做數(shù)據(jù)分析是否需要統(tǒng)計(jì)學(xué)基礎(chǔ)？那就只要你能夠非常熟練不使用各種軟件解決了問(wèn)題就可以了？本人數(shù)學(xué)系學(xué)生，未來(lái)想向數(shù)據(jù)分析師方向經(jīng)濟(jì)的發(fā)展。不需要，尤其是大數(shù)據(jù)分析與開(kāi)掘方向。大數(shù)據(jù)有很多方向，大數(shù)據(jù)分析

做數(shù)據(jù)分析是否需要統(tǒng)計(jì)學(xué)基礎(chǔ)？

那就只要你能夠非常熟練不使用各種軟件解決了問(wèn)題就可以了？本人數(shù)學(xué)系學(xué)生，未來(lái)想向數(shù)據(jù)分析師方向經(jīng)濟(jì)的發(fā)展。

不需要，尤其是大數(shù)據(jù)分析與開(kāi)掘方向。大數(shù)據(jù)有很多方向，大數(shù)據(jù)分析需要數(shù)學(xué)和統(tǒng)計(jì)學(xué)基礎(chǔ)。

大數(shù)據(jù)應(yīng)用的一個(gè)核心應(yīng)該是按照算法來(lái)對(duì)數(shù)據(jù)進(jìn)行整理一番分析，不需要當(dāng)然的數(shù)學(xué)基礎(chǔ)，我建議你自學(xué)線性代數(shù)、概率、離散數(shù)學(xué)、微積分等。

注意一點(diǎn)，并不是所有大數(shù)據(jù)崗位都要數(shù)學(xué)，例如大數(shù)據(jù)開(kāi)發(fā)崗位，建設(shè)和優(yōu)化系統(tǒng)系統(tǒng)，通常工作在后端，數(shù)學(xué)用得比較比較少。

加米谷大數(shù)據(jù)培訓(xùn)機(jī)構(gòu)，大數(shù)據(jù)開(kāi)發(fā)、數(shù)據(jù)分析深處挖掘，雙11預(yù)網(wǎng)上報(bào)名中

咨詢：

數(shù)據(jù)科學(xué)家應(yīng)該要知道的5個(gè)統(tǒng)計(jì)學(xué)知識(shí)

中心化算法是什么意思？

進(jìn)入虛空問(wèn)題和一些機(jī)器學(xué)習(xí)算法中，以及訓(xùn)練什么神經(jīng)網(wǎng)絡(luò)的過(guò)程中，通常必須對(duì)原始數(shù)據(jù)接受中心化（Zero-based或則Mean-subtraction（subtraction它表示減去一））處理和形成標(biāo)準(zhǔn)化（Standardization或Normalization）去處理。

數(shù)據(jù)標(biāo)準(zhǔn)化（輸入特征）處理是數(shù)據(jù)挖掘的一項(xiàng)基礎(chǔ)工作，不同評(píng)價(jià)指標(biāo)來(lái)講更具完全不同的量綱和量綱單位，這樣的情況會(huì)影響大到數(shù)據(jù)分析的結(jié)果，目的是驅(qū)除指標(biāo)之間的物理含義影響，需要進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理，以解決的辦法數(shù)據(jù)指標(biāo)之間的可比性。原始數(shù)據(jù)在數(shù)據(jù)標(biāo)準(zhǔn)化處理后，各指標(biāo)正處于同一數(shù)量級(jí)，比較適合參與偏文科類對(duì)比評(píng)價(jià)。

數(shù)據(jù)挖掘平臺(tái)哪些比較好？

真不知道樓主要的平臺(tái)是指什么，我這里幫我推薦一個(gè)

Kaggle可以說(shuō)是眾多數(shù)據(jù)挖掘分析學(xué)習(xí)者的一個(gè)學(xué)習(xí)平臺(tái)了。

Kaggle組建于2010年，是一個(gè)并且數(shù)據(jù)發(fā)掘出來(lái)和分析預(yù)測(cè)數(shù)學(xué)競(jìng)賽的萬(wàn)分感謝平臺(tái)。從公司的角度來(lái)講，也可以可以提供一些數(shù)據(jù)，終致提議一個(gè)實(shí)際是需要能解決的問(wèn)題；從參賽者的角度來(lái)講，他們將建議組隊(duì)參與項(xiàng)目，針對(duì)其中一個(gè)問(wèn)題提出解決方案，到了最后由公司一百名的最佳方案可以不完成5K-10K美金的獎(jiǎng)金。

之外比賽還這個(gè)可以接項(xiàng)目做，從某種角度來(lái)講，大家可以不把它再理解為一個(gè)眾包平臺(tái)，相似國(guó)內(nèi)的豬八戒?？墒遣恢皇潜容^傳統(tǒng)的低層次勞動(dòng)力需求，Kaggle一直在致力于提供解決業(yè)界難題，而也所創(chuàng)造的了一種全新的勞動(dòng)力市場(chǎng)——不再以學(xué)歷和工作經(jīng)驗(yàn)以及同樣的人才評(píng)判標(biāo)準(zhǔn)，只是聚焦于個(gè)人技能，為頂尖人才和公司之間搭建中了一座橋梁。

里面的學(xué)習(xí)資源那就比較多的。

推薦一下幾篇更加好的文章，里面親自教學(xué)的教了大家入門級(jí)的三個(gè)經(jīng)典再練習(xí)項(xiàng)目，供大家去學(xué)習(xí)。

1.Titanic（泰坦尼克之災(zāi)）

中文教程：邏輯回歸應(yīng)用之Kaggle泰坦尼克之災(zāi)

英文教程：AndigitalData ScienceTutorial

Regression Techniques（房?jī)r(jià)預(yù)測(cè)）

中文教程：Kaggle競(jìng)賽—2017年房?jī)r(jià)預(yù)測(cè)國(guó)家

英文教程：How toget toicon25%withSimpleModelusingsklearn

（數(shù)字識(shí)別）

中文教程：大數(shù)據(jù)競(jìng)賽平臺(tái)—Kaggle入門

英文教程：interactiveIntrocanDimensionalityReduction