但是，你仍需要理解数值算法/LAPACK/BLAS [2][3][4][5]的工作机制，以便正确使用它们，针对特殊情况进行调整，构建自己的数据处理工具，并将其扩展到商业机器集群中TB级别规模的数据之上[6]。数学课程通常基于本科代数与微积分的基础，因此你应该具有良好的先决条件。
数据库系统的核心是数据库管理系统。数据库系统一般由数据库、数据库管理系（DBMS）、应用系统、数据库管理员和用户构成。DBMS是数据库系统的基础和核心。
2020高考志愿填报，大数据专业解读
简单说有三大核心技术：拿数据，算数据，卖数据。基础的技术包含数据的采集、数据预处理、分布式存储、NoSQL数据库、数据仓库、机器学习、并行计算、可视化等各种技术范畴和不同的技术层面。大数据预处理，指的是在进行数据分析之前，先对采集到的原始数据所进行的诸如“清洗、填补、平滑、合并、规格化、一致性检验”等一系列操作，旨在提高数据质量，为后期分析工作奠定基础。数据预处理主要包括四个部分：数据清理、数据集成、数据转换、数据规约。数据清理：指利用ETL等清洗工具，对有遗漏数据(缺少感兴趣的属性)、噪音数据(数据中存在着错误、或偏离期望值的数据)。数据集成：是指将不同数据源中的数据，合并存放到统一数据库的，存储方法，着重解决三个问题：模式匹配、数据冗余、数据值冲突处理。数据转换：是指对所抽取出来的数据中存在的不一致，进行处理的过程。它同时包含了数据清洗的工作，即根据业务规则对异常数据进行清洗，以保证后续分析结果准确性。数据规约：是指在最大限度保持数据原貌的基础上，最大限度精简数据量，以得到较小数据集的操作，包括：数据方聚集、维规约、数据压缩、数值规约、概念分层等。
有很多，比如说教育学，心理学，还包括中小学教师培训，北京大学教育评论，高等教育研究，还包括中国高校研究等等。
1、《江西师范大学学报》（自然科学版）《江西师范大学学报（自然科学版）》创刊于1957年，为综合性自然科学学术理论双月刊。主要刊登数学、物理学、化学、计算机科学、地理学、生态环境科学、无线电通讯工程、传播学及其交叉学科等基础研究和应用研究方面的学术论文。2004年，本刊被《中文核心期刊要目总览》评为综合性自然科学核心期刊。2、《江西师范大学学报》（哲学社会科学版）《江西师范大学学报（哲学社会科学版）》是北京大学《中文核心期刊要目总览》来源期刊（2014版、2017版、2020版），是CSSCI中文社会科学引文索引（2014-2016、2017-2018、2019-2020、2021-2022）来源期刊、中国人文社科核心期刊。被中国国家哲学社会科学学术期刊数据库、知网、万方、维普等平台收录。3、《心理学探新》《心理学探新》创刊于1980年，是由江西省教育厅主管，江西师范大学主办的心理学核心期刊。《心理学探新》主要发表理论心理学、认知实验心理学、认知神经心理学、心理统计与测量、人格与社会心理学、发展和教育心理等基础领域，及各类应用领域的探索、创新性学术论文。4、《计算机工程与设计》据2018年5月27日中国知网显示，《计算机工程与设计》共出版文献18223篇，总被下载2981474次、总被引138949次、（2017版）复合影响因子为850、（2017版）综合影响因子为498。据2018年5月27日万方数据知识服务平台显示，《计算机工程与设计》载文量为16796，被引量为118263，下载量为601316，2015年影响因子为62。5、《银行家》《银行家》被列入中国社会科学院人文核心期刊目录，是北京大学《中文核心期刊要目总览》来源期刊（1992年（第一版），1996年（第二版），2000年版，2004年版，2011年版，2014年版）。以上内容参考百度百科-江西师范大学学报（哲学社会科学版）以上内容参考百度百科-江西师范大学学报（自然科学版）以上内容参考百度百科-计算机工程与设计以上内容参考百度百科-银行家以上内容参考百度百科-心理学探新
理论数学、应用数学进展都是rccse的核心刊