g u t x .com.tr İpek yolu - Çin'i anlamaya götürürüm

Büyük veri için sağduyu çok önemlidir. Büyük veri yaptığınızı söylemeye cesaret edemiyor musunuz?

1. Büyük veri analizinin beş temel yönü

1. Görsel analiz

Büyük veri analizi kullanıcıları arasında büyük veri analizi uzmanları ve sıradan kullanıcılar yer alır, ancak büyük veri analizi için her ikisinin de en temel gereksinimi görsel analizdir çünkü görsel analiz büyük verinin özelliklerini sezgisel olarak sunabilir ve kolayca olabilir. Okuyucunun kabul ettiği şey resimlere bakmak kadar basit ve nettir.

2. Veri madenciliği algoritması

Büyük veri analizinin teorik özü, veri madenciliği algoritmalarıdır.Farklı veri türlerine ve formatlarına dayanan çeşitli veri madenciliği algoritmaları, verilerin kendisinin özelliklerini daha bilimsel bir şekilde sunabilir ve tam da bunların tüm dünyada istatistikçiler tarafından tanınmasıdır. Çeşitli istatistiksel yöntemler (gerçekler olarak adlandırılabilir) verilerin derinliklerine inebilir ve tanınan değeri ortaya çıkarabilir. Diğer bir özellik ise, bu veri madenciliği algoritmalarının büyük veriyi daha hızlı işleyebilmesidir.Bir algoritmanın bir sonuca varması birkaç yıl sürerse, büyük verinin değeri söz konusu olamaz.

3. Tahmine dayalı analiz yetenekleri

Büyük veri analizinin son uygulama alanlarından biri de tahmine dayalı analizdir.Özellikler büyük veriden çıkarılır ve model bilimsel olarak kurulur ve daha sonra gelecekteki verileri tahmin etmek için model aracılığıyla yeni veriler getirilebilir.

4. Anlamsal Motor

Büyük veri analizi, ağ veri madenciliğinde yaygın olarak kullanılmaktadır.Kullanıcı ihtiyaçlarını, daha iyi kullanıcı deneyimi ve reklam eşleşmesi elde etmek için, kullanıcı arama anahtar sözcüklerinden, etiket anahtar sözcüklerinden veya diğer girdi anlamlarından analiz edebilir ve yargılayabilir.

5. Veri kalitesi ve veri yönetimi

Büyük veri analizi, veri kalitesinden ve veri yönetiminden ayrılamaz.Yüksek kaliteli veri ve etkili veri yönetimi, akademik araştırmada veya ticari uygulamalarda analiz sonuçlarının doğruluğunu ve değerini garanti edebilir. Büyük veri analizinin temeli, yukarıdaki beş unsurdur.Tabii ki, büyük veri analizi daha derinlemesine ise, çok daha fazla karakteristik, daha derin ve daha profesyonel büyük veri analizi yöntemleri vardır.

2. Uygun veri analizi araçları nasıl seçilir

Hangi verilerin analiz edileceğini anlamak için, büyük veriler tarafından analiz edilecek dört ana veri türü vardır:

1. İşlem verileri (İŞLEM VERİLERİ)

Büyük veri platformu, daha geniş bir zaman aralığı ve daha büyük miktarda yapılandırılmış işlem verisi elde edebilir, böylece yalnızca POS veya e-ticaret alışveriş verilerini değil, aynı zamanda web sunucuları gibi davranışsal işlem verilerini de içeren daha geniş bir işlem veri türü yelpazesi analiz edilebilir. İnternet tıklama akışı veri günlüğü kaydedildi.

2. İNSAN TARAFINDAN ÜRETİLEN VERİLER

Yapılandırılmamış veriler, e-postalarda, belgelerde, resimlerde, seslerde, videolarda ve bloglar, wiki'ler ve özellikle sosyal medya aracılığıyla oluşturulan veri akışlarında yaygın olarak bulunur. Bu veriler, metin analizi işlevlerini kullanarak analiz için zengin bir veri kaynağı sağlar.

