
姓名:马同学
毕业院校:四川大学
专业:电气工程及其自动化
入职信息:宜信,数据分析师,北京
对于我的学习阶段:
我在整个学习过程的特点是及时复习,预习的时间不多,可能是我多年习惯的原因,总是把重点放在预习上面。我觉得接受能力强但记忆力不是很强的可以重点放在复习上,如果上课接受能力较弱的可以重点放在预习上,方便听课的时候有针对性。我个人是怕听的时候太有针对性,然后其他不认真听,其实会落下很多重要的点。
关于Excel:
上课跟着老师练习,课下利用晚上或者周末的时间根据自己情况练习两遍,作业能自己动脑做尽量不要百度,练习老师上课讲的内容,总能找到解决的方法。
MySQL:
上课学的东西是远远不够的,作业自己动脑完成,没有思路也要积极尝试。跟着思路一点一点百度也行,变成一个解决问题的过程,而不是去百度现成的东西。
机器学习:
我在R的学习过程中,也是理解机器学习算法的过程。上课一定得认真听,并且听懂。不然自己课下更得花很长的时间去理解它。这段时间可以多看一些博客理解算法
R和python:
基础的语法:利用思维导图及时总结,方便自己查阅。太多的知识点不可能全屏脑子记下的机器学习算法实现:理解每一条语句的意思,上课多做笔记,每天上完课之后会过一遍相关的语句,电脑上运行看每一步的意思。
关于面试经验方面
面试准备:
关于投递工作岗位
如何得知以后工作岗位的内容:看笔试题考什么
面试问题
必问:然后这三种继续下钻看渠道不同,各个指标的变化,还有转化率等,结合AAARR模型自己可以钻研。知乎了解一下
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09