深入淺出：怎么從0開(kāi)始學(xué)習(xí)大數(shù)據(jù)挖掘分析，才能成為合格的數(shù)據(jù)挖掘分析師及數(shù)據(jù)科學(xué)家

最近有很多人咨詢，想學(xué)習(xí)大數(shù)據(jù)，但不知道怎么入手，從哪里開(kāi)始學(xué)習(xí)，需要學(xué)習(xí)哪些東西？對(duì)于一個(gè)初學(xué)者，學(xué)習(xí)大數(shù)據(jù)挖掘分析的思路邏輯是什么？本文就梳理了如何從0開(kāi)始學(xué)習(xí)大數(shù)據(jù)挖掘分析，學(xué)習(xí)的步驟思路，可以給大家一個(gè)學(xué)習(xí)的建議。

很多人認(rèn)為數(shù)據(jù)挖掘需要掌握復(fù)雜高深的算法，需要掌握技術(shù)開(kāi)發(fā)，才能把數(shù)據(jù)挖掘分析做好，實(shí)際上并非這樣。如果鉆入復(fù)雜算法和技術(shù)開(kāi)發(fā)，只能讓你走火入魔，越走越費(fèi)勁，并且效果不大。在公司實(shí)際工作中，最好的大數(shù)據(jù)挖掘工程師一定是最熟悉和理解業(yè)務(wù)的人。對(duì)于大數(shù)據(jù)挖掘的學(xué)習(xí)心得，作者認(rèn)為學(xué)習(xí)數(shù)據(jù)挖掘一定要結(jié)合實(shí)際業(yè)務(wù)背景、案例背景來(lái)學(xué)習(xí)，這樣才是以解決問(wèn)題為導(dǎo)向的學(xué)習(xí)方法。那么，大體上，大數(shù)據(jù)挖掘分析經(jīng)典案例有以下幾種：

A、預(yù)測(cè)產(chǎn)品未來(lái)一段時(shí)間用戶是否會(huì)流失，流失情況怎么樣；

B、公司做了某個(gè)促銷活動(dòng)，預(yù)估活動(dòng)效果怎么樣，用戶接受度如何；

C、評(píng)估用戶信用度好壞；

D、對(duì)現(xiàn)有客戶市場(chǎng)進(jìn)行細(xì)分，到底哪些客戶才是目標(biāo)客群；

E、產(chǎn)品上線投放市場(chǎng)后，用戶轉(zhuǎn)化率如何，到底哪些運(yùn)營(yíng)策略最有效；

F、運(yùn)營(yíng)做了很多工作，公司資源也投了很多，怎么提升產(chǎn)品投入產(chǎn)出比；

G、一些用戶購(gòu)買(mǎi)了很多商品后，哪些商品同時(shí)被購(gòu)買(mǎi)的幾率高；

H、預(yù)測(cè)產(chǎn)品未來(lái)一年的銷量及收益。。。。

大數(shù)據(jù)挖掘要做的就是把上述類似的商業(yè)運(yùn)營(yíng)問(wèn)題轉(zhuǎn)化為數(shù)據(jù)挖掘問(wèn)題。

（一）如何將商業(yè)運(yùn)營(yíng)問(wèn)題轉(zhuǎn)化為大數(shù)據(jù)挖掘問(wèn)題

那么，問(wèn)題來(lái)了，我們?cè)撊绾伟焉鲜龅纳虡I(yè)運(yùn)營(yíng)問(wèn)題轉(zhuǎn)化為數(shù)據(jù)挖掘問(wèn)題?可以對(duì)數(shù)據(jù)挖掘問(wèn)題進(jìn)行細(xì)分，分為四類問(wèn)題：分類問(wèn)題、聚類問(wèn)題、關(guān)聯(lián)問(wèn)題、預(yù)測(cè)問(wèn)題；

1、分類問(wèn)題

用戶流失率、促銷活動(dòng)響應(yīng)、評(píng)估用戶度都屬于數(shù)據(jù)挖掘的分類問(wèn)題，我們需要掌握分類的特點(diǎn)，知道什么是有監(jiān)督學(xué)習(xí)，掌握常見(jiàn)的分類方法:決策樹(shù)、貝葉斯、KNN、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)和邏輯回歸等；

2、聚類問(wèn)題

細(xì)分市場(chǎng)、細(xì)分客戶群體都屬于數(shù)據(jù)挖掘的聚類問(wèn)題，我們要掌握聚類特點(diǎn)，知道無(wú)監(jiān)督學(xué)習(xí)，了解常見(jiàn)的聚類算法，例如劃分聚類、層次聚類、密度聚類、網(wǎng)格聚類、基于模型聚類等。

3、關(guān)聯(lián)問(wèn)題

交叉銷售問(wèn)題等屬于關(guān)聯(lián)問(wèn)題，關(guān)聯(lián)分析也叫購(gòu)物籃分析，我們要掌握常見(jiàn)的關(guān)聯(lián)分析算法：Aprior算法、Carma算法，序列算法等。

