4008-087123
数据分析
28 岁女孩想转行做数据挖掘靠谱吗?
发布时间:2019-12-28    信息来源:未知    浏览次数:

  谢邀。之前没看到忽略了,刚刷知乎的时候看到有个人劝你老老实实考研认认真真学两年R气的我老血都要吐出来 - -!(不是说考研不好,但是对题主不合适)

  我跟题主都属于数学专业,你是应数,我是信息与计算科学,不同的是我本科毕业就直接出来工作了,工作两年半了,从数据分析师转到数据挖掘到现在做深度学习,都是一步步自学来的。所以题主你28岁转行学数据挖掘没有问题。但是有两个前提:

  如果两者都是 是,那么有希望。再来看你转行的目的是啥?是因为工资高还是兴趣使然?

  你可以在心里好好想想自己转行到底是为了什么。这样学起来更有方向感。再来看如何学。先说两个大原则:

  1.你要转行的是数据分析/数据挖掘,没有必要考研。如果你想转行做CV,NLP,机器学习,去考研吧,哪怕你出来年龄大了,只要跟的导师好,能力够,都会很容易找到工作。但是做数据分析/挖掘不一样,这两者比较偏业务,更重要的是项目经验和实战经验。考研准备半年/一年,读研两年/三年,这样三年-四年的时间就过去了,你出来32了,也没有啥特别的优势,还要和一帮刚毕业出来的小娃娃们抢工作,你想想,你要是hr,会要你吗?

  2.想通过报班学习就去找工作的很困难。报班只能帮你带入门,真正的技能还得靠自己在报班以外的时间学习。况且现在的培训课程良莠不齐,没必要浪费时间和钱。

  2.按照总结的共性,与自己学习的目的,搜相关的书籍和视频,切记,不要太多。

  3.定计划和时间,开始刷书/刷视频。刷完一本/一门课程,再刷下一个,刷完后,赢咖2娱乐对自己有一个阶段性的测试,可以通过写一段小程序/参加一个数据分析或挖掘类的比赛/找一个行内人士帮你模拟面试一下,及时查漏补缺,调整自己的学习方向和重点。

  4.不断重复3,来回搞几轮,坚持半年-一年(视你的基础和学习速度而定),出去找工作。

  5.找工作不要好高骛远,先找个要你的,然后不断学习,时机合适了再跳槽去更好的公司。

  6.不断重复5,但是不要过于频繁跳槽。坚持两三年,你就可以独自负责一个项目了,入门了。

  如果你真的能够坚持以上六个步骤,在30~32岁的时候成为一个能够独立负责一个小项目的数据分析师/数据挖掘工程师是没有问题的,如果读完研,这个时候可能才刚毕业,面临这找工作呢。但是有两个问题得注意:

  1.学习期间的经济支出的压力和精神支柱的保证。脱产学习的成本相对于你现在工作了来说是很高的,但是不脱产学习可能花两三年都完成不了以上几个步骤。学习的过程中也是很枯燥的,如果你不是喜欢热爱这个行业,纯粹冲着高工资就更痛苦了。如何坚持自己的目标,好好想想。

  2.题主是否很容易受外界人的影响。如果家人不支持,或者催着你结婚,是不是就放弃了。如果同事觉得你这样做是徒劳的,或者对你冷嘲热讽是不是也会放弃?这些看着是小时,但是对于你处于28这个年龄来说不是小事,所以的事先做一些工作让外界对你的影响最小化。如果有别人劝你考研觉得考研后找工作顺风顺水是否也会去跟风考研?

  总之,做任何事先想想我为什么要这样做,这样做的目的是啥,做完了能给我带来什么样的收益。这样不论你想做什么决定,或者别人劝你做什么,你都能够保持头脑清醒,做出自己不后悔的决定。最后,祝题主转行成功!

