算法工程师运筹优化

1. 从大数据入门，到达到一定水平，在学习路径上有什么建议

目前我们正处在大数据时代，掌握大数据相关技术对提高自己的职场竞争力一定是有帮助的。

大数据学习建议：

1、0基础小白从Java语言开始学习

因为当前的大数据技术主要是用 Java 实现的或者是基于 Java 的，想入行大数据，Java基础是必备的；

2、Java开发能力需要通过实际项目来锻炼

在学习完Java语言之后，往往只是掌握了Java语言的基本操作，只有通过真正的项目锻炼才能进一步提高Java开发能力。

3、大数据开发有明显的场景要求

大数据开发是基于目前已有信息系统的升级改造，是一个系统的过程，包括平台的搭建、数据的存储、服务的部署等都有较大的变化，要想真正理解大数据需要有一个积累的过程。对于初学者来说，应该先建立一个对开发场景的认知，这样会更好的理解大数据平台的价值和作用。

4、从基础开发开始做起

对于初级程序员来说，不管自己是否掌握大数据平台的开发知识，都是从基础的开发开始做起，基于大数据平台开发环境。

从就业的角度来说，大数据开发是一个不错的选择。但我并不建议脱离实际应用来学习大数据，最好要结合实际的开发任务来一边学习一边使用。

2. 会matlab和遗传算法，及其他优化算法，可以找到什么样的工作

最好要会某种编程语言，比如C/C++、java等，最好再有深厚的数学基础，包括运筹学知识、概率论与数理统计知识，要不然，光凭你说的那些找不到什么工作。
即便你想从事算法工程师的工作，也要有一定的编程功力（可不是指matlab），以及数据结构与算法设计基础。
还不明白的话，你可以到前程无忧或者中华英才网等招聘网站输入你的检索词：matlab+遗传算法试一试，看看能有什么样的工作适合你。

3. 数据分析师和数据挖掘工程师的区别

我们先来了解一下两者的区别。
一、意义不同
数据分析师 是数据师Datician的一种，指的是不同行业中，专门从事行业数据搜集、整理、分析，并依据数据做出行业研究、评估和预测的专业人员。
算法(Algorithm)是一系列解决问题的清晰指令，也就是说，能够对一定规范的输入，在有限时间内获得所要求的输出。如果一个算法有缺陷，或不适合于某个问题，执行这个算法将不会解决这个问题。不同的算法可能用不同的时间、空间或效率来完成同样的任务。一个算法的优劣可以用空间复杂度与时间复杂度来衡量。算法工程师就是利用算法处理事物的人。
二、薪资不同
数据分析师的职位平均工资大约在￥9086;算法工程师职位平均工资水平(元/月-税前)大约在￥1200之上。
数据分析师和算法工程师哪个难?由上可知算法工程师比数据分析师要难学。此外,企业对于数据分析师的技能要求很高，具体要求如下：
1、懂业务。
从事数据分析工作的前提就会需要懂业务，即熟悉行业知识、公司业务及流程，最好有自己独到的见解，若脱离行业认知和公司业务背景，分析的结果只会是脱了线的风筝，没有太大的使用价值。
2、懂管理。
一方面是搭建数据分析框架的要求，比如确定分析思路就需要用到营销、管理等理论知识来指导，如果不熟悉管理理论，就很难搭建数据分析的框架，后续的数据分析也很难进行。另一方面的作用是针对数据分析结论提出有指导意义的分析建议。
3、懂分析。
指掌握数据分析基本原理与一些有效的数据分析方法，并能灵活运用到实践工作中，以便有效地开展数据分析。基本的分析方法有：对比分析法、分组分析法、交叉分析法、结构分析法、漏斗图分析法、综合评价分析法、因素分析法、矩阵关联分析法等。高级的分析方法有：相关分析法、回归分析法、聚类分析法、判别分析法、主成分分析法、因子分析法、对应分析法、时间序列等。
4、懂工具。
指掌握数据分析相关的常用工具。数据分析方法是理论，而数据分析工具就是实现数据分析方法理论的工具，面对越来越庞大的数据，我们不能依靠计算器进行分析，必须依靠强大的数据分析工具帮我们完成数据分析工作。
5、懂设计。
懂设计是指运用图表有效表达数据分析师的分析观点，使分析结果一目了然。图表的设计是门大学问，如图形的选择、版式的设计、颜色的搭配等等，都需要掌握一定的设计原则。重要作用。
算法工程师需要掌握的技能
1. 编程：PYTHON,JAVA,C
2. 数据结构与算法
3. 机器学习算法
4. PAPER阅读能力
5. 造轮子的能力
对于算法工程师，有别于数据挖掘工程师的第一个区别就是对于传统的算法和数据结构的要求。 我自身不是计算机科班出身，在我工作的第一年压根没有接触过这一块，也从没打算去学这一块。 我第一次知道数据结构和算法的时候是去面试一家英语流利说的公司，当时面试官让我写一下斐波那契数列的伪代码，我听都没有听说过，于是面试官又让我写一下如何从一组数列当中最快的寻找出中位数，我依旧不知所措，因为平时都是习惯用函数，还从没想过真正的实现方式是怎样的。面试官很疑惑也很遗憾的当场就对我说：我觉得你可能不适合我们的岗位。
数据结构和算法应该是必备的技能，算法工程师应该对用常用的知识点有深入理解，能够在面对不同项目场景的时候灵活选择数据机构和算法。
第二点是机器学习算法，这个地方肯定会比之前的数据挖掘算法要求高很多。除了常用机器学习算法能够手推之外，还要对算法本身有更深入的思考。我记得我面试阿里的时候面试官抛出这么几个问题，说如果boosting算法不使用决策树，而使用SVM会怎样，或者说每一轮迭代都使用不同模型，比如第一次是决策树，第二次是SVM，那么会怎样？ 还有一个就是logistic regression这些算法为何没有使用ada,mone这些方法，能不能用？有什么优缺点等等。

