Blog

如果想让你的机器学习模型尽可能准确，你需要知道一些改进的方法。在这篇文章中，我们将讨论五种方法，通过使用特征工程、调整超级参数和尝试多种算法等，你可以为自己创造一个真正准确的模型。最重要的是，要不断尝试并从错误中学习，对你的数据和你使用的算法了解的越多，你的模型性能就越好。

当今世界越来越需要数据。我们可以通过数据来预测股票价格、跟踪运动员的健康状况、研究某个城市的房价……想一想，你宁愿看一行又一行的数据还是几个总结它的图？像大多数人一样，你多半也觉得图表听起来更好。但如果在图表中添加动画，你会发现动画还可以为你的描述提供更多的意义。阅读完本文后，你应该就能为自己的图表创建精美的动画。

Library（库）可以定义为专门用于执行特定任务的，可重复使用功能和模块的集合。不同的库提供不同类型的函数来达到所需的目标。尽管它们在许多方面彼此不同，但大多数库都有一个标准流程，通过这个流程，可以将它们安装并导入到系统中进行处理。本文将带你了解不同可用的库，他们在数据世界中经常被使用。

Tableau、Cognos Analytics和Python都是创建仪表板常用的工具。有了这些各种各样的工具，怎样才能打造一个出色的仪表板呢？当一个仪表板非常好用的时候，我们会直接去发现和寻找图中带来的见解！随着时间的推移，我找到了一些有效的技术来制作优秀的仪表板。本文将介绍一些仪表板设计的注意事项，可以帮助你更好地完成下一个数据可视化项目！

随着移动互联网的发展得到长足的发展，广告行业也发生了很大的变革。以前的广告形式可能是广告产品册类似的形式，但现在的广告大部分是以数据的形式来呈现，也就是所谓的数字广告。本文带大家了解数据科学是如何变革广告行业的。包括广告行业的数据收集、常用分析方法、数据分析是如何提升广告效能的、以及广告行业的数据分析工作机会。

在现代数据驱动的企业中，数据工程师Data Engineer是最有价值的人之一，他们的目标是通过利用他们最有价值的资产（也就是数据）来构建或增强产品。为了以高效、可扩展、经济的方式实现这一目标，数据工程师必须使用正确的工具。本文将讨论数据工程师应该使用的最重要的工具，进而用高效和优雅的方式执行他们的日常任务，实现可扩展和经济高效的解决方案。

数据科学工作主要在开发机器学习模型和评估技术指标这两个部分。除此之外，数据科学家们还需要对数据进行收集、清洗、分析、理解等工作。有一些方法可以帮我们通过使用数据清洗包来缩短数据清洗处理时间，本文就将带你了解这些数据清理包，以及他们的使用方法。