论文主要研究统计学应用性理论,着眼于机器学习模型在实际应用中的实施和流程设计问题。目前在机器学习领域的研究,以模型算法的设计与优化为主,很少见关于应用实施问题的研究。因此,论文从数据项目实施角度,从理论基础研究一个完整的建模流程是如何组织设计的,以及其性质与流程控制等问题,并最终实现智能化建模。近年来,机器学习与大数据技术的飞速发展深刻地影响了各行各业。以金融行业为例,在信贷风控、反欺诈、精准营销等场景中,机器学习模型都表现出了远超过人脑的能力,如何利用机器学习技术来提升企业价值成为了银行和保险等金融机构的重要课题。目前在大数据实务领域,数据建模事实上是劳动力密集型产业,需要大量的人力财力投入到数据治理和数据分析当中,项目需求大,周期长,高水平专家短缺且管理困难。在技术层面,则以算法设计和计算机技术为主要手段,这使得整个项目呈现出不断解决技术问题的工程模式,而缺乏一个系统性的科学理论指导,内在的数据和模型逻辑基本依赖于专家的经验、学识以及业务素养。同时,需要耗费大量的人力成本和算力资源,并且由于人的专业水平差异而导致项目结果出现很大的不确定性。在这样一个背景下,论文主要有两个研究目的。首先,在理论层面,建立一套关于数据建模系统的理论。该理论要能够以数学方法描述并解释整个数据建模流程,并在此基础上推演得到关于系统流程和系统评估的理论方法,进而提出规范的数据建模指导方针。其次,在应用层面,依据所建立的理论,设计一种切实可行的数据建模系统方案,并将其转化为应用成果,初步实现数据建模的智能化和去人工化,在商业实践中验证其可行性与有效性。在这样两个主要研究目的之下,根据所建立的数据建模系统理论,将规范化的建模系统固化为一套自动流程,以计算机软件的形式实现数据建模项目从原始数据到模型结果全流程的智能化,可以极大地提高生产效率。论文的主要内容是建立数据建模系统理论,包含三个构成部分,分别是数据流程理论、数据流程控制理论和数据流程范式。其中,数据流程理论是核心内容,建立在集合、映射和样本空间这三个数学概念之上,将数据建模过程视作由结构化样本空间到目标空间的链式映射关系,给出了最底层的关于数据建模流程的数学描述;数据流程控制理论是辅助内容,包含复杂度（成本）评估、效用（损失）评估和流程性质探讨;数据流程范式是实践指导性内容,探讨了数据建模流程的一般组织形式,以及智能化流程的可行方案。论文的次要内容是将数据建模系统理论转化为实践成果,其一是智能数据建模系统,是一套商用计算机软件,其二是yiming程序包,是一套Python环境下的开发者工具。然后将其推向市场,在实际商业数据项目中收集反馈信息。详细理论逻辑结构见正文图3-2。论文的主要研究成果与创新有三个。第一,把数据建模作为一个宏观的系统性问题来研究,而不是若干个独立的微观算法问题的集合,并由此建立了数据建模系统理论。这不同于过去把数据建模视为一个技术问题,由于没有一个明确的理论依据指导这个过程,往往存在较大的随意性。本学位论文从系统的角度重新定义了这个过程,给出了新的思想理念。第二,在数据建模系统理论的基础上,提出了数据建模系统的基本范式。本学位论文着眼于相对宏观的层面,认为在特异性极强的数据分析工作中,存在一个一般性的标准流程,任何一个建模问题都可以纳入到这个流程中。标准化流程的提出为数据建模工作提供了可靠的依据,较大地避免了数据建模的主观随意性。第三,在基本范式的基础上,提出并设计了一种泛用建模流程,并开发了一套智能建模软件,实现了数据建模的智能化和去人工化,实践验证了本学位论文理论的可行性。依托于某创业公司,该软件已经成功产品化,并在多家大型金融机构取得了优异成果。