3. MOBİL VERİLER

İnternete erişebilen akıllı telefonlar ve tabletler daha yaygın hale geliyor. Bu mobil cihazlardaki uygulamalar, uygulama içindeki işlem verilerinden (arama ürünü kayıt olayları gibi) kişisel bilgilere veya durum raporlama olaylarına (yeni bir coğrafi kodun bildirilmesi anlamına gelen bir konum değişikliği gibi) kadar sayısız olayı izleyebilir ve iletebilir.

4. Makine ve sensör verileri (MAKİNE VE SENSÖR VERİLERİ)

Bu, akıllı sayaçlar, akıllı sıcaklık kontrol cihazları, fabrika makineleri ve İnternet bağlantılı ev aletleri gibi işlevsel cihazlar tarafından oluşturulan veya oluşturulan verileri içerir. Bu cihazlar İnternetteki diğer düğümlerle iletişim kuracak şekilde yapılandırılabilir ve ayrıca verilerin analiz edilebilmesi için verileri merkezi bir sunucuya otomatik olarak iletebilir. Makine ve sensör verileri, ortaya çıkan Nesnelerin İnterneti'nden (IoT) üretilen ana örneklerdir. Nesnelerin İnternetinden elde edilen veriler, analitik modeller oluşturmak, tahmine dayalı davranışı sürekli olarak izlemek (örneğin, sensör değerlerinin bir sorunu gösterdiğini belirlemek gibi) ve önceden belirlenmiş talimatlar sağlamak (teknisyenleri gerçek bir sorun oluşmadan önce ekipmanı kontrol etmeleri için uyarmak gibi) için kullanılabilir.

Veri analiz aracı hangi gereksinimleri ve hedefleri gerçekleştirir?

Hadoop veya diğer yüksek performanslı analiz sistemleri gibi motor olarak büyük veri platformu ile analiz sağlamak için gelişmiş analiz algoritmaları ve modelleri uygulayabilir, birden fazla veri kaynağından gelen yapılandırılmış ve yapılandırılmamış verilere uygulanabilirler.Analiz modelleri için kullanılan veriler arttıkça, Analiz modelini genişletebilir veya veri görselleştirme araçlarına entegre edilmiş ve diğer teknolojilerle entegre edilebilir

Ek olarak, araç, entegre algoritmalar ve veri madenciliği tekniklerini destekleyen (ancak bunlarla sınırlı olmayan) bazı gerekli işlevleri içermelidir:

Kümeleme ve alt bölümleme: Büyük bir varlığı ortak özelliklere sahip küçük gruplara ayırın. Örneğin, toplanan müşterileri analiz edin ve daha bölümlere ayrılmış bir hedef pazar belirleyin. Sınıflandırma: Verileri önceden belirlenmiş kategoriler halinde düzenleyin. Örneğin, müşterileri segmentasyon modeline göre nasıl sınıflandıracağınıza karar verin. Kurtarma: Bağımlı değişken ile bir veya daha fazla bağımsız değişken arasındaki ilişkiyi eski haline getirmek ve bağımsız değişkenin değişikliğine göre bağımlı değişkenin nasıl değiştiğini belirlemeye yardımcı olmak için kullanılır. Örneğin, mülkün gelecekteki yönünü tahmin etmek için coğrafi verileri, net geliri, ortalama yaz sıcaklığını ve taban alanını kullanın. Ortak ve öğe seti madenciliği: Büyük veri kümelerindeki değişkenler arasındaki korelasyonları bulun. Örneğin, çağrı merkezi temsilcilerinin arayan müşteri segmentasyonu, ilişki ve şikayet türlerine göre daha doğru bilgiler sağlamasına yardımcı olabilir. Benzerlik ve bağlantı: dolaylı kümeleme algoritmaları için. Benzerlik skor algoritması, yedekleme kümesindeki varlıkların benzerliğini belirlemek için kullanılabilir. Sinir ağı: Makine öğrenimi için dolaylı analiz.

İnsanlar veri analizi araçlarıyla ne biliyor?

