上海57期数据分析就业班学员

姓名：谭同学
毕业院校：湖南大学
专业：软件工程
入职信息：上海某汽车公司，数据分析师，薪资保密，上海

各位同学大家好，很荣幸接到李智老师的邀请，分享一些个人的收获给大家。以下是本人面试完，到最终拿到期望offer后的一些心得体会，希望可以给大家提供一些帮助！
根据本人的面试经验，本文主要做些课堂补充。

数据岗位大体分为两类：1业务数据分析；2数据建模

1、 业务数据分析技能：Tableau+数据思维

数据思维：漏斗、留存、指标体系都是最为基本的，想要高薪需要具体业务的分析和推进思路，这方面我至今不到火候，就不班门弄釜了

2、 数据建模

个人把模型方面分为三部分
2.1第一部分：监督算法模型主力：回归模型+决策树+集成算法模型
金融岗爱问
2.1.1回归模型
损失函数L1,L2及其区别、逻辑回归公式推导
2.1.2集成算法模型（风投爱问）
随机森林、GBDT、XGB，特点+意义
2.2第二部分：监督补充sank（svm+ann+nb+knn）
SVM公式推导
2.3第三部分：非监督算法模型：关联+聚类
2.3.1关联
apriori可以拓展到推荐模型，结合协同过滤知识点一并交流（市场对推荐模型有偏好，问得多）
2.3.2聚类
kmeans的算法步骤：迭代地确定簇心，调整簇数据，直至簇心稳定
kmeans分箱是非监督分箱的一种

3、特征工程

处理缺失、异常值、共线性、数据不平衡性、编码、归一化、分箱、降维。。。。

缺失值：83法，小于30%填补+大于80%考虑删除+之间可独立成一项
异常值：盖帽法
不平衡性：过采样+欠采样（各自的处理方案最好心里有数，可以适当做一定的拓展阅读）
归一化：提高模型收敛速度和精度
分箱：分为监督分箱+非监督分箱（分别有哪些，心里要有数）
降维：分为线性降维+非线性降维（分别有哪些，心里要有数）
按上述展开方案，特征工程这块就能聊很久，可使简历上的项目生动形象

4、相关问题

这些算是我的直接面经吧，答案都在课堂+自我拓展里，准备不到位免不了到场卡壳
4.1特征工程耗时70%，你们都做了什么？
4.2写一下逻辑回归的推导公式
4.3写一下SVM的推导公式
4.4逻辑回归交叉熵公式？
4.5决策树熵增益公式？GINI公式？
4.6评分卡
4.6.1为什么要对原始数据进行卡方分箱？不可以直接使用原始数据吗？
4.6.2降维的方法有哪些？你知道PCA的原理吗？
4.7写一下apriori支持度、置信度、提升度公式？你还知道其他指标吗？
4.8bagging、boosting的区别？

最后，非常感谢CDA的这个学习平台，学习期间收获颇多，同时也感谢同学和各位老师们提供的帮助，希望CDA越来越好，可以培育出更多的优秀分析师！！！