  看到这个问题来回答一下。笔者的本科也是数学与应用数学,后续读了一个数学PHD,和机器学习也没啥关系。然后也是28岁重新开始搞机器学习,下面是转行两年半之后的一些知识点和经验,希望对题主有一些帮助。之前写过四份转行攻略,可以明显地看到自己每半年或者一年的成长经历。

  目前从纯数学专业转行到机器学习领域已经有两年半了,又到了该总结转行经验和个人成长的时候。笔者在公司里面已经做过智能推荐系统,智能安全系统和智能运维系统。除此之外,笔者对量子计算等前沿内容也有所了解。不过,还是那句老话,大牛们请主动忽视以下内容,初学者可以用作参考。

  目前工业界的机器学习编程语言很多,基于个人的一些浅显的工作经验,发现目前比较常用的编程语言是 Python 和 SQL。

  通常来说,SQL 是为了从数据库中提取数据,然后进行必要的数据过滤,数据分析,数据提取。对于 SQL,需要掌握的内容有以下几点:聚合函数,数学函数,字符串函数,表格的连接函数,条件语句等。SQL 的经典教材有两本,分别是:

  PS:个人特别喜欢《SQL基础教程》,极易上手,易学易通。之前写过一篇文章总结 HIVE 的使用细节,提供给大家做参考:《HIVE基础介绍》

  对于编程语言 Python 来说,目前深度学习的框架 Tensorflow 等,都可以使用 Python 进行编程。除此之外,Python 还有各种各样的数值计算库和机器学习库等着大家去使用,例如 Numpy,Scipy,ScikitLearn,matplotlib 等。其中,Scikitlearn 的文档是非常详细的,特别适合初学者入门学习。至于 Python 教材的话,其实有很多,例如:《Python基础教程》,作者是 Magnus Lie Hetland,这本书特别适合初学者看。如果是网络教材的话,推荐参考 廖雪峰 的官方网站,地址是:

  至于开发环境的话,一般来说公司都会使用Linux,有一本书可以提供给大家做参考:《Linux命令行与Shell脚本编程大全》,作者 Richard Blum/ Christine Bresnahan

  既然是处理大数据,那么 MapReduce,Hadoop,Spark 等内容需要了解。参考文章:《一文看懂大数据的生态技术圈,Hadoop,Hive,Spark都有了》

  既然是做数据挖掘和机器学习的工作,那每个人都需要了解这方面的内容。在这里笔者推荐教材《机器学习实战》,作者是 Peter Harrington。阅读这本书需要读者掌握 Python 语言,加上 Numpy,Scipy,matplotlib 函数库的一些基础内容。源代码的话可以在网上找到,然后根据书本的章节逐步学习即可。

  除了《机器学习实战》之外,周志华老师所写的《机器学习》西瓜书也是不错的选择。建议初学者结合这两本书一起学习,周志华老师的《机器学习》介绍了多种机器学习算法,并有简单的例子和数学原理进行描述。

  如果是做推荐业务的团队,那么使用地最多的还是逻辑回归算法(Logistic Regression),ItemCF 和 UserCF,物质扩散和热传导算法(Heat Spreading) 算法。由于 LR 是使用线性的方法来处理非线性的问题,并且实际的环境中会有物品的特征和用户的特征,因此会导致特征工程比较复杂,交叉项多(二维或者三维的交叉)。因此,在实际的工作中,特征工程的作用就显得十分重要。工程师和业务人员要根据物品和用户进行必要的特征构造,形成物品特征,用户特征,交叉特征等。之前也写过一篇文章《特征工程简介》,供大家参考。

  比逻辑回归算法还要简单的那就是线性回归算法了,目的都是针对连续型的数据进行预测,结果都十分容易解释。除了直接的线性回归之外,还有局部加权线性回归,岭回归,Lasso 和前向逐步线性回归等算法。这些细节可以参考文章《线性回归》。