4. 浅谈学习运筹与优化软件的心得

科普推广运筹学一直以来是【运筹OR帷幄】平台的初衷。本次我们邀请到了平台优化板块的责编团队的成员，结合各自独特的业界工作体会，分享他们眼中在业界发光发热的运筹学。

一、元器件行业中的运筹学

本人在一家做元器件服务的公司实习，军用元器件使用的时候有两个典型场景：替代和统型。

替代是设计师针对进口元器件找到可替代的国产型号；统型是在一个产品的BOM内确定某几个不同元器件是否可以统一使用一种，以此减少元器件品种数。

目前行业内开始从依赖专家经验（比如知道某个国产元器件就是对标某个进口元器件做的），转向从元器件性能参数的相似度出发进行判断，所以涉及到相似度和聚类方法的应用。

相比方法本身，解决问题的更大阻碍是元器件性能参数数据的复杂性和不规范性。例如不同类别的元器件性能参数不同，即使在同一类别下，不同生厂商给出的性能参数形式也不同，对此进行规范需要有元器件专业知识，所以实际中，数据清洗往往耗费最多人力，也是影响方法使用效果的一大因素。

5. 您好 我是一名大三在校生，数学与应用数学（金融数学）专业，能否就考研专业和学校选择问题向您请教

数学与应用数学专业考研方向1：基础数学

专业介绍

基础数学（学科代码：070101）是数学下设的二级学科之一。基础数学又称为纯粹数学，是数学科学的核心与基础部分。基础数学包括数理逻辑、数论、代数、几何、拓扑、函数论、泛函分析和微分方程等分支学科。当代数学的迅速发展使得这些分支学科间交叉与渗透的趋势日益明显，出现了许多新的研究领域和生长点。基础数学不仅是其它应用性数学学科的基础，而且也是自然科学、技术科学及社会科学等所必不可少的语言、工具与方法。高科技的发展及电子计算机的广泛应用为基础数学的研究提供了更广阔的应用前景。

培养目标

本学科培养的硕士应是基础数学方面的高层次的专门人才，具有比较扎实宽广的数学基础，了解本学科目前的进展与动向，并在某一子学科受到一定的科研训练，有较系统的专业知识，初步具有独立进行理论研究的能力或运用数学知识解决实际问题的能力，在某个专业方向上做出有理论或实践意义的成果。较为熟练地掌握一门外国语，能阅读本专业的外文资料。毕业后能从事与数学相关的科研、教学或其它实际工作。

就业前景

基础数学专业是其他相关专业的基础专业。此专业与其他很多学科具有紧密的联系，这也就为本专业的毕业生在就业上进行转行奠定了理论基础，比如此专业的毕业生可以从事科研数据分析，统计，软件开发，三维动画制作等工作。但是此专业是偏重理论的专业，所以相对应用数学来讲就业面相对较窄。