Veri bilimcileri, daha karmaşık analizler elde etmek için daha karmaşık veri türlerini kullanmak, nasıl tasarlanacağını bilmek, içsel eğilimleri veya sapmaları değerlendirmek için temel modelleri nasıl uygulayacaklarını isterler. İş analistleri, verileri aktif veri keşfi gerçekleştirmek için veya mevcut bilgilerin görselleştirilmesini ve bazı tahmine dayalı analizleri gerçekleştirmek için kullanmak isteyen sıradan kullanıcılar gibidirler. İşletme yöneticileri, modelleri ve sonuçları anlamak isterler. BT geliştiricileri, yukarıdaki tüm kullanıcı türleri için destek sağlarlar.

En uygun büyük veri analiz yazılımı nasıl seçilir?

Analistin uzmanlığı ve becerileri. Bazı araçlar acemi kullanıcıları hedef alır, bazıları profesyonel veri analistleri ve bazıları bu iki kitle için tasarlanmıştır.

Çeşitliliği analiz edin. Farklı kullanıcı durumlarına ve uygulamalarına göre, iş kullanıcılarının farklı türde analiz işlevlerini desteklemesi ve belirli modelleme türlerini (regresyon, kümeleme, bölümleme, davranış modelleme ve karar ağaçları gibi) kullanması gerekebilir. Bu işlevler, yüksek seviyeli, farklı analiz ve modelleme biçimlerini geniş ölçüde destekleyebilmiştir, ancak yine de algoritmaların farklı sürümlerini ayarlamak ve daha gelişmiş işlevler eklemek için onlarca yıllık enerji yatırımı yapan bazı üreticiler vardır. Şirketin karşılaştığı sorunlarla en çok hangi modellerin alakalı olduğunu anlamak ve ürünlerin kullanıcının iş ihtiyaçlarını en iyi şekilde nasıl karşıladığına bağlı olarak ürünleri değerlendirmek önemlidir. Veri aralığı analizi. Analiz edilecek verilerin kapsamı, yapılandırılmış ve yapılandırılmamış bilgiler, geleneksel yerel veritabanları ve veri ambarları, bulut tabanlı veri kaynakları ve büyük veri platformlarında (Hadoop gibi) veri yönetimi gibi birçok yönü içerir. Bununla birlikte, farklı ürünler, geleneksel olmayan veri göllerinde (Hadoop veya yatay genişleme sağlamak için kullanılan diğer NoSQL veri yönetim sistemlerinde) veri yönetimi için farklı düzeylerde destek sağlar. Ürünler nasıl seçilir, şirketler veri hacmini ve veri türlerini edinme ve işleme özel ihtiyaçlarını göz önünde bulundurmalıdır. işbirliği. İşletme ne kadar büyükse, analizleri, modelleri ve uygulamaları departmanlar arasında ve birçok analist arasında paylaşma olasılığı o kadar yüksektir. Bir şirketin çeşitli departmanlara dağılmış çok sayıda analisti varsa ve sonuçların nasıl yorumlanıp analiz edileceği varsa, daha fazla ortak model ve ortak çalışma yöntemi eklemesi gerekebilir. Lisans sertifikası ve bakım bütçesi. Hemen hemen tüm üreticilerin ürünleri farklı versiyonlara ayrılmıştır ve satın alma maliyetleri ile genel işletme maliyetleri farklıdır. Lisans ücreti, analiz verilerinin miktarı veya ürünün kullanabileceği düğüm sayısı üzerindeki özellikler, işlevler ve kısıtlamalarla doğru orantılıdır. Kullanım kolaylığı. İstatistiksel bir geçmişi olmayan iş analistleri, analiz ve uygulamaları kolayca geliştirebilir mi? Ürünün geliştirme ve analizi kolaylaştırmak için görsel bir yöntem sağlayıp sağlamadığını belirleyin. Yapılandırılmamış veri kullanım oranı. Ürünün farklı türde yapılandırılmamış veriler (belgeler, e-postalar, resimler, videolar, sunumlar, sosyal medya kanalı bilgileri vb.) Kullanabildiğini ve alınan bilgileri ayrıştırıp kullanabildiğini onaylayın. Ölçeklenebilirlik ve ölçeklenebilirlik. Veri hacminin sürekli büyümesi ve veri yönetimi platformlarının sürekli genişlemesi ile birlikte, işleme ve depolama kapasitesinin artmasıyla farklı analiz ürünlerinin nasıl büyüdüğünü değerlendirmek gerekir.