  决策树 ID3,C4.5,CART 都是一些非常经典的算法,但是在工业界里面的使用场景不是很多。不过随着时间的推移和笔者对业务的理解,发现决策树在智能运维领域的根因分析上面有着独特的优势,正如这两篇文章所写的:《智能运维系统(一)》《根因分析的探索》。

  如果是针对转行的同学的话,那么大家肯定关心的是如何把之前的技能平滑地切入到新的领域中。如果学过数理统计的话,那么《最大似然估计》就是一个不错的切入点。

  除了上面所说的算法,支持向量机算法(Support Vector Machine),GBDT 算法,随机森林算法,XgBoost 算法都是在工业界比较常见的算法。目前个人还没有对这类算法进行过总结,不过还是强烈建议大家去学习一下。2018年笔者应该会对这些算法进行一些个人的总结。

  无监督学习算法也是整个机器学习领域的一大方向。提到无监督学习算法,就不得不提到聚类算法,其中最经典的还是 Kmeans 算法。这个可以参见文章《聚类算法(一)》《聚类算法(二)》。聚类算法的反面就是异常点检测算法,之前在异常点检测算法上面研究过一阵,也写过不少的文章。例如:

  《异常点检测算法(一)》《异常点检测算法(二)》《异常点检测算法(三)》《异常点检测算法综述》。

  关联分析,也就是所谓的“啤酒与尿布”的故事。Apriori 和 FpGrowth 算法都有自己的优点和缺点,在智能运维里面经常会涉及到关联性的分析。无论是事件与事件的关联,时间序列与时间序列的关联,时间序列与事件的关联,都需要进行分析。之前微软也研究过《时序数据与事件的关联分析》,在这里分享给大家。

  除此之外,强化学习也是机器学习的一个研究方向。随着 DeepMind 公司的 AlphaGo 打败围棋顶尖选手,能够自动玩游戏的智能 AI,强化学习已经成为了一个比较热门的研究方向。之前写过三篇关于强化学习的小文章《当强化学习遇见泛函分析》《用强化学习玩文本游戏》《深度学习与强化学习》供大家参考。

  目前深度学习已经成为了机器学习的热门研究方向,无论是卷积神经网络 CNN 还是循环神经网络 RNN,都是研究的主流。之前在学习反向传播算法的时候,写过一篇如何基于 BP 算法训练 RNN 网络的文章《循环神经网络-Reccurent Neural Networks》。

  通常来说,循环神经网络是可以用来处理一些文本内容的,然后在这里也写过一篇文章来介绍文本里面的基本概念:《TF-IDF简介》。

  在现实社会中,社交网络已经成为了大家不可或缺的一部分,无论是在工业界还是学术界都有人对社交网络进行研究。之前也研究过 Google 的排序算法 PageRank 和其余的一些图算法,在这里也列举出来供大家参考《Graph Analysis and Its Application》。

  近些年,Google 等一些大公司也在大力发展量子计算,也有人进行量子计算与机器学习的研究,之前写过两篇科普性质的文章来介绍量子计算:《量子计算(一)》《量子计算(二)》。

  数理统计方面还是有一些东西是蛮常用的。例如时间序列模型 ARMA 模型等。一些数据的指标,例如均值,方差,标准差,变异系数,相关系数,ROC曲线和AUC,召回率和正确率,交叉验证等。

  除此之外,时间序列的异常检测在智能运维上面也有着自己的用武之地,例如对 KPI 曲线的异常检测和定位。有的学者也提过相应的方法《智能运维系统(二)》,里面用到了有监督的方法来进行时间序列的异常检测。

  在实际的工作中,最重要的一个因素就是理解业务,只有理解了业务的需求,才能够更好的完成领导所布置的任务。在做事情的时候,一定要形成闭环。那就是:了解业务需求-》调研业界方案-》查看是否适用-》上线效果。通过最终的效果和我们要做成的目标,来反推当前需要做的事情。一些学生时代的思维方式需要逐渐抛弃,参考文章:《开公众号之后的一些感想》。

