10大知識領域：
整合、範圍、進度、成本、質量、人力資源、溝通、風險、採購、干係人
商業模式：
1、很難說服使用者：圈定使用者範圍。
2、做讓使用者長臉的事情：跨年演講、高標準的選擇老師和課程
3、絕不給使用者丟臉：克制本能衝動、不輕易給產品打折、不是範圍內使用者的資源最好不要
4、從**戰到認知戰：**（比較中勝出），認知（不需要花時間做選擇，使用者感覺到還可以，***）
2、體系：高等級：硬實力（現場寫**、落地展現）、軟實力（一對多溝通講解）
3-1、積累經驗：更多知識點（好奇-觀察-構思）、更多技能落地（部落格、**實現github）
3-2、時刻準備：有狀態（滿血滿魔）、有基礎（有錢有兵）、有小目標（小規模、大場面）
3-3、重點落地：全域性視野（找關鍵+找針對）、評估（找大怪+找小怪）、經驗（找地方+找量級）
鍊錶中環路問題：
兩個人a和b在400公尺一圈的操場同向同時開始跑步，b的速度是a的兩倍，那麼a跑完一圈，b跑完兩圈，相遇成環。
第一次相遇：鍊錶有環，a不會跑完一圈就能和b相遇。
環長：相遇後再一次相遇，差值為環長。
進入環的起始點：a從起點開始跑，b從相遇的點開始跑，第一次相遇為環的起始點。
畢然-《大資料分析的道與術》
終極目標：興趣愛好和個人價值的共同實現。
目標實現的4個角色：產品經理（業務分析-資料分析）、資料分析師（資料分析-資料探勘）、策略工程師（資料探勘-機器學習）-研究員（機器學習-人工智慧）。
資料分析的優勢：
1、全域性理解：日常業務監控與分析、具體產品業務的專題分析。
2、方法和經驗的積累：多個產品業務、搭建資料系統（自動化報表-視覺化資料）、建設資料模型（通用/具體）
2-1、資料樣本：個案分析、異常分析、分組分析。
2-2、資料指標：分布分析、趨勢分析（平均值-週期）、因素分析[空間（採購-生成-銷售-資本）、時間（漏斗率-客戶量-轉化率）]。
資料分析的步驟：
2、特徵工程：人工設計特徵。最直接思路-例外（難以獲取、業界均有、企業獨有）。減少計算效能開銷、排除無效特徵干擾。
3、樣本處理：清洗和預處理資料。歸一化（0-1）。冷啟動（專家判斷），訓練與應用環境資料不同（保證樣本分佈一致性），小樣本/大樣本（小樣本擴充、修改代價矩陣）。
4、假設空間：資料建模：分布、均值、方差、相似度（歐式距離，余弦夾角）
5、優化目標：
6、尋解演算法：
7、學習理論：訓練樣本（產出模型）-驗證樣本（白盒-調整模型的引數）-測試樣本（黑盒-模型有效的概率）。
8、模型評估：業務評估。推進應用。對照組-實驗組（準確率-召回率）、可信度（基於概率）。
9、資料報告：拆解內容維度（5w1h）、確定圖形型別[餅圖（成分）-條形（排序-關聯）-柱狀（時間-頻率）-線形（時間-頻率）-散點（關聯）]、選擇表達方式（側重+突出目標）。
9-1、掌握業務狀態：追查指標波動、以核心指標做業務總結。
------細分樣本（分組分析）
------細分指標（因素分析）：橫向（空間）拆解、縱向（時間）拆解
------改進產品策略（異常分析）
------週期規律（趨勢分析）
------諸多原因和佔比（個案分析）
------特徵差異（聚類分析）
------披露風險（模型**）：將風險高的事情交給團隊處理
9-3、評估業務進展：新上線的產品策略、新推動的運營活動。
------業績提公升：同質對照組
------存在的問題和進一步優化：因素分析（漏斗率）、階段拆解
9-4、兩類方**：
一類：企業發展的兩種模式：1-改變經濟模式。針對長尾部分挖掘個性化的產品/服務。2-提公升業務效率。基於現有業務深度挖掘/分類/**。
二類：需求-業務-資料：需求（哪些是目標使用者群，需要什麼產品/服務，需要收集哪些資料）、業務（產品/服務）、資料（確認提供了想要的產品/服務，確認滿足了目標使用者群的需要）
10、侷限思考：突變的未來（異常分析），新增的業務（機器按照一套規則**，基於歷史資料進行知識表示和統計學習，機器不能主動去理解和思考，沒有自我意識），開發進度的不確定（由於資料分析步驟較多，選型複雜，軟體開發的效果和進度的預期不確定，需要過程中調整，策略+工程結合）。
機器學習概述：
無監督：聚類（k-means，k的選取-經驗+業務）、關聯規則（如果a則b的概率）
監督：線性回歸（連續），邏輯回歸（離散）、svm分類（核函式）、神經網路**（連續+離散）
深度：在機器學習的基礎上，無監督找到初始值和資料特徵，再用監督進行精準+置信+相關性的建模。涉及的領域有限：計算機視覺+自然語言處理+推薦系統。一般都會採用卷積神經網路（cnn）或迴圈神經網路（rnn）。
為什麼最後都是神經網路，而且更複雜？
1、符合自然規律。生物學上的神經系統，可以學習自然界任何事務。
2、好用有效。更複雜，代表了更精準、更置信、更具有相關性。
大資料資料整理
1.大資料概念 volume 大量 velocity 高速 variety 多樣 value 價值 veracity 真實性 大資料 是需要新處理模式才能具有更強的 決策力 洞察發現力和流程優化能力來適應海量 高增長率和多樣化的資訊 資產。2.資料庫和資料倉儲 設計 資料庫設計是盡量避免冗餘，一般採...
大資料相關知識
需要了解的內容 1.spark常用函式 transformation和action 2.spark中task的生成 spark中關於併發度涉及的幾個概念file，block，split，task，partition，rdd以及節點數 executor數 core數目的關係。3.spark的job s...
大資料知識總結
同人工智慧一樣，在此簡單記錄一下大資料的重點。關聯規則 支援度 支援度揭示了a與b同時出現的概率 置信度 置信度揭示了a出現時，b是否也會出現或有多大概率出現 置信度計算 a b的置信度 的支援數 a的支援數 演算法過程 自己看 頻繁項集 對於乙個項集，它出現在若干事務中 演算法改進 事務壓縮 不包...