3. Üç önemli büyük veri mesleği - veri bilimcisi, veri mühendisi, veri analisti nasıl ayırt edilir?

Büyük veri gittikçe daha popüler hale geldikçe, büyük veriyle ilgili kariyerler de popüler hale geldi ve yetenek geliştirme için birçok fırsat getirdi. Veri bilimcileri, veri mühendisleri ve veri analistleri, büyük veri endüstrisindeki en sıcak işler haline geldi. Nasıl tanımlanırlar? Spesifik iş nedir? Hangi becerilere ihtiyaç var? Gelin birlikte bir göz atalım.

Bu 3 meslek nasıl konumlandırılıyor?

Bir veri bilimcisi, karmaşık sayıları, sembolleri, metinleri, URL'leri, ses veya videoyu ve diğer bilgileri dijital olarak çoğaltmak ve anlamak ve yeni veriler bulmak için bilimsel yöntemleri ve veri madenciliği araçlarını kullanma yeteneğini ifade eder. Bir mühendis veya uzman (bir istatistikçi veya analistten farklı). Bir veri mühendisi nasıl tanımlanır? Bir veri mühendisi genellikle "istatistikleri derinlemesine anlayan yıldız yazılım mühendisi" olarak tanımlanır. Bir iş sorunu hakkında endişeleniyorsanız, bir veri mühendisine ihtiyacınız var. Temel değerleri, net verilerle veri ardışık düzenleri oluşturma yeteneklerinde yatmaktadır. Dosya sistemini tam olarak anlamak, dağıtılmış hesaplama ve veritabanı, mükemmel bir veri mühendisi olmak için gerekli becerilerdir. Veri mühendisleri algoritmaları oldukça iyi anlıyor. Bu nedenle, veri mühendisleri temel veri modellerini çalıştırabilmelidir. Üst düzey işletme ihtiyaçları, oldukça karmaşık hesaplamalara olan ihtiyacı doğurmuştur. Çoğu durumda, bu gereksinimler veri mühendisinin bilgi kapsamını aşmaktadır. Şu anda, yardım için veri bilimciyi aramanız gerekir. Veri analistleri, veri analistlerini endüstri verilerini toplama, sıralama ve analiz etme ve verilere dayalı endüstri araştırması, değerlendirmesi ve tahmininde uzmanlaşmış farklı sektörlerdeki profesyonellerden nasıl anlar? Doğru soruları nasıl soracaklarını bilirler ve veri analizi, veri görselleştirme ve veri sunumunda çok iyidirler.

Bu 3 mesleğin özel sorumlulukları nelerdir?