  我曾经也认为科班出身最重要,崇拜竞赛大牛,直到我认识Netflix高中辍学的senior software developer,线代挂了三次大一辍学的可汗学院的engineering manager,以及数不清大学辍学的顶级工程师。数据挖掘是一门很年轻的应用性学科,更加像工程师而不是数学家。成为优秀的数据科学家的必要条件是花费大量时间钻研,有意义的项目经验,和正确的人讨论,而不是学位。

  国内的教育气氛不够好,没有行业内的人和学生分享自己的经验;对女性太苛刻了,女性想做一些不按部就班的事情阻力太大了。如果能遇到一个比自己水平好一些的、有一些经验的人讨论,如果这个人碰巧对自己的行业有热情,那简直是太幸福的一件事了。

  诚然不是每个人都适合这个行业。我也走了很多弯路,有很多东西不懂。以我身边的例子,那些十年如一日思考的人的动力,是对这些问题的好奇,以及有情怀的人的影响,而这种动力也会让你认识越来越多对世界充满好奇的人。其他的动力,好大学、一份工作,都会在达成目标的时候荡然无存。

  知乎很多人谈情怀,谈热爱,包括我,是因为我们都足够幸运,或是因为家庭教育、因缘巧合很早就找到了追求和热爱的方向、或是遇到了良师益友培养出了热情。说情怀的人多多少少因为生长在一个有情怀的环境中而收益;反感说情怀的人,往往是教育、环境限制,没有被别人的情怀激励过。大部分人不是天生就热爱某个学科,所以才需要好的教育。为什么国内免费的知识质量不高,有质量的教育这么昂贵?国外有这么多傻子open source,花了大量的时间和精力写干货不变现?要坚信鸡汤的力量。

  如果你对这个行业好奇,有不懂的技术问题,我们不妨面对面交流。我可以在未来的一个月每周末拿出一小时。也许四五次讨论后,你会对自己、对这个行业有更深的理解。

  知乎很多帖子推荐书,不贪多,只推荐三个最基础的视频系列和课程,对数学系本科生来说需要的时间约为15|10|20小时。

  这个题目下所有的回答都不靠谱!给你一个靠谱回答:可以转,但是不要报辅导班,也不要自学,两者都是看起来简单,但会让你的转行之路崎岖艰难,甚至根本无法实现。你可以问自己一个问题,别人凭什么不要科班出身的要一个半路培训班学习的员工。

  你花半年时间好好学习一下考个研究生,好大学考不上就考一个相对弱的大学,跟一个搞数据挖掘的导师认认真真学两年R(学习R这个软件只需要三天,但是用它做好工程和研究还线年),毕业了就可以华丽转身。

  不要觉得这三年的时间浪费,这是转专业应该付出的代价。不付出这个代价的人,往往只能在最底层游走。

  我就不喜欢谈情怀,知乎整天谈“是不是真心喜欢”,“是不是真心热爱”……聊这些高情操之前,能不能先谈谈“是不是真心靠谱”?

  一个人二十岁出头正是热血狂傲的时候没为自己的理想熬夜吐血奋斗,到了三十岁了突然觉得人生安稳太乏味,要去专心考研,一头扎进热火朝天的互联网数据挖掘,为造AI事业贡献终生,一个人突然转性的概率有多大?

  有些人就喜欢说,你自己想清楚,想清楚了,真心爱就去做吧?别闹,哪有那么多真心爱、诗和远方,绝大部分还是因为互联网赚钱为了生活那点苟且。别闹,想清楚了还能来知乎上问一群一点都不了解你的陌生人?

