大數(shù)據(jù)分析師面試筆試寶典

定　價：￥89.00

作　者：	猿媛之家組編，周炎亮劉志全楚秦等編著
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787111712114	出版時間：	2022-09-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　《大數(shù)據(jù)分析師面試筆試寶典》旨在幫助讀者了解大數(shù)據(jù)分析師的工作內(nèi)容、技能要求、各類常用技術的原理和可能應用的場景。大數(shù)據(jù)分析是一個多學科交叉的領域，包含了統(tǒng)計學、計算機科學、運籌學乃至市場營銷學等?！洞髷?shù)據(jù)分析師面試筆試寶典》并沒有介紹大數(shù)據(jù)分析領域涉及的所有方面，而是根據(jù)當前用人單位對大數(shù)據(jù)分析師的需求，選擇了其中較為重要的內(nèi)容進行解析，將當前大數(shù)據(jù)分析涉及的熱點技術一網(wǎng)打盡。閱讀《大數(shù)據(jù)分析師面試筆試寶典》需要具備一定的數(shù)理統(tǒng)計知識基礎和計算機編程背景。本書盡量不去證明一些在理論界已有的結論，而是用淺顯的語言來解釋復雜的公式，以便讀者更為輕松地掌握全書的知識，從而能夠從容面對面試以及日常工作。

作者簡介

　　周炎亮，全棧數(shù)據(jù)分析師，北京化工大學工程管理碩士。擁有10多年的數(shù)據(jù)分析經(jīng)驗，擅長將各種業(yè)務問題轉化為可量化的數(shù)學模型。先后在咨詢公司、互聯(lián)網(wǎng)公司擔任數(shù)據(jù)分析師，現(xiàn)在某工業(yè)互聯(lián)網(wǎng)公司擔任高級數(shù)據(jù)分析經(jīng)理，致力于解決工業(yè)領域的數(shù)據(jù)分析問題。劉志全，博士，暨南大學網(wǎng)絡空間安全學院副研究員、碩士生導師；近年來共在IEEE TITS、IEEE TDSC、IEEE IOTJ、IEEE TVT等國內(nèi)外權威期刊/會議發(fā)表SCI/EI論文40余篇，申請/授權/公告國家發(fā)明專利/國外發(fā)明專利/PCT專利40余項。