就业去向

1、 科技教育和经济部门从事研究教学工作或在制造业生产经营及管理部门从事实际应用开发研究和管理工作。
2、 IT业职员、商务人员。
3、 教师。

相关职位

数学教师，数学模型师，数学学科教辅图书编辑及编辑助理，数学研发工程师，数学编辑，数学证券投资模型程序设计，基础软件工程师，通信系统数学建模及理论分析研究员，数学学科编辑，奥数教师。

数学与应用数学专业考研方向2：应用数学

专业介绍

应用数学（学科代码：070104）是数学下设的二级学科之一。应用数学是应用目的明确的数学理论和方法的总称，研究如何应用数学知识到其它范畴（尤其是科学）的数学分枝，可以说是纯数学的相反。包括微分方程、向量分析、矩阵、傅里叶变换、复变分析、数值方法、概率论、数理统计、运筹学、控制理论、组合数学、信息论等许多数学分支，也包括从各种应用领域中提出的数学问题的研究。计算数学有时也可视为应用数学的一部分。

培养目标

本学科培养的硕士应是应用数学方面的高层次的专门人才，具有比较扎实宽广的数学基础，了解本学科目前的进展与动向，并在某一应用方向受到一定的科研训练，有较系统的专业知识，能熟练运用计算机及数学软件，初步具有独立进行理论研究的能力，或运用专业知识与有关专业人员合作解决某些实际应用问题的能力，在某个应用方向上做出有理论或实践意义的成果。较为熟练地掌握一门外国语，能阅读本专业的外文资料。毕业后能从事与应用数学相关的教学、科研或其它实际工作。

就业前景

应用数学专业属于基础专业，是其他相关专业的“母专业”。无论是进行科研数据分析、软件开发、三维动画制作还是从事金融保险，国际经济与贸易、工商管理、化工制药、通讯工程、建筑设计等，都离不开相关的数学专业知识。

严密的逻辑思维能力，来自于深厚扎实的数学功底。可见数学与应用数学专业是从事其他相关专业的基础。随着科技事业的发展和普及，数学专业与其他相关专业的联系将会更加紧密，数学专业知识将会得到更广泛的应用。以数学专业或相其关专业为依托实现职业再选择的人数占87%。由于数学与应用数学专业与其他相关专业联系紧密，以它为依托的相近专业可供选择的比较多有数学系的专业是采用数学的方法分析解决金融、经管方面的问题。

毕业生能进行基础数学理论研究或教学、应用软件的设计与开发，就业主要是双向选择，自主择业。主要到科技、教育和经济部门从事研究、教学工作或在生产经营及管理部门从事实际应用、开发研究和管理工作。可在科研部门、政府部门、金融系统、高校、部队、计算机软件公司、通讯公司等企事业单位从事理论研究、计算机软件系统的开发、设计和维护等工作。

就业去向

1、政府、银行、保险公司从事精算有关的工作。

2、IT、地产、制药等行业从事与数学相关工作。

3、高等院校或科研院所从事教学或研究工作。

4、各教育培训机构从事数学相关教学或研发工作。

相关职位

数学教师，数学模型师，数学学科教辅图书编辑及编辑助理，数学研发工程师，数学编辑，数学证券投资模型程序设计，基础软件工程师，算法工程师，通信系统数学建模及理论分析研究员，数学学科编辑，奥数教师。

数学与应用数学专业考研方向3：学科教学(数学)

专业为专业硕士。专业硕士和学术学位处于同一层次，培养方向各有侧重。专业硕士主要面向经济社会产业部门专业需求，培养各行各业特定职业的专业人才，其目的重在知识、技术的应用能力。

本专业学生主要学习教育学、心理学、数学教学设计、数学课程教材分析、数学学习评价是、现代数学概论等其他课程。

数学与应用数学专业考研方向4：计算数学

专业介绍

计算数学（070102）是数学下设的一个二级学科。它主要研究有关的数学和逻辑问题怎样由计算机加以有效解决。计算数学的内容计算数学也叫做数值计算方法或数值分析。主要内容包括代数方程、线性代数方程组、微分方程的数值解法，函数的数值逼近问题，矩阵特征值的求法，最优化计算问题，概率统计计算问题等等，还包括解的存在性、唯一性、收敛性和误差分析等理论问题。

培养目标

本学科培养的硕士应是计算数学方面的高层次的专门人才，具有比较扎实宽广的数学基础，了解本学科目前的进展与动向，并在某一子学科上受到一定的科研训练，有较系统的专业知识，能熟练运用计算机进行数值算法的程序设计，初步具有独立进行理论研究的能力或与有关专业人员合作解决某些实际应用中的计算与软件研制问题的能力，在某个专业方向上做出有理论或实践意义的成果。