  我也能说一堆不痛不痒鼓励你的话,开开心心的做个“鸡汤女神”,但是有什么用呢……

  90年生,刚过完新年的现在应该算28岁了,女生,未婚。(•̀ω•́)✧应该和题主一样啦~

  本科学得机械设计制造及自动化,研究生考研失利,犯懒调剂了个光学工程的专业,毕业了主要做的是光学机械结构设计。(想想专业和工作经历都是劣势吧(ノДT)

  花了几个月时间自学了python,最近拿到了一份创业公司的爬虫工作offer。(删除)因为还是菜鸟所以不太清楚数据挖掘和爬虫差多少不过技能点肯定有交叉~(删除)(18.06.20更新,惭愧~入行半年发现数据挖掘和爬虫几乎没什么关系~误导了大家~)数据分析我也会一点~

  知乎关于转行,关于数据挖掘数据分析,关于大龄,关于女性,甚至关于中年危机的话题,太多太多了,回答里@宁采桃花不采臣这位大佬就分享了很多,我看了很多,不同的人观点不同,因为每个人都是从自己的角度,自己的眼界,自己的经历来发表自己的看法。

  我大概是开窍比较晚的那一波人,过了很长一段混吃等死的生活:不喜欢现在的工作,就这样吧,跨专业多难啊,我又是个女孩子,而且读完研年纪又大了,找工作还会被性别歧视,还会被问结婚没生孩子没,还是继续混吃等死吧。

  有一天我突然发现自己活成了自己最讨厌的样子,一边抱怨,一边自我放弃;看到别人成功了觉得是特例,看到别人失败了觉得理所当然;把绝望丢给这个社会对你的歧视,丢给自身的劣势。

  但你看,我还是拿到了offer(≧∀≦)♪(虽然是个又小又充满不确定性的创业公司)。

  我开始学爬虫的时候,简单的部分我会想别人一定也会做的_(¦3」∠)_,难的部分我会想明明是基础问题我居然还搞不定(ಥ﹏ಥ)。

  我开始分析自己爬到的数据的时候,觉得自己做得分析烂透了,内容一点技术含量都没有,都是渣渣。(_(:3」∠❀)_是的我就是这样的负能量体质

  我开始找工作的时候,每次被拒,都觉得是因为自己不是科班,自己年纪大了,自己是女生;每次面试,被问到为什么要离开体制内,结婚没有,为什么要转行,我都觉得受到了质疑。(〒▽〒面试官我年轻时候选专业脑子里进过水最近刚晒干自己啊!我也想去变性啊但我没有钱啊而且我觉得当妹几挺好的啊!

  所以妹几,如果你真的不喜欢现在的工作,如果你真的想从事数据挖掘方面的工作,不要担心年纪(才28呢年轻着呢),不要担心性别(怎么的这工作妹几不能干了么)。开始行动吧,这个行业,你需要的更多的是耐心和不断学习的恒心,当你在学习时遇到困难后所采取的行动,大概就可以知道对于你做数据挖掘靠不靠谱了。ヾ(*ΦωΦ)ツ加油喵

  如果有杭州的hr小哥哥小姐姐在偷窥,如果你们在寻找一个会爬虫会数据分析的逗比程序媛,请联系我!我很能干的,一顿可以吃两袋方便面!୧(﹒︠ᴗ﹒︡)୨

  一年过去了,依然还有人在私信我,“如何转行”,“怎么学习”,“选哪个方向”诸如此类的问题,包括评论里一些规劝我 大龄 女生 稳定更重要 的人。

  这一年我付出了很多努力,也有很多牺牲,也获得了很多回报,结交了很多同行的朋友,做了团队leader,薪资也是以前工作的3倍(是的,我已经不是2袋方便面就养得起的了~),这些都是我自己选的路,也尊重故事结尾。