圖書目錄

第1章面試經(jīng)驗／1
1.1 大數(shù)據(jù)分析技能要求／1
1.1.1 數(shù)據(jù)分析師／1
1.1.2 數(shù)據(jù)開發(fā)工程師／4
1.1.3 數(shù)據(jù)挖掘工程師／7
1.1.4 職業(yè)能力模型／10
1.2 數(shù)據(jù)分析工作流程／10
1.2.1 組織架構／10
1.2.2 分析流程／11
1.3 數(shù)據(jù)分析師臨場面試／13
1.3.1 如何準備面試／13
1.3.2 面試問題／16
1.4 本章總結／18
第2章統(tǒng)計學知識／19
2.1 概率知識／19
2.1.1 概率模型之間的關系解析／19
2.1.2 概率相關面試題／25
2.1.3 貝葉斯公式／28
2.2 參數(shù)估計／31
2.2.1 點估計／31
2.2.2 區(qū)間估計／34
2.3 假設檢驗／41
2.3.1 假設檢驗原理／41
2.3.2 兩類錯誤／43
2.3.3 假設檢驗的常用方法／45
2.4 抽樣技術解析／49
2.4.1 樣本量影響因素分析／50
2.4.2 假設檢驗樣本量計算／52
2.4.3 參數(shù)估計樣本量計算／53
2.5 馬爾可夫模型／54
2.5.1 馬爾可夫過程原理／55
2.5.2 馬爾可夫模型計算／55
2.6 隱馬爾可夫模型／57
2.6.1 HMM和三類問題／57
2.6.2 求概率問題／58
2.6.3 預測問題／59
2.6.4 學習問題／60
2.7 EM算法／62
2.7.1 基本思想／62
2.7.2 算法流程／63
2.8 本章總結／63
第3章數(shù)據(jù)挖掘算法／65
3.1 常用聚類算法／66
3.1.1 Kmeans算法／66
3.1.2 DBSCAN算法／68
3.1.3 聚類算法評估／69
3.2 常用分類算法／74
3.2.1 決策樹／74
3.2.2 樸素貝葉斯／79
3.2.3 KNN／80
3.2.4 SVM／81
3.2.5 邏輯回歸／84
3.2.6 BP神經(jīng)網(wǎng)絡／88
3.3 集成學習算法／91
3.3.1 Bagging原理／92
3.3.2 隨機森林／93
3.3.3 Boosting原理／95
3.3.4 Adaboost算法／96
3.3.5 Stacking算法／99
3.3.6 分類算法評估／100
3.3.7 分類算法小結／108
3.4 關聯(lián)規(guī)則算法／108
3.4.1 Apriori／108
3.4.2 Fp_Growth／111
3.4.3 算法評估／112
3.5 數(shù)據(jù)降維算法／112
3.5.1 降維技術基本理論／112
3.5.2 特征選擇／113
3.5.3 主成分分析／116
3.5.4 SVD分解／118
3.5.5 降維方法選擇／121
3.6 數(shù)據(jù)升維方法／121
3.6.1 分箱／121
3.6.2 交互式特征／123
3.7 推薦算法／124
3.7.1 基于內(nèi)容推薦／124
3.7.2 基于用戶的協(xié)同過濾／125
3.7.3 基于物品的協(xié)同過濾／126
3.7.4 SVD推薦原理／127
3.7.5 推薦算法評估／130
3.8 模型優(yōu)化方法／130
3.8.1 機器學習抽樣／130
3.8.2 相似性度量／134
3.8.3 損失函數(shù)／136
3.8.4 過擬合與欠擬合／138
3.8.5 正則化方法／139
3.8.6 剪枝方法／141
3.8.7 模型選擇／144
3.9 本章總結／145
第4章大數(shù)據(jù)技術解析／147
4.1 數(shù)據(jù)埋點技術／148
4.1.1 技術原理／148
4.1.2 代碼埋點／149
4.1.3 可視化埋點／149
4.1.4 無埋點技術／150
4.1.5 埋點需求分析／150
4.1.6 選擇部署方式／151
4.2 網(wǎng)絡爬蟲技術／152
4.2.1 聚焦爬蟲工作流程／153
4.2.2 數(shù)據(jù)解析流程／154
4.2.3 爬行策略／154
4.2.4 網(wǎng)頁更新策略／155
4.3 數(shù)據(jù)倉庫技術／156
4.3.1 數(shù)倉名詞解析／156
4.3.2 數(shù)據(jù)建模方法／161
4.3.3 數(shù)倉建設原則／164
4.3.4 SQL查詢／166
4.3.5 SQL查詢優(yōu)化／170
4.4 ETL技術／171
4.4.1 數(shù)據(jù)質量評估／172
4.4.2 ETL流程／173
4.4.3 缺失值處理方法／177
4.4.4 異常值識別方法／179
4.5 Hadoop技術／180
4.5.1 Hadoop核心之HDFS／181
4.5.2 Hadoop核心之MapReduce／184
4.5.3 YARN／190
4.5.4 WordCount源碼／192
4.5.5 MapReduce優(yōu)化／194
4.6 Spark技術／196
4.6.1 Spark集群運行／196
4.6.2 Spark程序運行／199
4.6.3 Spark RDD／202
4.6.4 Spark存儲／210
4.6.5 Spark 內(nèi)存管理／216
4.6.6 Spark資源分配／222
4.6.7 Spark Shuffle機制／224
4.6.8 Spark的算子調優(yōu)／230
4.6.9 數(shù)據(jù)傾斜問題解析／231
4.7 本章總結／235
第5章數(shù)據(jù)可視化／237
5.1 圖表類型／237
5.2 繪圖原則／243
5.3 ECharts快速上手／247
5.3.1 ECharts引入／247
5.3.2 準備DOM容器／248
5.3.3 柱狀圖示例／249
5.4 本章總結／249
附錄／250
附錄A 筆面試真題／250