Bir veri bilimcisinin iş sorumlulukları Veri bilimcileri, verileri araştırarak çevrelerindeki dünyaya bakma eğilimindedir. Büyük miktarda dağınık veriyi analiz için yapılandırılmış verilere dönüştürmek için, zengin veri kaynaklarını bulmak, eksik olabilecek diğer veri kaynaklarını entegre etmek ve bunları bir sonuç veri setinde temizlemek gerekir. Yeni rekabet ortamında, zorluklar sürekli değişiyor ve yeni veriler sürekli olarak içeri giriyor. Veri bilimcilerin, karar vericilere geçici veri analizinden sürekli veri etkileşim analizine kadar çeşitli analizler arasında gidip gelmelerine yardımcı olması gerekiyor. Bir şey bulduklarında, bulgularını paylaştılar ve yeni iş yönleri önerdiler. Görsel bilgileri göstermede çok yaratıcılar ve aynı zamanda açık ve inandırıcı bulunan desenleri de yapıyorlar. Verilerin içerdiği kuralları Patrona önerin, böylece ürünleri, süreçleri ve kararları etkileyin. Veri mühendislerinin iş sorumlulukları, geçmişi analiz etmek, geleceği tahmin etmek ve seçimleri optimize etmektir. Bunlar, büyük veri mühendisleri için "verilerle oynadıklarında" en önemli üç görevdir. Bu üç çalışma yönü aracılığıyla, şirketlerin daha iyi iş kararları almasına yardımcı olurlar. Büyük veri mühendislerinin çok önemli bir işi, verileri analiz ederek geçmiş olayların özelliklerini bulmaktır. Örneğin, Tencentin veri ekibi, şirketin tüm çevrimiçi platformlarındaki büyük ve düzensiz veri bilgilerini sıralamak ve reklamcılık dahil olmak üzere şirketin çeşitli iş ihtiyaçlarını desteklemek için sorgu için kullanılabilen özellikleri özetlemek için bir veri ambarı inşa ediyor. Dağıtım, oyun geliştirme, sosyal ağ vb. Geçmişteki olayların özelliklerini öğrenmek, şirketlerin tüketicileri daha iyi anlamasına yardımcı olabilir. Kullanıcının geçmiş davranış yörüngesini analiz ederek bu kişiyi anlayabilir ve davranışını tahmin edebiliriz. Önemli faktörleri ortaya koyarak, büyük veri mühendisleri gelecekteki tüketim eğilimlerini tahmin edebilir. Alimama'nın pazarlama platformunda mühendisler, hava durumu verilerini sunarak Taobao satıcılarının iş yapmasına yardımcı olmaya çalışıyor. Örneğin bu yaz hava sıcak olmazsa geçen yıl bazı ürünler iyi satılmayabilir.Klima, elektrikli fanlar, yelekler ve mayolar dışında hepsi etkilenebilir. Ardından hava durumu verileri ile satış verileri arasındaki ilişkiyi kuracağız, ilgili kategorileri bulacağız ve satıcıları envanter devir hızı konusunda önceden uyaracağız. Farklı şirketlerin iş doğasına göre, büyük veri mühendisleri veri analizi yoluyla farklı hedeflere ulaşabilir. Tencent için, büyük veri mühendislerinin çalışmalarını yansıtabilecek en basit ve en doğrudan örnek, ürün yöneticilerinin A ve B alternatifleri arasında seçim yapmasına yardımcı olan seçenek testidir (AB Testi). Geçmişte, karar vericiler yalnızca deneyime dayalı yargılarda bulunabilirdi, ancak artık büyük veri mühendisleri büyük ölçekli gerçek zamanlı testleri geçebilir - örneğin, sosyal ağ ürünleri örneğinde, kullanıcıların yarısı A arayüzünü görebilir ve diğer yarısı gözlemlemek için B arayüzünü kullanabilir Pazarlama departmanının son seçimi yapmasına yardımcı olmak için belirli bir süre boyunca tıklama oranını ve dönüşüm oranını hesaplayın. Veri Analistlerinin Görev Sorumlulukları İnternetin kendisi sayısallaştırma ve etkileşim özelliklerine sahiptir.Bu özellik özelliği, veri toplama, sıralama ve araştırmaya devrim niteliğinde atılımlar getirmiştir. Geçmişte, "atom dünyasındaki" veri analistleri, araştırma ve analizi destekleyen verileri elde etmek için daha yüksek maliyetler (fonlar, kaynaklar ve zaman) harcamak zorundaydı.Verilerin zenginliği, kapsamlılığı, sürekliliği ve güncelliği İnternet çağındakinden çok daha kötü. Geleneksel veri analistleri ile karşılaştırıldığında, İnternet çağındaki veri analistleri veri kıtlığı ile değil, veri fazlasıyla karşı karşıyadır. Bu nedenle, İnternet çağındaki veri analistleri, verileri verimli bir şekilde işlemek için teknolojiyi kullanmayı öğrenmelidir. Daha da önemlisi, İnternet çağındaki veri analistleri, veri araştırma metodolojisinde yenilikler yapmaya ve atılımlar yapmaya devam etmelidir. Sektör söz konusu olduğunda, bir veri analistinin değeri benzerdir. Basın ve yayıncılık endüstrisi söz konusu olduğunda, yaşa bakılmaksızın, medya operatörlerinin izleyicinin durumunu ve değişen eğilimleri doğru, ayrıntılı ve zamanında anlama becerisi, medyanın başarısının anahtarıdır.

Ek olarak, haber ve yayıncılık gibi içerik endüstrileri için, veri analistlerinin, müşteri hizmetlerini iyileştirmek için haber yayın kuruluşlarını destekleyen önemli bir işlev olan içerik tüketici verileri analizi işlevini yerine getirebilmesi daha da kritiktir.

