数据分析指南

破窗理论（Broken Windows Theory）：在一个特定的环境中，如果有一个问题不被重视都会影响人们对这个环境的态度，并导致更多的问题。例如：城市花坛里如果有人第一个吐痰或扔了垃圾，那么就会垃圾成堆。（但是你又不能强制要求别人不得随意吐痰，那是道德绑架，等待别人的觉醒，或者封闭花坛

通常，逻辑思维用于直接、直接地解决问题（也称为垂直思维）。然而，横向思维（Lateral Thinking）是从侧面的角度（也称为水平思维）看待事物，以便找到不是立即显而易见的答案。 该术语于 1967 年由马耳他心理学家爱德华德博诺在他的著作《横

相关性并不意味着因果关系（Correlation Does Not Imply Causation）：描述了不能仅仅根据观察到的两个变量之间的关联或相关性来合法地推断它们之间的因果关系。 两个事件相继发生，并不意味着第一个事件导致了第二个事件。</

使用PyMC 和贝叶斯统计作为机器学习的替代方案。 在我最近的一个项目中，我们面临着数据非常有限的预测问题。每组数据都需要花费专家数小时来编制，结果并不总是成功的。因此，我们正在寻找一种工具来满足这些要求，因为人工智能无法通过有限数量的原始数据进行

萨伊尔定律（又名塞尔定律：Sayre's Law）：在任何争端中，感情的强度与所涉及的问题的价值成反比。这个概念解释了乌合之众为何总是会关注错误的事情。 与家人一起在城里度假，您可能会发现讨论有时会转向市场和政治，可是由今似乎更难找到共同点

聚类错觉（Clustering Illusion）是指行为金融学中的一种认知偏差，在这种偏差中，投资者观察到的模式实际上是随机事件。换句话说，聚类错觉偏差是由于看到随机事件的趋势而产生的偏差，这些随机事件发生在实际上是随机事件的聚类中。 它说明了人

我们探讨了数据建模在数据工程中的重要性、数据建模的历史以及数据日益复杂的情况。我们还谈到了理解数据格局的重要性、其挑战以及业务需求在推动成功的数据项目中的关键作用。 坚实的数据建模基础可帮助组织创建高效、可扩展且灵活的数据架构，以满足各种分析和处理

不确认偏见，也称为失证偏差或认知失调（Disconfirmation Bias）：不加批判地只接受那些支持自己信念的证据与信息，而积极地反驳那些挑战自己信念的其他证据。当证据或外部信息使我们高兴时就不加批判地接受，而这些证据信息让我们不快时则拒绝接受。我们巧妙地使天平倾向于我

谷歌创始人拉里佩奇和谢尔盖布林需要一种算法来对页面进行排名并为用户提供最佳搜索结果：PageRank算法。

数据库视图只是伪装成表的查询。数据表主要记录数据。视图产生从该数据派生的信息。 下面是几个用途:1、抽象也许您必须连接来自数十个不同表的数据才能获得特定类型报告所需的所有数据。因此，您可以通

当前人们正在将生成式人工智能应用于医疗服务，但是却犯了一个巨大的错误 ：GPT3不会取代你的医生，而它将改变医疗保健的运行方式。 医疗保健领域的技术存在巨大的信任问题： 技术的每一次“代际转移”都导致了巨大的期望，以及医疗保健领域更大的失败。 从I

十多年来，人们很难从他们的数据中获得可操作的洞察力，这一事实被归咎于其规模。诊断结果是 "你的数据对你那微不足道的系统来说太大了"，而治疗方法是购买一些能够处理大规模的新的花哨的技术。当然，在大数据工作组购买了所有新的工具并从遗留系统迁移之后，人们发现他们仍然难以理解他们的数据。 <

在不久的将来，越来越多的产品将开始将数据直接集成到最终用户体验中。我们将通过个性化系统、应用机器学习或直接向最终用户显示聚合数据来看到这一点。因此，产品和工程团队需要将数据的细微差别融入到他们构建产品的方式中。 几乎每个产品都是数据产品，因为它会检

时间序列预测是机器学习历史最悠久的应用之一，也是整个行业使用最普遍的技术之一（如果不是最普遍的话）。然而，在最近的 ML 热潮中，预测有些落伍了。 时间序列预测正在成为一门失传的艺术。 它是美国零售业50亿美元背后的引擎。 然而，研究进展缓慢，交易

这场灾难有可能是由Byrne Hobart的时事通讯自媒体引起的蝴蝶效应： 1）Byrne Hobart发表一篇文章/推特，揭露硅谷银行SVB的风险。 2）几乎所有VC都会阅读这篇通讯 3) 他们都开始非常、非常密切地关注SVB的盈利情况 4) SVB

以下 5 个步骤整合到您的工作流程中，以开始使用更好的分析工具： 第0步：用数据赋予你的工程师权力。有一个关键的第0步，没有这一步，无论你的整体流程有多好，你的检测都不会达到标准。