摘要:数据科学入门一直对数据科学很感兴趣,也陆陆续续学了很多东西。能够独立完成数据研究报告学习方法学习语言推荐使用语言。李航的统计学习方法和周志华的机器学习也是国内经典教材。
数据科学入门
一直对数据科学很感兴趣,也陆陆续续学了很多东西。以下是个人觉得需要掌握的一些知识。
1,入门掌握R、python、SAS语言(任意一种即可)
掌握sql
熟悉数据清洗,描述统计分析、可视化常用的方法
了解数据开发的基本流程以及要求。
能够独立完成数据研究报告
学习语言:推荐使用R语言。相比于Python,R数据分析、数据建模的package更强大。
推荐先学Roger D.Peng的 R Programming for Data Science(免费pdf)
深入了解R可以读一下官方Mannual,或者官方推荐书籍
开发环境:Rstudio。Rstudio的包管理,数据预览非常方便。参考(需要梯子):R环境安装-win+R环境安装-mac+Rstudio安装。
以下是学习常用的package,足以胜任对数据的统计性分析。很多书都对其中一些package进行了介绍,但更推荐使用时查看官方文档。
数据获取:
RODBC, RMySQL, RPostgresSQL, RSQLite - 从sql数据库获得数据
XLConnect, xlsx - 获得excel数据
foreign - 获得SAS数据
数据操作:
dplyr - 最常用的数据操作功能包。subsetting, summarizing, rearranging, joining等操作
tidyr - 表变换。列合并,列展开操作
可视化
ggolot2 - 最常用的数据可视化包。除了官方文档,推荐个函数速查cheet sheet
swirl - “swirl teaches you R programming and data science interactively, at your own pace, and right in the R console!swirl” . swirl内置了数据集和步骤引导,值得反复练习。
Cousera 上的R programing
sql:掌握w3c上介绍了[sql基础知识](http://www.w3school.co
m.cn/sql/sql_syntax.asp),个人关于sql的总结
Rstudio官方推荐的一些好的packages。针对数据分析不同阶段给出package推荐,基本可以覆盖入门阶段需求。
2,进阶 学习要求掌握数据的推论性分析、回归分析操作方法
掌握相关统计学知识
集中趋势:平均数, 中位数,众数
总体方差、样本方差、标准差
二项次分布,泊松分布,正太分布、伯努利分布
经验法则99.7%,95%,68%
中心极限定理
t分布,t置信区间;z和t统计量,一型错误,二型错误
分布检测:合适性检测(卡方)
独立性检测:独立行检测(卡方)
相关性检测:皮尔逊检验
方差分析-F检验
假设检验,单侧检验,双侧检验
p值,power
掌握不同情况下统计方法的选择
数据类型
样本数量
比较对象
组间关系
组数量
掌握特征工程相关知识
预处理
无量纲化。实际上很多学习算法都内置了一些类似功能,因此在数据质量较好的情况下,为了避免引入误差,可以不用进行此步骤。
标准化
区间放缩
归一化
重编码
二值化
onehotencoding/dummy coding
数据变换
log
Box-Cox
缺失值
降维
PCA
LDA
特征选择。
Filter:通过自变量和目标变量的关系选择特征。卡方检验,互信息。
Wrapper:通过目标函数来决定是否决定加入特征。RFE
Embedded:很多学习模型都自带特征选择特性‘XGBtree
了解相关机器学习模型,掌握模型选择、使用、调参、融合
常用回归模型
KNN: 给定一个训练数据集,对新的输入实例,在训练集中找到与该实例最相近的k个实例,这k个实例的多数属于某个分类,就把该输入分为这个类。典型实现kd树。
朴素贝叶斯:对于给定训练数据集,首先基于特征条件独立假设学习输入/输出的联合概率分布;然后基于此模型,对给定输入x,利用贝叶斯定理求出后验概率最大的输出y。
决策树:在分类问题中,表示基于特征对实例进行分类的过程,它可以认为是if-then规则的集合。常用实现:CART,ID3, C4.5
逻辑回归
支持向量机:支持向量机模型是定义在特征空间上的间隔最大的线性分类器,间隔最大使得它有别于感知机;支持向量机还包括和技巧,这使支持向量机可以升级为非线性分类器
EM:E是一种迭代算法,用于含有隐变量的概率模型参数的极大似然估计,或极大后验概率估计。
隐马尔科夫模型
用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数。然后利用这些参数来作进一步的分析。简明的隐马尔科夫链介绍
集成学习(使用同一种分类模型)
random forest
bagging:基本模型为Tree,用于非线性模型