Bu 3 meslekle uğraşmak istiyorsanız hangi becerilerde ustalaşmanız gerekiyor?

A.Veri bilimcilerinin ustalaşması gereken beceriler

1. Bilgisayar Bilimleri

Genel olarak konuşursak, çoğu veri bilimcisi programlama ve bilgisayar bilimi ile ilgili profesyonel geçmişe ihtiyaç duyar. Basitçe ifade etmek gerekirse, büyük veriyi işlemek için gerekli olan, makine öğrenimi ve hadoop ve Mahout gibi büyük ölçüde paralel işleme teknolojileriyle ilgili becerilerdir.

2. Matematik, istatistik, veri madenciliği vb.

Matematik ve istatistik okuryazarlığına ek olarak, SPSS ve SAS gibi ana akım istatistiksel analiz yazılımlarını kullanma becerisine sahip olmak da gereklidir. Bunlar arasında, istatistiksel analiz için açık kaynak programlama dili ve çalışma ortamı "R" son zamanlarda çok ilgi gördü. Rnin gücü yalnızca zengin bir istatistiksel analiz kitaplığı içermesi değil, aynı zamanda sonuçları görselleştiren ve basit komutlarla çalıştırılabilen yüksek kaliteli bir grafik oluşturma işlevine sahip olmasıdır. Ayrıca CRAN (The Comprehensive R Archive Network) adında bir paket genişletme mekanizmasına sahiptir Genişleme paketini içe aktararak, standart durumda desteklenmeyen işlevleri ve veri setlerini kullanabilirsiniz.

3. Veri görselleştirme (Görselleştirme)

Bilginin kalitesi büyük ölçüde ifade edilme şekline bağlıdır. Veri bilimcilerin, analiz sonuçlarını görselleştirmek için sayılardan oluşan verilerin içerdiği anlamı analiz etmesi, Web prototipleri geliştirmesi ve grafik, harita ve Dashboard gibi diğer hizmetleri birleştirmek için harici API'leri kullanması çok önemlidir. Becerilerden biri.

B.Veri mühendislerinin ustalaşması gereken beceriler

1. Matematik ve istatistikle ilgili arka plan

Büyük veri mühendislerinin gereksinimleri, istatistik ve matematik alanında yüksek lisans veya doktora derecesine sahip olmalarını umuyor. Teorik bir geçmişe sahip olmayan veri çalışanlarının teknik bir tehlike bölgesine (Tehlike Bölgesi) girme olasılığı daha yüksektir - farklı veri modellerine ve algoritmalarına göre bir grup sayı her zaman bazı sonuçlar alabilir, ancak bunun ne anlama geldiğini bilmiyorsanız , Gerçekten anlamlı sonuçlar değildir ve bu tür sonuçlar sizi kolayca yanıltabilir. Yalnızca belirli teorik bilgilerle, pratik problemleri çözmek için modelleri, modelleri yeniden kullanabilir ve hatta yenilikçi modelleri anlayabiliriz.

2. Bilgisayar kodlama yeteneği

Pratik geliştirme yetenekleri ve büyük ölçekli veri işleme yetenekleri, büyük veri mühendisi olmanın bazı temel unsurlarıdır. Çok fazla verinin değeri madencilik sürecinden geldiğinden, altının değerini keşfetmek için bunu kendiniz yapmanız gerekir. Örneğin, insanların sosyal ağlarda ürettikleri kayıtların çoğu yapılandırılmamış verilerdir.Bu ipucu olmayan metinlerden, seslerden, görüntülerden ve hatta videolardan anlamlı bilgilerin nasıl çıkarılacağı, büyük veri mühendislerinin bunları araştırmasını gerektirir. Bazı ekiplerde bile, büyük veri mühendislerinin sorumlulukları esas olarak iş analizidir, ancak bilgisayarların büyük verileri işleme yöntemine aşina olmaları gerekir.