  当然今年的互联网寒冬大家也看到了,希望各位想要转行的原因都出于热爱而不是单纯因为钱,就算是因为钱也希望不是闭着眼就往里钻。

  我知道来私信我的人可能很多都是迷茫的徘徊在选择与努力的困境中,不知所措,我也没什么能说的,希望我转行的经历能给你们带来鼓励。

  我想说的是,一个要从事计算机相关工作的人,你应该了解互联网的强大,很多的问题,用搜索引擎,是可以找到答案的,这也是一个程序员必备的技能。

  我觉得你可以转行来咨询业做见客户的那种岗位(client facing,知乎大神你们别再骂我装b了,client facing我怎么知道中文叫什么 )。但是纯技术的数据分析,你可能做不了,上了培训也做不了。你也许可以利用你良好的沟通技巧,给客户提供data driven的咨询。但consultant team要不要你这样的人,我就不知道了。

  看到这样的简历,在我们这样的部门。我会觉得你跟一个二十四岁,对口专业,有项目经验的刚毕业的硕士研究生相比,毫无优势。

  假设你上了培训班,开始投简历,你觉得你的独特性是什么呢?做数据分析跟你从事培训行业的工作经验能扯上关系么?

  你要是做培训行业的数据分析,也许ok,但是要是分析工业,金融,医疗,广告等数据,你可能就没优势了。但大量的数据分析岗位都是在我说的这些行业。

  不知道大家对数据分析行业是不是有误解,很多岗位百分之七八十的时间就是用sql给数据做按摩。感觉像个仓库管理员。

  我可能有点被问题描述误导了,以为你一定要找纯技术岗位。你可以做基于数据分析的consultant,提供 data driven的analysis。你可以在一个团队了扮演见客户的角色,计算建模等工作可以交给我们这样的人来做。你以前在培训行业跟人打交道的经历,就会变成很好的加分项。

  题主在问题中说到了“数据分析”和“数据挖掘”,这里我要说明一下,这本质上是两个不同的岗位,其对于技能的要求和偏重点也是不同的。

  数据分析的技能要求:工具/编程☆☆☆专业要求☆☆☆思路要求☆☆☆☆☆讲故事能力☆☆☆☆☆PPT撰写☆☆☆☆☆沟通能力☆☆☆☆☆演讲能力☆☆☆☆

  数据挖掘的技能要求:工具/编程☆☆☆☆☆专业要求☆☆☆☆☆思路要求☆☆☆☆讲故事能力☆☆PPT撰写☆☆沟通能力☆☆☆演讲能力☆☆

  可以这么说;数据挖掘比较专业,主要聚焦在建模这一块;数据分析相对涉猎较广,对综合水平要求比较高。

  和软件开发一样,数据分析本质上是一个工具类的工种。单纯的数据分析没有丝毫的意义,必须与具体的业务场景、业务类型相结合,才能够体现出数据分析的价值。

  数据分析既然是一门技能,和学习的年纪没有关系。在我接触过的从事数据分析的同学来说,既有来自银行,财务的工作人员,也有董事长,投资人这样的公司高层。年龄从20多岁到40岁都有。我观察了下,有过跨界行业的经验,对于他们的数据分析学习大有益处,很多同学将数据分析和自身的行业相结合,在思路上会超过科班出身的数据分析师。

  如果目前是某个行业的在职人员,最好把数据分析作为一个加分项。数据分析本质上是通过数据来对现实事物进行分析和识别的能力。所以掌握了数据分析能力的业务人员,在自身的岗位上很容易做出提升。我的建议是,无论大家是否要转型,都应该掌握一些数据分析的能力。然后结合自身的行业特点和业务背景,在现有的公司里运用数据分析,对现有的业务、流程、现状做出调优。