就业前景

随着科技事业的发展和普及，数学专业与其他专业的联系更加紧密，尤其是与计算机联系的紧密型，使得数学专业知识将会得到更广泛的应用，就业前景比较好。此专业的毕业生主要到学校、科研院所、金融行业、电信等部门从事数学研究与教育、图形图像及信号处理、自动控制、统计分析、信息管理、科学计算和计算机应用等工作。还可以自主创业，如开办与数学相关的辅导培训机构等。

相关职位

数学教师，数学模型师，数学学科教辅图书编辑及编辑助理，数学研发工程师，数学编辑，数学证券投资模型程序设计，基础软件工程师，通信系统数学建模及理论分析研究员，数学学科编辑，奥数教师。

6. 进阿里巴巴工作对学历有什么要求

阿里巴巴对于很多人而言是国内首屈一指的互联网公司，不仅是大神众多，福利待遇更是不错，对于不少找工作的人而言是一个好的地方，正所谓越好的公司入职要求就会越高。

想要进入阿里巴巴普通岗位要求本科以上学历，部分岗位甚至要求硕士以上学历，且毕业于985、211高等院校，如果你的学历低，都不需要人选，直接机器就刷下去了。低学历如果找朋友内推都很难有戏，由此可见学历真的是进入大公司的敲门砖啊！

最近在职场论坛上看到这样一个帖子：阿里巴巴员工自曝：大专学历进入阿里，不是自己优秀，因为肯加班。小编看到这里很惊讶，本身大专学历在一流的互联网公司真的是凤毛麟角，还直言自己不是优秀，仅仅是因为愿意加班。

互联网公司加班是家常日饭，但是也是极其注重效率的，不可能是廉价劳动力型的，光看网友的字面意思就是因为廉价加班所以才被录入啊！果不其然就有其他网友直接留言问他：你是怎么进入阿里巴巴工作的？本人回答：坚持不懈，不要脸。

这样简单的回答好多人没有看懂，于是另外的网友继续提问讲详细点，那个网友直接表示自己修了博士学位，看到这里小编瞬间就懂了，能从大专学历到博士学历，不花时间精修是做不到的，那个网友明显是花时间在努力提升学历，积攒工作经验。

这样肯付出时间去努力拼搏，然后在工作中遇到不足又愿意加班去提升自己，放在哪个公司都是受老板喜欢的。学历只是前期敲门砖，实力与能力才是在职场生存的重要因素。

学历低不要紧，放弃学习才是致命因素，之前我在抖音上面看到有小姐姐想去阿里巴巴，于是按照阿里巴巴的要求一项项的去提高自己的经验与能力，历时花费一年的时间。最后她真的成功收到了阿里的录取通知书。

大公司情节现在很多人都有的，如果有就去实现吧！没学历的尽量去补个学历，让自己更具有竞争力，也是为了有进入大公司的门槛和资格。不然就去集赞经历，有足够的能力也可以进入大公司的，不过光有能力在面试那一关会相对而言更苛刻，世上无难事只怕有心人！

7. 阿里巴巴运筹优化算法工程师工资多少

好羡慕你啊，工资不会低了

8. 进阿里巴巴工作对学历有什么要求

要求蛮高的。不过这个分情况。
1、如果你面试的是技术岗位，这个学历加工作经验，基本不可能。除非你业余做了很牛的事情，比如自己开发了个软件什么的；ps.阿里有外包工，转正的机会也有，不过机会很少。而且阿里最近在精简销售团队，原来负责卖诚信通的都转到其他岗位，所以机会更少了；
2、如果面试的是克服等非技术类工作，主要是个人的：1、价值观与阿里是不是相符。具体什么六脉神剑什么的价值观，去学习；2、个人的性格特点、工作经验等。3、学历不是决定因素，但是，确实是很重要的因素。阿里对外宣传的是，不拘一格降人才，但实际上即使是非211本科毕业的同学，比起211、985的同学，面试通过的成功率要低一些，或者要多经历一些考验步骤。
3、阿里非常注重新鲜血液，所以喜欢招收一些应届毕业生，因为他们肯干，思维没有固话。而社会招聘的人员非常少，大部分主要是靠猎头以及推荐。ps如果你觉得自己够强，网上发帖求助，让阿里内部的员工帮你推荐一下，成功的几率会高一些。
4、阿里也不是外面看的那么轻松。加班文化很浓。而且是自愿加班。不过，各种福利以及工作环境是不错