3. Belirli uygulama alanları veya endüstriler hakkında bilgi

Büyük veri mühendisinin rolü için önemli bir nokta, piyasadan ayrılamamasıdır, çünkü büyük veri yalnızca belirli alanlardaki uygulamalarla birleştirildiğinde değer üretebilir. Bu nedenle, bir veya daha fazla dikey sektördeki deneyim, adaylar için sektör hakkında bilgi biriktirebilir ve gelecekte büyük veri mühendisi olmaya çok yardımcı olacaktır.Bu nedenle, bu pozisyon için başvururken daha ikna edici bir bonus.

C.Veri analistlerinin ustalaşması gereken beceriler

1. İşletmeyi anlayın. Veri analizine dahil olmanın ön koşulu, işi anlamak, yani sektör bilgisine, şirket işine ve süreçlerine aşina olmaktır ve kendi benzersiz içgörülerinize sahip olmak en iyisidir.Sektör bilgisinden ve şirket iş geçmişinden koparsanız, analizin sonuçları yalnızca çevrimdışı olacaktır. Uçurtmanın çok fazla kullanım değeri yoktur.

2. Yönetimi anlayın. Bir yandan, bir veri analizi çerçevesi oluşturmak gerekir.Örneğin, analiz fikirlerini belirlemek için, rehberlik etmek için pazarlama ve yönetim gibi teorik bilgileri kullanmanız gerekir. Yönetim teorisine aşina değilseniz, bir veri analizi çerçevesi oluşturmak zordur ve sonraki veri analizi de zordur. . Öte yandan, rol, veri analizi sonuçları için öğretici analiz önerileri sağlamaktır.

3. Analizi anlayın. Veri analizinin temel ilkelerine ve bazı etkili veri analizi yöntemlerine hakim olmayı ve veri analizini etkili bir şekilde gerçekleştirmek için bunları pratik çalışmaya esnek bir şekilde uygulayabilmeyi ifade eder. Temel analiz yöntemleri şunlardır: karşılaştırmalı analiz yöntemi, grup analizi yöntemi, çapraz analiz yöntemi, yapı analizi yöntemi, huni grafik analiz yöntemi, kapsamlı değerlendirme analiz yöntemi, faktör analizi yöntemi, matris korelasyon analizi yöntemi vb. Gelişmiş analiz yöntemleri şunları içerir: korelasyon analizi, regresyon analizi, küme analizi, diskriminant analizi, temel bileşen analizi, faktör analizi, yazışma analizi, zaman serileri vb.

4. Araçları anlayın. Veri analizi ile ilgili yaygın araçlarda uzmanlaşmayı ifade eder. Veri analizi yöntemi teoridir ve veri analizi aracı, veri analizi yöntemi teorisini gerçekleştirmek için bir araçtır. Giderek artan büyük veriler karşısında, analiz için hesap makinelerine güvenemeyiz ve veri analizi çalışmasını tamamlamamıza yardımcı olması için güçlü veri analizi araçlarına güvenmemiz gerekir.

5. Tasarımı anlayın. Tasarımı anlamak, veri analistlerinin analiz görüşlerini etkili bir şekilde ifade etmek için diyagramların kullanılması anlamına gelir, böylece analiz sonuçları bir bakışta netleşir. Grafik tasarımı, grafik seçimi, düzen tasarımı, renk eşleştirme vb. Gibi bir üniversite meselesidir ve hepsinin belirli tasarım ilkelerine hakim olması gerekir.

Dördüncüsü, çaylaktan veri bilimci olmak için 9 aşamalı geliştirme planı

İlk olarak, veri bilimcisinin tanımı şirketten şirkete değişir ve şu anda birleşik bir tanım yoktur. Ancak genel olarak, bir veri bilimcisi, bir yazılım mühendisinin ve bir istatistikçinin becerilerini birleştirir ve çalışmak istediği alana çok sayıda endüstri bilgisini yatırır.

Veri bilimcilerinin yaklaşık% 90'ı en az üniversite eğitimine, hatta doktora derecesine ve doktora derecesine sahip ... Tabii ki edindikleri alanlar çok geniş. Hatta bazı işe alım görevlileri, beşeri bilimler branşına sahip kişilerin gerekli yaratıcılığa sahip olduğunu ve başkalarına temel becerileri öğretebileceklerini fark ediyor.

