Blog

机器学习正在推动人工智能的大部分最新进展，包括计算机视觉、自然语言处理、预测分析、自主系统和广泛的应用。 由于自动化机器学习 (AutoML)、协作 AI 和机器学习平台（如 Dataiku）的进步，所有不同工作类型的人对数据的使用（包括用于预测建模）正在增加。 本文将介绍合理建立机器学习模型的四个概念，同时带你了解构建模型的过程。

基于订阅的商业模式是一种业务，它会定期（通常是每月或每年）向客户收取产品或服务的费用。 数据科学通过改进营销和帮助将客户转化为订阅产品，在直接预测和优化这些指标方面发挥着作用。数据科学还可以帮助营销和产品可发现性工作，向尚未了解企业产品的细分市场宣传。本文将带你了解，创业公司是如何利用定价订阅服务赚钱的？

随着数据行业的发展，新兴的职位也出现在了市场中。分析工程师为用户提供干净的数据集，以一种能够回答他们自己的问题的方式对数据进行建模。 数据分析师花时间分析数据，而分析工程师则花时间转换、测试、部署和记录数据。本文将根据市场上对这个岗位职能的要求，带你了解这个新兴岗位——分析工程师。

动态定价是一种应用可变价格而不是固定价格的定价策略。 零售商可以每天多次更新价格，而不是决定一个季节的固定价格，以利用不断变化的市场。这些价格变化的目标有两个：一方面，公司希望优化利润率，另一方面，他们希望增加销售机会。本文将以行业代表性系统为例，带你了解动态定价背后的技术和框架逻辑。

虽然数据科学的岗位听起来很有趣，但未来的数据科学家应该在计划下一步之前考虑他们对统计的了解程度。要成为数据科学家，你必须对数学、统计推理、计算机科学和信息科学有深入的了解。 必须了解统计概念、如何使用关键统计公式，以及如何解释和传达统计结果。本文将为你介绍数据科学家最需要的统计知识。

数据建模是创建整个信息系统或其部分的可视化表示的过程，以传达数据点和结构之间的联系。 它说明了系统中使用和存储的数据类型、这些数据类型之间的关系、数据分组和组织的方式及其格式和属性。本文将介绍几种数据建模的方法并解释它们的差异，也会介绍一些在建模 DWH或 EDW时可以使用的工具。

数据科学专业相对较新，所以许多数据科学家和机器学习工程师都并不是一开始就在这条道路上开始他们的职业生涯的。 他们像我们一样从其他领域转向，也许就像你们中的许多人一样。 因此，让我们谈谈如何转行为数据科学家——我们将重点介绍三种你可能面临的情况，并就如何克服这些挑战为你提供实用建议。

数据科学,就是“使用各种技术、算法来分析大量数据，提取有用的见解，将它们应用于各种业务领域。” 数据每天都在以巨大的速度生成，大公司、公司正在寻找优秀的数据科学家，并将其用于各种业务战略、模型、 计划。本文将以个人经验为基础，带你了解如何快速学习数据科学。