学习《数据分析思维课》后总结梳理

学前思考

学前，我想通过这个专栏学到什么？

平时的工作主要是平台开发，产品规划。之外是技术学习，了解一些新技术；研究产品使用过程中产生的问题，进行分析改进。这个专栏不是很专业的基础课，主要是结合场景的思维培训课，带你去养成看到一个问题，首先从思考问题的方式，思维的角度去提升。属于学习过程中“道法术”中“道”的层面。在实际应用中涉及到某一专享问题需要专业知识再去根据这套思维去学习相应的专业知识。

如果是我来讲这个专栏，我会讲什么？

1.数据体现在哪里？结合场景

2.数据如何收集，结合场景

3.数据收集后，如何分析？理论知识+实际经验，结合场景，作为重点

4.上面的数据分析后如何指导实践，并检验分析的结果不断修正

5.数据分析思维方法论阐述，论证，实践，总结贯穿整个专栏，并不断强调突出

学后总结

对比学前的思考：显示介绍数据分析的基础，再介绍数据算法，这其中贯穿着案例，然后再结合案例，工具，作者自己的经验，进行总结，最后升华到人生哲学。

学习体会

最重要的一个体会：学的越多，不懂的就越多。

我梳理这个总结，真的是会很浅薄。作者已经能将数据思维上升到哲学的高度，用来指导生活，思考和行为，达到了深入浅出，融会贯通的境界。

如果没有深刻的一个数据收集，收据分析，数据应用的实践经验，是很难打到这个水平的！

不能说是难望其项背，就是望其影子都很难。只是期望自己在粗略的看完第一遍后，能有一个大的方向，在需要的时候再慢慢精益。

这个课程值得多看几遍（不然你都记不清楚那些是数据分析的基础，那些是基础的数据算法）

学习笔记

里面提到的一个关于数据分析针对数据量的问题：是小数据分析（数据量少，但是每条数据熵大）有价值还是大数据（数据量多，但是每条数据熵小）分析有价值？

在培养数据思维的角度，作者是通过两个方面来做数据分析：首先是介绍数据分析的基础，然后介绍基础的数据算法；最后再结合一些数据分析的案例和场景来加深对这些数据分析的认识。其实这里的场景或案例并不需要很大的事情，生活中很多小事也会有体现，只是认知的层次还没有打到就无法有这么深刻的认识。

数据分析基础：

1.平均值

只有这个值并不能反映整体水平

2.大数定律与小数陷阱

概率并不总是发生

3.期望值

只要有概率发生就一定会发生

4.随机对照实现

对照的选取有问题会直接影响结果

5.直方图与幂分布

直方图能清晰让你看到数据的分布情况，是一个连续的图

幂分布，就是指数分布，指一种现象：直方图画下来，就是一个指数分布图

6.数据分布

主要是正态分布，生活中处处可见，这种图，大家看的就是一个“势”，趋势。

拉普拉斯分布，类似于正态分布，中间特别尖，是正态分布的变种吧，两边的长尾更厚。

7.散点图和相关性

简单的线性相关性，抛物线图都可以直观看出来，复杂的就涉及到后面的聚类算法等

8.标准差

衡量数据的波动性

9.数据抽象

时间，性能等的限制情况下快速得出一个靠谱结论

10.指数和KPI

指标折中汇总，权重设置

11.因果关系

是因果关系，还是果因关系，还是说只是相关性

数据算法基础：

1.算法的衡量

精确率和置信空间，所谓置信空间，就是这个结论的个区间

很多炒股专家说的正确的废话就是置信空间太满，“股市要么上涨，也有可能下跌”

2.趋势分析与回归

3.聚类算法

4.分类算法

5.关联规则

6.蒙特卡洛与拉斯维加斯

7.马尔科夫链

8.协同过滤

9.人工智能

神经网络算法等

彩蛋

“数据是可观的，解读数据的人是主观的”

“从辛普森悖论衍生出的结论：小到打牌，大到做投资，不要过于计较局部的得失，而是要在关键时刻对有大概率的事情放手一搏”

“读书也是不要比谁看了多少本书，而是看书的质量，学到的东西。质和量两个维度进行比较就是不一样的结论”

德鲁克说过：如果一件事你无法衡量它，你就无法增长它。指数的作用便是如此。