4、預(yù)測(cè)問(wèn)題

我們要掌握簡(jiǎn)單線性回歸分析、多重線性回歸分析、時(shí)間序列等。

(二)用何種工具實(shí)操大數(shù)據(jù)挖掘

能實(shí)現(xiàn)數(shù)據(jù)挖掘的工具和途徑實(shí)在太多，SPSS、SAS、Python、R等等都可以，但是我們需要掌握哪個(gè)或者說(shuō)要掌握哪幾個(gè)，才算學(xué)會(huì)了數(shù)據(jù)挖掘?這需要看你所處的層次和想要進(jìn)階的路徑是怎樣的。

第一層級(jí)：達(dá)到理解入門(mén)層次，了解統(tǒng)計(jì)學(xué)和數(shù)據(jù)庫(kù)即可。

第二層級(jí)：達(dá)到初級(jí)職場(chǎng)應(yīng)用層次，數(shù)據(jù)庫(kù)+統(tǒng)計(jì)學(xué)+SPSS(也可以是SPSS代替軟件)

第三層級(jí)：達(dá)到中級(jí)職場(chǎng)應(yīng)用層次，SAS或R

第四層級(jí)：達(dá)到數(shù)據(jù)挖掘師層次，SAS或R+Python(或其他編程語(yǔ)言)

(三)如何利用Python學(xué)習(xí)大數(shù)據(jù)挖掘

只要能解決實(shí)際問(wèn)題，用什么工具來(lái)學(xué)習(xí)數(shù)據(jù)挖掘都是無(wú)所謂，這里首推Python。那該如何利用Python來(lái)學(xué)習(xí)數(shù)據(jù)挖掘?需要掌握Python中的哪些知識(shí)?

1、Pandas庫(kù)的操作

Panda是數(shù)據(jù)分析特別重要的一個(gè)庫(kù)，我們要掌握以下三點(diǎn)：

1)pandas 分組計(jì)算;

2)pandas 索引與多重索引;

索引比較難，但是卻是非常重要的

3)pandas 多表操作與數(shù)據(jù)透視表

2、numpy數(shù)值計(jì)算

numpy數(shù)據(jù)計(jì)算主要應(yīng)用是在數(shù)據(jù)挖掘，對(duì)于以后的機(jī)器學(xué)習(xí)，深度學(xué)習(xí)，這也是一個(gè)必須掌握的庫(kù)，我們要掌握以下內(nèi)容：

1)Numpy array理解；

2)數(shù)組索引操作；

3)數(shù)組計(jì)算；

4)Broadcasting(線性代數(shù)里面的知識(shí))

3、數(shù)據(jù)可視化-matplotlib與seaborn

1)Matplotib語(yǔ)法

python最基本的可視化工具就是matplotlib。咋一看Matplotlib與matlib有點(diǎn)像，要搞清楚二者的關(guān)系是什么，這樣學(xué)習(xí)起來(lái)才會(huì)比較輕松。

2)seaborn的使用

seaborn是一個(gè)非常漂亮的可視化工具。

3)pandas繪圖功能

前面說(shuō)過(guò)pandas是做數(shù)據(jù)分析的，但它也提供了一些繪圖的API。

4、數(shù)據(jù)挖掘入門(mén)

這部分是最難也是最有意思的一部分，要掌握以下幾個(gè)部分：

1)機(jī)器學(xué)習(xí)的定義

在這里跟數(shù)據(jù)挖掘先不做區(qū)別

2)代價(jià)函數(shù)的定義

3)Train/Test/Validate

4) Overfitting的定義與避免方法

5、數(shù)據(jù)挖掘算法

數(shù)據(jù)挖掘發(fā)展到現(xiàn)在，算法已經(jīng)非常多，下面只需掌握最簡(jiǎn)單的，最核心的，最常用的算法：

1)最小二乘算法；

2)梯度下降；

3)向量化；

4)極大似然估計(jì)；

5)Logistic Regression；

6) Decision Tree；

7) RandomForesr；

8) XGBoost；

6、數(shù)據(jù)挖掘實(shí)戰(zhàn)

通過(guò)機(jī)器學(xué)習(xí)里面最著名的庫(kù)scikit-learn來(lái)進(jìn)行模型的理解。

以上，就是為大家厘清的大數(shù)據(jù)挖掘學(xué)習(xí)思路邏輯。可是，這還僅僅是開(kāi)始，在通往數(shù)據(jù)挖掘師與數(shù)據(jù)科學(xué)家路上，還要學(xué)習(xí)文本處理與自然語(yǔ)言知識(shí)、Linux與Spark的知識(shí)、深度學(xué)習(xí)知識(shí)等等，我們要保持持續(xù)的興趣來(lái)學(xué)習(xí)數(shù)據(jù)挖掘。