9. 交通运输专业考研的性价比如何

交通运输专业准备考研的学生来答

首先我觉得交通运输专业考研性价比较高

大学本科四年学的知识远远少于工作中需要的知识，所以在工作中也需要继续学习。当然也有同学选择继续深造，在专业领域获得更多的知识，知识水平更高。考研不只是使自己的能力提高，同时也是高薪工作的敲门砖。

这些学校专业的师资力量以及学校能给予你的锻炼平台也是考研的好处。考研是很值得的，一心坚持，难度因人而异，说句实在话，根据你自己的实力可达到的高度选择相应难度的学校，考研就会有高性价比。

希望回答能对你有帮助。

10. 如何快速成为数据分析师

接下来我们分别从每一个部分讲讲具体应该学什么、怎么学。

数据获取：公开数据、Python爬虫

如果接触的只是企业数据库里的数据，不需要要获取外部数据的，这个部分可以忽略。

外部数据的获取方式主要有以下两种。

第一种是获取外部的公开数据集，一些科研机构、企业、政府会开放一些数据，你需要到特定的网站去下载这些数据。这些数据集通常比较完善、质量相对较高。

另一种获取外部数据费的方式就是爬虫。

比如你可以通过爬虫获取招聘网站某一职位的招聘信息，爬取租房网站上某城市的租房信息，爬取豆瓣评分评分最高的电影列表，获取知乎点赞排行、网易云音乐评论排行列表。基于互联网爬取的数据，你可以对某个行业、某种人群进行分析。

在爬虫之前你需要先了解一些 Python 的基础知识：元素（列表、字典、元组等）、变量、循环、函数（链接的菜鸟教程非常好）……以及如何用成熟的 Python 库（urllib、BeautifulSoup、requests、scrapy）实现网页爬虫。如果是初学，建议从 urllib 和 BeautifulSoup 开始。（PS：后续的数据分析也需要 Python 的知识，以后遇到的问题也可以在这个教程查看）

网上的爬虫教程不要太多，爬虫上手推荐豆瓣的网页爬取，一方面是网页结构比较简单，二是豆瓣对爬虫相对比较友好。

掌握基础的爬虫之后，你还需要一些高级技巧，比如正则表达式、模拟用户登录、使用代理、设置爬取频率、使用cookie信息等等，来应对不同网站的反爬虫限制。

除此之外，常用的的电商网站、问答网站、点评网站、二手交易网站、婚恋网站、招聘网站的数据，都是很好的练手方式。这些网站可以获得很有分析意义的数据，最关键的是，有很多成熟的代码，可以参考。

数据存取：SQL语言

你可能有一个疑惑，为什么没有讲到Excel。在应对万以内的数据的时候，Excel对于一般的分析没有问题，一旦数据量大，就会力不从心，数据库就能够很好地解决这个问题。而且大多数的企业，都会以SQL的形式来存储数据，如果你是一个分析师，也需要懂得SQL的操作，能够查询、提取数据。

SQL作为最经典的数据库工具，为海量数据的存储与管理提供可能，并且使数据的提取的效率大大提升。你需要掌握以下技能：

提取特定情况下的数据：企业数据库里的数据一定是大而繁复的，你需要提取你需要的那一部分。比如你可以根据你的需要提取2018年所有的销售数据、提取今年销量最大的50件商品的数据、提取上海、广东地区用户的消费数据……，SQL可以通过简单的命令帮你完成这些工作。

数据库的增、删、查、改：这些是数据库最基本的操作，但只要用简单的命令就能够实现，所以你只需要记住命令就好。

数据的分组聚合、如何建立多个表之间的联系：这个部分是SQL的进阶操作，多个表之间的关联，在你处理多维度、多个数据集的时候非常有用，这也让你可以去处理更复杂的数据。

数据预处理：Python（pandas）

很多时候我们拿到的数据是不干净的，数据的重复、缺失、异常值等等，这时候就需要进行数据的清洗，把这些影响分析的数据处理好，才能获得更加精确地分析结果。

比如空气质量的数据，其中有很多天的数据由于设备的原因是没有监测到的，有一些数据是记录重复的，还有一些数据是设备故障时监测无效的。比如用户行为数据，有很多无效的操作对分析没有意义，就需要进行删除。

