数据分析统计教程（数据分析第一期）

在IT互联网行业，想要成为一名优秀的数据分析师，必然需要扎实的统计学基础理论知识。我将通过以下四个方面为大家描述数据分析中的“统计学”。

统计学是通过对数据收集、整理、汇总及分析来达到对日常事物规律的了解以及预测和应用。统计学是一门应用学科，来源于数学和概率论数理统计，比这两个基础学科应用更广泛，在这个数据创造价值的社会，统计学正在大放光彩。更重要的是学会了解各种技术背后的基础理论知识，这一点非常重要。要从理解简单的方法开始，以便把握更复杂的方法。准确地评估一种方法的性能，了解它对数据产生的影响。掌握扎实的统计学基础是现代数据科学家的基本要素。

1.线性回归：线性回归是一种通过拟合自变量和因变量之间的最佳线性关系，来预测目标变量的方法。过程是给定一个数据集，用函数拟合这些点集，使拟合函数和这些点集误差最小。例如企业季度，月支出，消费数据拟合。

2.分类：分类是一种数据挖掘技术，它将类别分配给数据集合，帮助更准确的预测分析，适用于分析大型数据集的有效方法。例如体重，卡路里摄入量，脂肪摄入量和年龄等等参数对心脏病是否有影响。

3.降维：常用于解决数据维数灾难，通过计算变量的不同线性组合或者投影得到的。有助于提高数据分析理论模型准确度。

4.子集选择从p个预测变量中挑选出与响应变量相关的变量形成子集，在对缩减后的变量集合使用最小二乘法，解决问题的预测因子p中的子集。

5.聚类：聚类分析又称群分析，它是研究(样品或指标)分类问题的一种统计分析方法，常用于数据挖掘，模式识别。根据数据相识度特性进行归类，来发现数据特点。

首先要明确学习统计学需要学到什么程度。不同的程度对数学基础知识要求是不同。对于所有想学习统计学或者是希望使用统计学方法的IT人，应该有一个循序渐进的学习流程。

1. 微积分 线性代数基础数学课程学习。

2. 概率论与数理统计，矩阵分析，最优化理论等等基础课程 。

3.sql，excel，spss等统计数据分析学习工具及软件。

4.Python语言/R语言/matlab等等统计数据分析项目实战。

5.机器学习，数据分析，数据挖掘算法进阶。

6.深度学习，神经网络。

学习了1,2,3步后，可以做基本的数据分析师，或者业务数据分析。学习了4,5,6可以做高级数据分析师，数据挖掘工程师。

1.统计推断：置信区间、假设检验(t检验、z检验、卡方检验)。

2.几种检验方法的差异性及适用条线、p值的概念、检验样本选取、统计量等概念。

3.几种常用概率分布(二项分布、泊松分布、正态分布和指数分布等)。

4.大数定律、中心极限定理等。

5.概率与抽样 。

6.异常值检测、归一化标准化等。

7.常见统计分析模型：相关分析、回归分析、方差分析、因子分析等。

我是#IT人渝村阿泽#每天分享IT知识，求职。#微##号##微#。