ComputerScience

1. 增量学习的概念

1.1 什么是增量学习

人类有终身不断获取、调整和转移知识的能力，虽然在我们的一生中，我们确实倾向于逐渐忘记之前学习过的知识，但只有在极少的情况下，对新知识的学习会灾难性地影响已经学到的知识，这样的学习能力被称为增量学习的能力。

具体来讲，「增量学习的能力就是能够不断地处理现实世界中连续的信息流，在吸收新知识的同时保留甚至整合、优化旧知识的能力。」

一、特征选择和特征提取

1

特征选择（feature selection）和特征提取（Feature extraction）都属于降维（Dimension reduction）

这两者达到的效果是一样的，就是试图去减少特征数据集中的属性(或者称为特征)的数目；但是两者所采用的方式方法却不同。

1
2

特征提取的方法主要是通过属性间的关系，如组合不同的属性得到新的属性，这样就改变了原来的特征空间。
特征选择的方法是从原始特征数据集中选择出子集，是一种包含的关系，没有更改原始的特征空间。

今天和大家聊一个老生常谈的话题，如何设计DWS层？

对于数仓的分层，想必大家都不陌生。基于OneData方法论的三层数仓划分：

数据引入层（ODS，Operational Data Store）、数据公共层（CDM，Common Dimenions Model）和数据应用层（ADS，Application Data Store）早就深入人心。

当然啦，涉及到每一层具体该怎么开发、建模，可能大家都有自己的理解。

一

小A是一家大型互联网公司的数据分析师。

这是一个近年来非常高光的岗位，当年小A为了进入大厂做数据分析，花费了巨大的心血。他也非常珍惜这个机会。

在大厂中，想要更好地发展，唯一的途径就是晋升。

产品是公司销售活动中重要的维度之一，那你了解公司产品布局吗？公司的哪些产品是盈利的？哪些产品的占有率高？别总是一提到产品分析就开始头疼，不知道该从何下手；一面对海量产品数据，挠破头也想不出体现数据价值的办法。

今天给大家分享一个数据分析模型—-波士顿矩阵。

波士顿矩阵(BCG Matrix)，又叫做市场增长率-相对市场份额矩阵、四象限分析法、产品系列结构管理法等，是波士顿公司首创的一种用来分析和规划企业产品组合的方法。

与其说AAARR是用户生命周期模型，我更愿意称之为用户层次模型。

AARRR到底是什么模型？

• 有人说是用户生命周期管理
• 也有人说是产品运营周期管理

那到底哪一个是对的，好像也分辨不出来。

案例：例如网易新闻APP日活突然下降5%，需要尽快排查一下数据下跌的原因。

这是一道经典的数据分析师面试题，考察的重点不在于从哪些指标去分析，而是面对这样的问题时的分析框架与逻辑思维，这是一个优秀的数据分析师必须具备的能力。

针对数据异常类问题，可参考如下分析框架：

不懂沟通，人生处处不轻松

1、最能打动人心的，是差异化的东西。

2、把你的事情变成大家共同的事情，让他成为你的工作伙伴（让对方知道，他为什么要帮你，他帮你能获得什么）。

考虑下，让你的事情，是不是能给对方带来什么信息增量，或者是为对方带去什么价值，是最能打动他们的。

概述

随着大数据时代的带来，数据的应用也日趋繁茂，越来越多的应用和服务都基于数据而建立，数据的重要性不言而喻。而且，数据质量是数据分析和数据挖掘结论有效性和准确性的基础，也是这一切的数据驱动决策的前提！如何保障数据质量，确保数据可用性是每一位数据人都不可忽略的重要环节。

数据质量，主要从四个方面进行评估，即完整性、准确性、一致性和及时性，本文将会结合业务流程和数据处理流程，对这个四个方面进行详细的分析和讲解。

数据，最终是要服务于业务价值的，因此，本文不会单纯讲解理论，而是会从数据质量监控这一数据的应用为出发点，为大家分享居士对数据质量的思考。通过本文，你将获得如下几方面的知识点：

为什么要数据建模

为什么要数据建模？

这是一个互联网的时代，也是大数据的时代，数据的价值不言而喻。虽然大家都知道数据很重要，但如果数据不能得到很好应用，那么数据就没有价值，数据建模就是为了能够将数据的价值更好的挖掘出来 ，所进行的一系列工作。

数据建模本身是一种组织、分析、存储、应用数据的方法论，尽然是一种方法论，那么就有衡量好坏的标准：性能、成本、效率、质量。因此，数据建模的工作，就是围绕这四个指标做出最优解而进行的努力。