引言 艺术之美根植于其所传达的信息。有时候，现实并非我们所看到或感知到的。达芬奇（Da Vinci）和毕加索（Picasso）等艺术家都通过其具有特定主题的非凡艺术品，试图让人们更加接近现实。 数据科学家并不逊色于艺术家。他们用数据可视化的方式绘画，试图展现数据内隐藏的模式或表达对数据的见解。更有趣的是，一旦接触到任何可视化的内容、数据时，人类会有更强烈的知…

条件概率就是在其他事件发生的基础上，某事件发生的概率。

大家都遇到过这种情况，训练的时候没什么问题，测试的时候就不对劲了，想找问题，感觉无处入手，那么今天，给你37个建议，看看再说吧。

聚天下之天才而观察之。把各行各业中的天才们收集起来，看看他们哪个星座人数多，哪个星座人数少。

不用太紧张。掌握一点点编程技巧，你就能利用数据做更多的事情，远远超过那些开箱即用的软件。编程技巧能赋予你更加灵活的能力，而且各种类型的数据都能适应。 大多数设计新颖、令人惊艳的数据图都是通过代码或绘图软件实现的，很有可能两者兼有。有关绘图软件我们稍后也会谈到。 对于新手来说代码可能颇为神秘——我也是这样过来的。但我们可以把它当做一门新语言来看待，因为它确实如…

小白学SQl基础教程06：SQL AND & OR 运算符。

本次数据挖掘 主要目的是理清楚数据挖掘的一般过程与基本方法，并没有进行太过复杂的挖掘分析，或许会存在很多分析不够深入的情况，欢迎各位大佬交流讨论。

小白学SQl基础教程07：SQL ORDER BY 子句。

大数据的应用其实早已渗透到人们生活中的方方面面：亚马逊运用大数据为客户推荐商品信息，阿里用大数据成立了小微金融服务集团，而谷歌更是计划用大数据接管世界……当下，很多行业都开始增加对大数据的需求。大数据时代不仅处理着海量的数据，同时也加工、传播、分享它们。不知不觉中，数据可视化已经遍布我们生活的每一个角落，毕竟普通用户往往更关心结果的展示。伴随去年底百度地图采…

在银行做了两年的数据分析和挖掘工作，较少接触互联网的应用场景，因此，一直都在思考一个问题，“互联网和金融，在数据挖掘上，究竟存在什么样的区别”。在对这个问题的摸索和理解过程中，发现数据挖掘本身包含很多层次。并且模型本身也是存在传统和时髦之分的。本文就想聊聊这些话题。 一、数据挖掘的层次 一直想整理下对数据挖掘不同层次的理解，这也是这两年多的时间里面，和很多金…

本文重在介绍建立风控模型的方法，每个公司应该根据自己的实际业务情况和开发能力来选择合适的模型。这里列出来的模型仅为了说明问题，提供参考。

本文借此例来说明数据挖掘中关联规则中支持度、置信度和兴趣度概念，顺便对此事做个定量分析， 同时也作为趣味数据挖掘系列博文的开篇。

对于一款移动应用APP来说，每天你的用户是有进有出，有每天不断增加进来的新用户，也有不断流出的新用户、老用户、甚至是高价值用户，仅仅关注每天的活跃用户数，日环比、周环比的增量、增幅是远远不够的，也很难发现问题。 等有一天，活跃用户数增长幅度趋缓、滞涨甚至负增长，才能关注这个问题，恐怕通过各种花钱投放拉进来的用户，所谓的累计激活用户、注册用户数，早就跑掉一大半…

此文从原讲课PPT中，取一些素材，来解释关联规则的挖掘思路和应用方法。

增强分析在 eBay 的实践

一、问答题 1、你理解中的分析师是什么样的？你觉得自己目前应聘分析师职位的优势是什么？并说明理由。 2、淘宝和天猫上每天都有大量的用户在线上购买，作为分析师可以从哪些角度对用户进行分析，同时说明清楚选取这个角度做分析的目的。 3、某银行信用卡模型建设过程中，申请评分卡模型训练过程出现过拟合的现象，请阐述一下什么是过拟合现象？如何解决过拟合现象？ 4、影响网店…

本文先通俗地介绍快速挖掘关联规则的Apriori算法，然后介绍发表这一算法的论文(它被引用了11480+次），最后关注此文的实际影响 与 传统影响因子的差距。

什么是数据挖掘 前两天看到群里有人问，什么是数据挖掘，现在就数据挖掘的概念做一下分析，并且尽量用大白话说一下数据挖掘到底是个啥东西，为啥大数据来了数据挖掘也火了(其实原来就挺火)。 先看一上概念： 数据挖掘(英语：Data mining)，又译为资料探勘、数据采矿。它是数据库知识发现(英语：Knowledge-Discovery in Databases，简…

在几年的产品工作过程中，写过一些竞品分析报告，总结了几个曾经犯过的错误，与大家分享。 一、没有结论的功能点介绍 最常见的竞品分析方法就是对市场上的领先产品进行一次浏览，逐个写出竞品的功能点及流程，不管使用了整齐的表格或者详实的文字描述，又或者是使用了漂亮的图形和截图，没有结论的统计是没有意义的，分析就一定要有结果。 竞品分析的目的就是为自身产品的战略、节奏、…

企业数据科学仍然是一个新领域。许多学者还没有为真正的企业解决实际问题。因此，他们以与数据和业务环境分离的方式教授教科书算法。这可以在智力上很有趣。但是，如果学生认为这些课程能够很好地为数据科学家工作，那么他们就错了。