数据分析（一）基本模型与概念

基本模型

在本系列中所谈及的数据分析主要是指比较基础常见的技术操作，以及与文本挖掘、自然语言处理等的交叉部分；能力延伸部分是本人近日在准备春招过程中，参照不同企业的招聘需求和笔试题列举出的部分考查点。疏漏之处请各位大佬指出。

这系列的第一篇是作为字典使用的，总结本系列中出现的基础模型和主要概念。既方便新手从全局去学习这个系列，也方便老司机对照下可能需要补充的能力。

暂时就想到这些，后边有发现其他发现再不定期更新吧。
之前在知乎发过 另一篇 ，可以相互对照参考下。

数据分析模型

• （BTW，数据分析师的基本素质之一：异动指标分析，深度的专题分析，提炼数据产品需求）

1. 业务调研
2. 准备数据
   2.1 数据抽样
   2.2 数据过滤
   2.3 数据预处理
3. 浏览数据
   3.1 可视化
   3.2 聚类
   3.3 关联分析
4. 变量选择
   4.1 特征工程：确定自变量
   4.2 根据分析的目标确定因变量
5. 定义/发现模型
   5.1 分类
   5.2 回归
   5.3 聚类
6. 计算模型参数
   6.1 拟合模型
   6.2 遍历参数
7. 模式评估与解释
   7.1 评估指标
   7.2 解释模型参数
   7.3 测试与验证

文本分析模型

1. 业务调研
2. 准备文本/获取语料
   2.1 标准开放公开测试数据集
   2.2 爬虫抓取
   2.3 文本预处理
3. 浏览数据
4. 构造文本特征
   4.1 词袋表示
   4.2 词向量表示/词嵌入
5. 文本特征处理
   5.1 特征选择
   5.2 特征降维
6. 发现模式/模型训练
   6.1 文本分类
   6.2 文本聚类
   6.3 主题分析
   6.4 情感分析
7. 模型评估与解释
   7.1 评估指标
   7.2 解释模型参数
   7.3 测试与验证

主要概念

数据分析

• 数据类型，数据对象，基本统计信息，相似性度量
• 数据预处理：数据清洗，数据集成，数据转换，数据归约；缺失值处理，异常检测，错误发现与修复，变量离散化，变量标准化
• 分类模型：决策树，K近邻，朴素贝叶斯，支持向量机，多层感知机；随机森林，AdaBoost，GBDT
• 回归模型：线性回归，逻辑回归，生存模型，Beta 回归，判别分析
• 聚类模型：K-Means，二分K-Means，K-Medroids；层次聚类，划分聚类，密度聚类，模型聚类（高斯混合）
• 集成模型：Bagging VS Boosting VS Stacking
• 分类性能评估指标：准确率，精度，召回率，F1值，Kappa，ROC，AUC
• 回归性能评估指标：MAE，MSE，R²
• 聚类性能评估指标：外部指标，内部指标（簇内相似度，簇间分离度）
• 偏差 Bias VS 方差 Variance：含义，性质，如何利用
• 特征工程

数据挖掘十大经典算法

• C4.5
• K-Means
• SVM
• Apriori：关联规则分析；支持度与置信度
• EM
• PageRank
• AdaBoost
• KNN
• Naive Bayes
• CART

推荐系统

• 推荐系统，广告系统，搜索引擎
• 推荐算法

社交网络

• 社交网络分析
• 社区活跃度
• 社团挖掘
• 网络中心性
• 信息源检测

文本分析

• NLP基础技术：汉语分词，词性标注
• NLP应用技术：推荐系统，机器翻译，对话问答，语音识别与合成
• 文本表示模型——向量空间模型（VSM）：布尔，TF，TF-IDF，N-Gram，文本相似度，文本降维
• 文本分类，文本聚类
• 主题分析
• 情感分析

能力延伸

网络爬虫

• HTML，TCP，IP
• scrapy
• urllib
• cookie
• 八爪鱼

数据库

• SQL 基本语法
• 不同语法执行顺序：from, join on, where, group by, having, select, ordered by…
• 数据仓库

分布式计算（大数据的需求）

• Mapreduce, Hadoop, Spark
• Hive, Storm, Kafka

数理统计知识

• 最最基本的要求：能计算指定场景/事件的发生概率
• 贝叶斯公式
• A/B 测试：方差检验
• 泊松，正态，二项，均匀，卡方，T，F 分布：期望，方差，公式，适用场景，如何检验是否符合
• 共线性，相关系数，协方差
• 切比雪夫不等式
• 最小二乘法：公式，参数，推导
• 检验：Q-Q 图，秩检验，K-S 检验，t 检验
• 中心极限定理 VS 大数定理
• 分布左偏/右偏
• 卡特兰数问题
• 极大似然

线性代数

• 克莱姆法则 VS 行列式
• 矩阵
• 向量
• 范数 VS 范数的求导
• 线性变换

数学积分

• 微积分，求导，求极限
• 鞍点的性质
• Hessian 矩阵

数据结构

• 二叉树：先序，中序，后序
• 基本排序算法：冒泡，选择，插入，快速，堆，归并，希尔
• KMP 字符串匹配算法
• 哈夫曼编码

深度学习

• Tensorflow, Pytorch, Keras
• SGD, BGD, Ada delta, Momentum：超参数的设置，敏感性，梯度消失
• Linux 操作系统
• CNN VS LSTM：原理，应用场景