市场分析——这三个技能最重要
市场营销，尤其是数字营销，几乎无法离开数据，这让数据分析师、数据科学家所使用的数字营销路数丰富，且颇有意义。因为他们需要经常分析大量数据，这就更加要求分析类人才掌握潜在项目，项目领域也要不断拓宽。然而，营销数据存在一些致命的问题，可能会破坏市场分析项目进程。本文将介绍3 个重要技能，帮助你克服这些问题。
用户行为和分析建模：分析方法和案例
数据可视化可以用于数据清理、数据结构探索、异常值和异常组的检测、趋势和集群识别、局部模式发现、评估模型输出和结果的呈现。在探索性数据分析和数据挖掘中，检查数据质量，帮助分析人员熟悉面前数据的结构和特点是至关重要的。本文将通过数据可视化，向你展示如何分析用户行为，并针对案例作出建模。
如何回答ML机器学习的面试问题?
机器学习面试中，除了答案以外，面试官还想看到你对该主题/问题更深层次的了解。在回答问题时，简单地陈述答案是不够的，你应该将问题展开讲述，例如陈述利弊、讨论替代模型/算法、编写方程式、甚至建议如何生产模型等。让我们来看看下面的几个例子，帮助我们了解应该如何回答 ML 面试问题。
6步数字营销数据分析策略，帮你推动业务增长
数字营销数据分析策略可以帮助企业具备竞争优势。正确地收集数据，并利用数字营销数据分析技术可以为你的业务提供宝贵的见解，告诉你应该将资金投资在哪里、你的用户关心哪部分业务，以及你的营销工作会何时才能转化为销售额。本篇文章，为你提供最新的数字营销数据分析策略，讲解如何尝试最新趋势，并将风险降至最低。
Huber回归和Ridge回归：如何处理Python中的异常值？
在处理数据中的异常值时，传统的线性回归（Linear Regression）可能存在一些缺点。如果一个数据点离集合中的其他点很远，这会极大地影响最小二乘回归线，接近集合数据点的总体方向的线将因异常值的存在而发生偏移。本文将介绍如何处理数据样本中的异常值、Huber回归和Ridge回归的区别、如何在Huber回归中修改异常值敏感度、以及如何用 RMSE 确定模型。
Pandas和SQL，数据科学家应该用哪个？
Pandas和SQL不仅对数据科学家很重要，对数据分析和商业智能等类似领域的业内人士也很重要。Pandas 的优势体现在处理你已经有的数据集，而业内人士最常使用的语言可能就是SQL了。但数据科学家在什么情况下应该专门使用 Pandas 而不是 SQL，什么情况下用SQL而不是Pandas？本文将详细讨论，在不同情况下，如何正确选用Pandas和SQL。
如何准备DS数据科学家面试?
数据科学家是帮助企业实现业务最终目标的团队中的一员，而这些目标是与产品或客户有关的。网络上有很多数据科学的面试指南，但很少有人强调与同事交流的重要性，以及数据科学对业务的影响。因此，本文将从与利益相关者协作、KPI、文化契合这三个实践领域介绍，帮助你的数据科学面试准备过程。
神经网络——不止是深度学习
神经网络（Neural Networks）是计算智能（Computational Intelligence）的一个分支，比深度学习更加高级。然而，神经网络不仅仅是深度分类/回归算法。神经网络研究领域包括前馈神经网络、循环神经网络、自组织神经网络、深度学习、卷积神经网络等。这篇文章会对三种不同类型的神经网络——卷积神经网络、自组织特征图、和极限学习机进行高度概括。