boosting: adaboost(效率), realboost(精度),GDBT, XGBoost
模型融合
Bayesian model combination
STACKING
其他模型
频繁项挖掘
FGrowth
Apriori
推荐
普通回归
SVD
Anomaly Detection
模型融合
Bayesian model combination
STACKING
模型调参
贪心调参:grid search
模型选择。通常用样本数据集把适合的算法都尝试一遍,筛选组合是比较好的做法。
Accuracy
Training Time
Linearity
Number of feature
Number of parameters
其他特性
高级可视化
ggvis(ggplot2的基础上增加交互功能)
rgl(3d可交互, 聚类可视化神器)
htmlwidgets(生成js可交互图形)
leaflet(地图)
dygraphs(时序)
DT(表格)
diagrammeR(关系图,流程图)
-学习资源 机器学习
首推的是Stanford的Machine Learning课程。相比于其他教程更加精简,但对核心原理的讲解和推导却非常细致。该课程也是Cousera上最火的课程之一,讲师吴恩达背景很厉害。
The Elements of Statistical Learning国外的经典教材,有免费pdf版本,相较于国内亚马逊卖的勘正了很多错误。
李航的《统计学习方法》和[周志华]的《机器学习》也是国内经典教材。特点是大而全,很多东西并不详细,但对形成知识框架很有帮助,有时间可以反复阅读。
caret的官方tutorial是实操必学教程,caret介绍了从特征工程,建立模型,模型调参,模型融合的流程以及对应R方法。
统计学知识
入门可以选择可汗学院公开课:统计学或者headfirst系列的《深入浅出统计学》这些教程能够快速让你回忆起本科的概率论,快速建立统计学知识框架。
还有就是经典教材贾俊平的《统计学(第六版)》
还有一本就是需要重点推荐的《用户体验度量》。这本书详细地介绍了针对不同的分析情况,该采取何种方法。非常使用的一本书。
3,进一步提高(Coming Updata)数据分析产品化
数据分析工具
google analytic
tableau、saiku、kylin
一些常见的数据产品
推荐系统
文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。
转载请注明本文地址:https://www.ucloud.cn/yun/18224.html
摘要:送餐在厨师看来,他的工作已经完成了,做好了一道美味的披萨。机器学习就像点外卖一样,当中需要许多人参与,合作付出努力,但最终结果都很美味总结几个要点如果原料有问题,菜品也会有问题。 showImg(https://segmentfault.com/img/bVbmCcq?w=850&h=509);*作者 | Daniel Godoy翻译 | Mika本文为 CDA 数据分析师原创作品,转...
摘要:送餐在厨师看来,他的工作已经完成了,做好了一道美味的披萨。机器学习就像点外卖一样,当中需要许多人参与,合作付出努力,但最终结果都很美味总结几个要点如果原料有问题,菜品也会有问题。 showImg(https://segmentfault.com/img/bVbmCcq?w=850&h=509);*作者 | Daniel Godoy翻译 | Mika本文为 CDA 数据分析师原创作品,转...
摘要:月,卡耐基梅隆大学的程序在一对一不限注的扑克比赛中,击败了一组的德州扑克职业选手。概述击败人类冠军的三件事的深蓝,由卡内基梅隆大学开饭,在年的复赛中击败国际象棋世界冠军卡斯帕罗夫。年,奥克兰大学发布。 2017年是AI在扑克上取得突破的一年,在AI的发展历史上,具有里程碑的意义。1月,卡耐基梅隆大学的 AI 程序在一对一不限注的扑克比赛中,击败了一组的德州扑克职业选手。出乎所有人的意外,这一...
摘要:用离散信一文清晰讲解机器学习中梯度下降算法包括其变式算法无论是要解决现实生活中的难题,还是要创建一款新的软件产品,我们最终的目标都是使其达到最优状态。 提高驾驶技术:用GAN去除(爱情)动作片中的马赛克和衣服 作为一名久经片场的老司机,早就想写一些探讨驾驶技术的文章。这篇就介绍利用生成式对抗网络(GAN)的两个基本驾驶技能: 1) 去除(爱情)动作片中的马赛克 2) 给(爱情)动作片中...
阅读 3102·2021-09-08 10:46
阅读 1092·2019-08-30 13:17
阅读 2250·2019-08-30 13:05
阅读 1098·2019-08-29 15:29
阅读 2755·2019-08-29 11:31
阅读 442·2019-08-26 12:13
阅读 1401·2019-08-26 11:42
阅读 1597·2019-08-23 18:37