blog
关于数据
本次分享，给大家一个简单的“数据”全貌。 不涉及深入原理，不要纠结名词，要有自己的理解。
大纲
- 数据
- 业内最佳实践
- 公司内应用
数据理解
What
数据(data)是事实或观察的结果，是对客观事物的逻辑归纳，是用于表示客观事物的未经加工的原始素材。 数据可以是连续的值，比如声音、图像，称为模拟数据。也可以是离散的，如符号、文字，称为数字数据。
Why
重要; 数据中包含信息，信息是有价值的
How
1、定义你所关心的数据； 2、数据存储&处理; 3、数据利用;
业内实践
数据分析
分析师岗位
-
一种类似产品经理
- 商业分析
- 数据运营
- 用户研究
- 策略分析
-
一种偏向数据挖掘
- 编程语言基础
- 算法
- 数据结构
- 统计学
入门要求：
- SQL（数据库）
- 统计学基础
- Tableau、Excel
- Python 或者 R 的基础
- R、Python
举个例子
数据挖掘
数据挖掘过程的总体目标是从一个数据集中提取信息，并将其转换成可理解的结构，以进一步使用[1]。除了原始分析步骤，它还涉及到数据库和数据管理方面、数据预处理、模型与推断方面考量、兴趣度度量、复杂度的考虑，以及发现结构、可视化及在线更新等后处理[1]。数据挖掘是“数据库知识发现”（Knowledge-Discovery in Databases,KDD）的分析步骤[4] ，本质上属于机器学习的范畴。
数据挖掘工程师
对大规模数据进行自动或半自动的分析，以提取过去未知的有价值的潜在信息，例如数据的分组（通过聚类分析）、数据的异常记录（通过异常检测）和数据之间的关系（通过关联式规则挖掘）
- 入门要求：
- 熟悉 Hadoop 生态圈
- 常见的数据挖掘算法
数据中台
参考：数据中台
人工智能
人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
领域
- 自然语言生成(Natural Language Generation)
- 语音识别(Speech Recognition)
- 虚拟助理(Virtual Agents)
- 机器学习平台(Machine Learning Platforms)
- 人工智能硬件优化(AI-optimized Hardware)
- 决策管理(Decision Management)
- 深度学习平台(Deep Learning Platforms)
- 生物信息(Biometrics)
- 机器处理自动化(Robotic Processes Automation)
- 文本分析和自然语言处理(Text Analytics and Natural Language Processing)
- 数字孪生/AI 建模(Digital Twin/AI Modeling)
- 网络防御(Cyber Defense)
- 合规( Compliance)
- 知识工作辅助(Knowledge Worker Aid)
- 内容创作(Content Creation)
- P2P 网络( Peer-to-Peer Networks)
- 情绪识别(Emotion Recognition)
- 图像识别( Image Recognition)
常见的应用
- 分类&识别：
- 机器视觉，指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，
- 知识图谱：
- 专家系统，智能搜索，
- 推理：
- 自动规划，定理证明，博弈，
- 其他：
- 自动程序设计，智能控制，机器人学，语言和图像理解，遗传编程等。
入门基础
公司内应用
###