开篇：数据分析学习方法、框架、内容与目标
高效的学习方法： MAS 方法
Multi-Dimension：想要掌握一个事物，就要从多个角度去认识它。
Ask：不懂就问，程序员大多都很羞涩，突破这一点，不懂就问最重要。
Sharing：最好的学习就是分享。用自己的语言讲出来，是对知识的进一步梳理
技术学习的框架
第一类是基础概念。
第二类是工具，实操能力。
第三类是题库，查漏补缺，思考进步。
数据分析学习内容
1.预习python； 2.基础； 3.算法； 4.实战； 5.工作：面试内容；晋升路径
学习目标
1.数据与算法思维； 2.工具； 3.更好的工作机会与价值
01丨数据分析全景图及修炼指南
全景图
数据采集；数据挖掘；数据可视化
修炼指南
认知三步曲，从认知到工具，再到实战，是我最想给你分享的学习建议。
1.不重复造轮子；2.工具决定效率；3.熟练度、题库
操作：
1.记录下你每天的认知。尤其是每次课程后，对知识点的自我理解。这些认知对应工具的哪些操作。
2.用工具来表达你对知识点的掌握，并用自己的语言记录下这些操作笔记。
3.做更多练习来巩固你的认知。
02丨学习数据挖掘的最佳路径是什么？
数据挖掘6 个步骤
商业理解：从商业的角度理解项目需求，在这个基础上对数据挖掘的目标进行定义。
数据理解：尝试收集部分数据，然后对数据进行探索，包括数据描述、数据质量验证等。这有助于你对收集的数据有个初步的认知。
数据准备：开始收集数据，并对数据进行清洗、数据集成等操作，完成数据挖掘前的准备工作。
模型建立：选择和应用各种数据挖掘模型，并进行优化，以便得到更好的分类结果。
模型评估：对模型进行评价，并检查构建模型的每个步骤，确认模型是否实现了预定的商业目标。
上线发布：模型的作用是从数据中找到金矿，也就是我们所说的“知识”，获得的知识需要转化成用户可以使用的方式，呈现的形式可以是一份报告，也可以是实现一个比较复杂的、可重复的数据挖掘过程。数据挖掘结果如果是日常运营的一部分，那么后续的监控和维护就会变得重要。
数据挖掘十大算法
分类算法：C4.5，朴素贝叶斯（Naive Bayes），SVM，KNN，Adaboost，CARTl
聚类算法：K-Means，EMl
关联分析：Aprioril
连接分析：PageRank
数据算法的数学原理
概率论与数理统计
线性代数
最优化方法
图论