《数据分析入门准备》

《数据分析入门准备》，转行前的准备，写给有同样需求的你。 数据分析是指运用统计方法和分析工具对大量数据进行分析，挖掘出其潜在规律及价值，为经营决策提供科学严谨的理性依据。其中当然离不开数学与统计学的知识，需要有微积分、线性代数、概率论与数理统计等相关的知识储备才行。

数据分析入门准备

• 了解数据分析行业
  • 岗位方向
    • 数据分析师
      • 从事数据采集、整理、分析，发现问题，分析问题，得出结论，为公司的决策层提供数据支持。偏向于业务。
    • 数据挖掘工程师/算法工程师
      • 利用模型训练数据，从海量数据中挖掘规律，预测或分类对象，主要偏向编程和算法，对统计理论知识要求偏高。
    • 数据开发工程师
      • 设计、搭建并维护基础设施，以提供数据收集、存储、处理、计算等平台。偏代码开发，需要在代码能力上弥补，但与纯技术栈的程序员相比需要一定的业务逻辑。
    • 数据产品经理
      • 主要负责以数据为导向提炼需求、设计、规划、项目排期至项目落地，以及后期的产品改进和优化等。
  • 基础知识
    • 数学与统计基础
      • 数据分析是指运用统计方法和分析工具对大量数据进行分析，挖掘出其潜在规律及价值，为经营决策提供科学严谨的理性依据。其中当然离不开数学与统计学的知识，需要有微积分、线性代数、概率论与数理统计等相关的知识储备才行。
    • 分析工具
      • 掌握基础的数据分析工具Excel与统计分析工具SPSS的用法
    • SQL数据库语言
      • 数据的存储便离不开使用数据库，需掌握SQL数据库语言在关系型数据库系统中进行增删改查等操作才行。
    • 编程语言
      • 数据分析的进阶需要会使用一门或多门编程语言，如Python和R，会使数据分析变得更加高效。
    • 机器学习算法入门
      • 需要学习常用的分类、回归、聚类和降维等的常用算法以及它们的优缺点和使用场景。
• 明确数据分析学习路线
  • 1.基础篇 (适用于初级数据分析师)
    • excel
      • 关键知识点
        • excel基本函数 sumif,countif,left,rand等、 lookup(vlookup/hlookup)
        • 数据透视表
      • 学习资源
        • 根据关键知识点，自行搜索用法+练习即可
      • 学习时长
        • 一周（一天4小时算）
    • sql
      • 关键知识点
        • 增删改查，特别是条件查询(where, group by, order by等)
      • 学习资源
      • 学习时长
        • 一周半(一天4小时算)
    • python
      • 关键知识点
        • numpy，pandas，matplotib，seaborn包的熟练使用
      • 学习资源
      • 学习时长
        • 6周（一天4小时算）
    • 统计学
      • 关键知识点
        • 概率论、假设检验、分布(泊松、二项、正态等)、统计抽样等
      • 学习资源
        • 《深入浅出统计学》比较适合小白入门，书很厚，别怕，都是图
      • 学习时长
        • 3周（一天4小时）
  • 2.进阶篇 （适用于中级数据分析师、数据挖掘工程师）)
    • 数学知识
      • 关键知识点
        • 线性代数： 矩阵运算，矩阵特征(秩、迹、特征值特征矩阵、相似矩阵、正定矩阵、逆矩阵、非奇异、行列式)、线性相关，向量空间，向量范数，矩阵范数，最小二乘法，最大似然估计
        • 微分： 极限，导数，偏导数，泰勒展开，梯度下降法，牛顿法
        • 凸优化： 基本概念(凸集合，凸函数，上境图，凸组合，凸包)，凸优化(拉格朗日对偶性，对偶问题，KKT条件，拉格朗日乘数法)
      • 学习资源
      • 学习时长
        • 4周（一天4小时算，最好学过高等数学）
    • 数据挖掘算法
      • 关键知识点
        • 分类、回归、聚类、关联规则挖掘、降维等
      • 学习资源
        • 《统计学习方法》经典，主讲分类算法，偏理论推导
        • 《机器学习实战》过瘾，对着《统计学习方法》来一套，保证你对理论明明白白
        • 《机器学习》周志华老师的，也是经典
      • 学习时长
        • 一周半(一天4小时算)
    • 神经网络