那么我们需要用相应的方法去处理，比如残缺数据，我们是直接去掉这条数据，还是用临近的值去补全，这些都是需要考虑的问题。

对于数据预处理，学会 pandas 的用法，应对一般的数据清洗就完全没问题了。需要掌握的知识点如下：

选择：数据访问（标签、特定值、布尔索引等）

缺失值处理：对缺失数据行进行删除或填充

重复值处理：重复值的判断与删除

空格和异常值处理：清楚不必要的空格和极端、异常数据

相关操作：描述性统计、Apply、直方图等

合并：符合各种逻辑关系的合并操作

分组：数据划分、分别执行函数、数据重组

Reshaping：快速生成数据透视表

概率论及统计学知识

数据整体分布是怎样的？什么是总体和样本？中位数、众数、均值、方差等基本的统计量如何应用？如果有时间维度的话随着时间的变化是怎样的？如何在不同的场景中做假设检验？数据分析方法大多源于统计学的概念，所以统计学的知识也是必不可少的。需要掌握的知识点如下：

基本统计量：均值、中位数、众数、百分位数、极值等

其他描述性统计量：偏度、方差、标准差、显著性等

其他统计知识：总体和样本、参数和统计量、ErrorBar

概率分布与假设检验：各种分布、假设检验流程

其他概率论知识：条件概率、贝叶斯等

有了统计学的基本知识，你就可以用这些统计量做基本的分析了。通过可视化的方式来描述数据的指标，其实可以得出很多结论了，比如排名前100的是哪些，平均水平是怎样的，近几年的变化趋势如何……

你可以使用python的包 Seaborn（python包）在做这些可视化的分析，你会轻松地画出各种可视化图形，并得出具有指导意义的结果。了解假设检验之后，可以对样本指标与假设的总体指标之间是否存在差别作出判断，已验证结果是否在可接受的范围。

python数据分析

如果你有一些了解的话，就知道目前市面上其实有很多 Python 数据分析的书籍，但每一本都很厚，学习阻力非常大。但其实真正最有用的那部分信息，只是这些书里很少的一部分。比如用 Python 实现不同案例的假设检验，其实你就可以对数据进行很好的验证。

比如掌握回归分析的方法，通过线性回归和逻辑回归，其实你就可以对大多数的数据进行回归分析，并得出相对精确地结论。比如DataCastle的训练竞赛“房价预测”和“职位预测”，都可以通过回归分析实现。这部分需要掌握的知识点如下：

回归分析：线性回归、逻辑回归

基本的分类算法：决策树、随机森林……

基本的聚类算法：k-means……

特征工程基础：如何用特征选择优化模型

调参方法：如何调节参数优化模型

Python 数据分析包：scipy、numpy、scikit-learn等

在数据分析的这个阶段，重点了解回归分析的方法，大多数的问题可以得以解决，利用描述性的统计分析和回归分析，你完全可以得到一个不错的分析结论。

当然，随着你实践量的增多，可能会遇到一些复杂的问题，你就可能需要去了解一些更高级的算法：分类、聚类，然后你会知道面对不同类型的问题的时候更适合用哪种算法模型，对于模型的优化，你需要去学习如何通过特征提取、参数调节来提升预测的精度。这就有点数据挖掘和机器学习的味道了，其实一个好的数据分析师，应该算是一个初级的数据挖掘工程师了。

系统实战

这个时候，你就已经具备了数据分析的基本能力了。但是还要根据不同的案例、不同的业务场景进行实战。能够独立完成分析任务，那么你就已经打败市面上大部分的数据分析师了。

如何进行实战呢？

上面提到的公开数据集，可以找一些自己感兴趣的方向的数据，尝试从不同的角度来分析，看看能够得到哪些有价值的结论。

另一个角度是，你可以从生活、工作中去发现一些可用于分析的问题，比如上面说到的电商、招聘、社交等平台等方向都有着很多可以挖掘的问题。

开始的时候，你可能考虑的问题不是很周全，但随着你经验的积累，慢慢就会找到分析的方向，有哪些一般分析的维度，比如top榜单、平均水平、区域分布、年龄分布、相关性分析、未来趋势预测等等。随着经验的增加，你会有一些自己对于数据的感觉，这就是我们通常说的数据思维了。

你也可以看看行业的分析报告，看看优秀的分析师看待问题的角度和分析问题的维度，其实这并不是一件困难的事情。

在掌握了初级的分析方法之后，也可以尝试做一些数据分析的竞赛，比如 DataCastle 为数据分析师专门定制的三个竞赛，提交答案即可获取评分和排名：

员工离职预测训练赛

美国King County房价预测训练赛

北京PM2.5浓度分析训练赛

种一棵树最好的时间是十年前，其次是现在。现在就去，找一个数据集开始吧！！