  与其与计算机专业出身的“程序猿”抢饭碗,不如扎根自己熟悉和擅长的领域,做一个运用数据分析的专业人才。这样才最容易做出成绩,形成自己独特的竞争力。

  欢迎大家关注我微信公众号:空白女侠曾经是名互联网数据分析师目前在伦敦从事数据及顾问工作,想通过写一些自己的心得给大家呈现不一样的职场感受。

  28,感觉还是晚了一点,好在学的是应用数学,基础应该不差。当然,“有志不在年高”,如果是兴趣所向,何不闯一闯?个人觉得没必要报班,但是可以曲线救国。把现在所谓的各种琳琅满目的大数据培训班的课程纲要搞到手,然后到墙外找对应的资源来学习。我这里有个号称3万元的培训班的课程纲要,也是一个知乎朋友报班换来的,你需要的话送你,到时候你可以按照这些纲要找对应的资源学习。说句实话,找个人带要快于自学,自学要靠谱于培训班。培训一下出来就能月薪数万,迎娶白富美,嫁给高富帅,包教会包就业,这样的宣传真的是忽悠人。

  天哪,还会遇到与我如此相似情况的,实在不可思议☺️☺️我也28,女孩子,做行政,接触过一点经济学 统计之类的,但都不深。这和专业背景相关,属于那种交叉型的专业,啥都学,都不深。我也好想做数据挖掘 数据可视化这块呀。不过,这实在离我太遥远,不敢想象。不过,既然已有想法,我想也同楼上那位一样先看书。我们加油

  现在是一个信息时代,这是众所周知的,这个信息时代孕育了物联网、大数据、人工智能,这些技术已经改变了我们的生活,在这大数据分析以及人工智能方面的飞速发展过程中,数据分析师也成为了十分抢手的职业。而数据分析师这一职业的前景以及待遇十分诱人,使得很多人走进数据分析这一行业中,当然,也有很多女生也想进入这一行业,于是就有了很多的问题,那就是“数据分析师适合女生做吗?”

  对于这个问题很多人都是仁者见仁,智者见智。如果女生真的想进入这一个行业,那就需要对自己有一个足够的认识以及对这个行业有一个足够的认识,通过分析才能确定自己是否适合这个职业。

  一般来说,女生的性格大多数都是细心、耐心、有足够的语言表达能力。而数据分析师在进行分析数据的时候会遇到很多问题,在解决这些问题的过程中必须能够以认真严谨的态度去进行数据分析工作,同时,还能够充分的表达出自己遇到的问题以及解决方式,这些都是一名出色的数据分析师所拥有的素质。

  人们常说“兴趣是最好的老师。”如果想成为数据分析师,必须保持对数据敏感的能力,如果厌倦数据,或者对数据不敏感,这就不适合做数据分析,跟性别没有什么太大的关系。如果在分析数据这一过程觉得不耐烦,那么显然是不适合做数据分析的。如果对数据较敏感,能够一眼发现出问题所在,这就是适合做数据分析。对数据分析中逻辑思维对数据分析工作也是尤其重要,不然会纠结在各种指标的定义规则和与业务的联系,逻辑思维好的人写SQL等数据处理脚本也会更加高效。

  而现在,不管是什么行业都需要进行数据分析,数据正在变得越来越常见,我们的日常行为,比如购买物品,行走轨迹,消费程度都能够购生成数据。这些数据能够给数据分析带来很多帮助。

  最后说一句,数据分析其实就是用数据给人们阐述某一种事实,通过对数据的分析对未来进行预测,也是一种很有成就感的事情,而现在数据分析师也是有很多方向可以发展,大家可以根据自己的喜好进行选择,总之,数据分析师是一个非常有前景的工作。

  不是我泼凉水,要是还没结婚,你这岁数该想的是还有哪家公司敢要你。不是不能转,转完了结婚生孩子,精力时间跟得上吗?愿意学习应该鼓励,但是也得看看实际情况,能用到机器学习的都不是创业公司,大公司的人力资源贴上毛就是猴,你估计自学完的工作能力能让人觉得你有不可替代性么。任何专业深耕钻研都能有成就,不一定非得哪个时髦玩哪个。

分享到:
您使用的浏览器版本过低,不仅存在较多的安全漏洞,也无法完美支持最新的web技术和标准,请更新高版本浏览器!!