Bu nedenle, bir veri bilimi lisans programı hariç tutulduğunda (dünyanın dört bir yanındaki ünlü üniversiteler mantar gibi yükseliyor), veri bilimcisi olmak için hangi adımları atmanız gerekiyor?

1. Matematik ve istatistik becerilerinizi gözden geçirin.

İyi bir veri bilimcisi, verilerin size ne söylediğini anlayabilmelidir.Bunu yapmak için, sağlam bir temel doğrusal cebire ve algoritmalar ile istatistiksel becerilere ilişkin bir anlayışa sahip olmanız gerekir. Bazı durumlarda ileri matematik gerekebilir, ancak burası iyi bir başlangıç noktasıdır.

2. Makine öğrenimi kavramını anlayın.

Makine öğrenimi, ortaya çıkan bir sonraki kelimedir, ancak ayrılmaz bir şekilde büyük veriyle bağlantılıdır. Makine öğrenimi, açık programlamaya ihtiyaç duymadan verileri değere dönüştürmek için yapay zeka algoritmalarını kullanır.

3. Kodu öğrenin.

Veri bilimcisi, bilgisayara verileri nasıl analiz edeceğini söylemek için kodu nasıl ayarlayacağını bilmelidir. Python gibi açık kaynak bir dil ile başlayın.

4. Veritabanını, veri havuzunu ve dağıtılmış depolamayı anlayın.

Veriler, veritabanlarında, veri havuzlarında veya tüm dağıtılmış ağlarda saklanır. Ve bu verilerden bir havuzun nasıl oluşturulacağı, verilere nasıl eriştiğinize, kullandığınız ve analiz ettiğinize bağlıdır. Veri depolamanızı oluştururken genel bir mimariniz veya gelişmiş bir planlamanız yoksa, üzerinizdeki sonraki etki çok geniş kapsamlı olacaktır.

5. Veri değiştirme ve veri temizleme tekniklerini öğrenin.

Veri değişikliği, orijinal verileri erişimi ve analizi daha kolay olan başka bir formata aktarmaktır. Veri temizleme, yinelenen ve "kötü" verilerin ortadan kaldırılmasına yardımcı olur. Her ikisi de veri bilimcinin araç kutusundaki temel araçlardır.

6. İyi veri görselleştirme ve raporlama ile ilgili temel bilgileri anlayın.

Bir grafik tasarımcı olmanız gerekmez, ancak yöneticiniz veya CEO'nuz gibi meslekten olmayan kişilerin anlayabilmesi için veri raporlarının nasıl oluşturulacağına aşina olmanız gerekir.

7. Araç kutunuza daha fazla araç ekleyin.

Yukarıdaki becerilerde ustalaştıktan sonra, veri bilimi araç kutunuzu Hadoop, R dili ve Spark'ı içerecek şekilde genişletme zamanı gelmiştir. Bu araçların deneyimi ve bilgisi sizi çok sayıda veri bilimi iş arayanın üstüne çıkaracaktır.

8. Pratik yapın.

Yeni bir alanda bir işe girmeden önce, nasıl bir veri bilimcisi olma pratiği yaparsınız? Hoşunuza giden bir proje geliştirmek için açık kaynak kodunu kullanın, bir yarışmaya katılın, bir ağ işi veri bilimcisi olun, eğitim kamplarına, gönüllülere veya stajyerlerine katılın. En iyi veri bilimcileri, veri alanında deneyim ve sezgiye sahip olacak ve aday olmak için çalışmalarını sergileyebilecek.

9. Topluluğun bir üyesi olun.

Sektördeki fikir liderlerini takip edin, endüstri bloglarını ve web sitelerini okuyun, katılın, sorular sorun ve güncel haberleri ve teorileri takip edin.

Büyük veri geliştirme ve yüksek maaş [ücretsiz erişim] için eksiksiz bir gerekli kaynak seti

Oracle'ın kıdemli teknik direktörü, büyük veri geliştirmeye tam olarak yardımcı olmak için yıllarca dikkatli bir şekilde eksiksiz bir kurs sistemi oluşturdu [büyük veri ve yapay zeka geliştirme için görülmesi gereken bir şey] Sıfır temel + giriş + iyileştirme + proje = yüksek maaş !