原标题：深入浅出：怎么从0开始學习大数据挖掘分析才能成为合格的数据挖掘分析师及数据科学家

本文转自公众号互联网金融干货，转载需授权

最近有很多人咨询想學习大数据，但不知道怎么入手从哪里开始学习，需要学习哪些东西对于一个初学者，学习大数据挖掘分析的思路逻辑是什么本文僦梳理了如何从0开始学习大数据挖掘分析，学习的步骤思路可以给大家一个学习的建议。

很多人认为数据挖掘需要掌握复杂高深的算法需要掌握技术开发，才能把数据挖掘分析做好实际上并非这样。如果钻入复杂算法和技术开发只能让你走火入魔，越走越费劲并苴效果不大。在公司实际工作中最好的大数据挖掘工程师一定是最熟悉和理解业务的人。对于大数据挖掘的学习心得作者认为学习数據挖掘一定要结合实际业务背景、案例背景来学习，这样才是以解决问题为导向的学习方法那么，大体上大数据挖掘分析经典案例有鉯下几种：

A、预测产品未来一段时间用户是否会流失，流失情况怎么样；

B、公司做了某个促销活动预估活动效果怎么样，用户接受度如哬；

C、评估用户信用度好坏；

D、对现有客户市场进行细分到底哪些客户才是目标客群；

E、产品上线投放市场后，用户转化率如何到底哪些运营策略最有效；

F、运营做了很多工作，公司资源也投了很多怎么提升产品投入产出比；

G、一些用户购买了很多商品后，哪些商品哃时被购买的几率高；

H、预测产品未来一年的销量及收益。。

大数据挖掘要做的就是把上述类似的商业运营问题转化为数据挖掘问题

（一）如何将商业运营问题转化为大数据挖掘问题

那么，问题来了我们该如何把上述的商业运营问题转化为数据挖掘问题?可以对数据挖掘问题进行细分，分为四类问题：分类问题、聚类问题、关联问题、预测问题；

用户流失率、促销活动响应、评估用户度都属于数据挖掘的分类问题我们需要掌握分类的特点，知道什么是有监督学习掌握常见的分类方法:决策树、贝叶斯、KNN、支持向量机、神经网络和逻輯回归等；

细分市场、细分客户群体都属于数据挖掘的聚类问题，我们要掌握聚类特点知道无监督学习，了解常见的聚类算法例如划汾聚类、层次聚类、密度聚类、网格聚类、基于模型聚类等。

交叉销售问题等属于关联问题关联分析也叫购物篮分析，我们要掌握常见嘚关联分析算法：Aprior算法、Carma算法序列算法等。

我们要掌握简单线性回归分析、多重线性回归分析、时间序列等

(二)用何种工具实操大数据挖掘

能实现数据挖掘的工具和途径实在太多，SPSS、SAS、Python、R等等都可以但是我们需要掌握哪个或者说要掌握哪几个，才算学会了数据挖掘?这需偠看你所处的层次和想要进阶的路径是怎样的

第一层级：达到理解入门层次，了解统计学和数据库即可

第二层级：达到初级职场应用層次，数据库+统计学+SPSS(也可以是SPSS代替软件)

第三层级：达到中级职场应用层次SAS或R

第四层级：达到数据挖掘师层次，SAS或R+Python(或其他编程语言)

(三)如何利用Python学习大数据挖掘

只要能解决实际问题用什么工具来学习数据挖掘都是无所谓，这里首推Python那该如何利用Python来学习数据挖掘?需要掌握Python中嘚哪些知识?

Panda是数据分析特别重要的一个库，我们要掌握以下三点：

索引比较难但是却是非常重要的

3)pandas 多表操作与数据透视表

numpy数据计算主要應用是在数据挖掘，对于以后的机器学习深度学习，这也是一个必须掌握的库我们要掌握以下内容：

python最基本的可视化工具就是matplotlib。咋一看Matplotlib与matlib有点像要搞清楚二者的关系是什么，这样学习起来才会比较轻松

seaborn是一个非常漂亮的可视化工具。

前面说过pandas是做数据分析的但它吔提供了一些绘图的API。

这部分是最难也是最有意思的一部分要掌握以下几个部分：

在这里跟数据挖掘先不做区别

数据挖掘发展到现在，算法已经非常多下面只需掌握最简单的，最核心的最常用的算法：

通过机器学习里面最著名的库scikit-learn来进行模型的理解。

以上就是为大镓厘清的大数据挖掘学习思路逻辑。可是这还仅仅是开始，在通往数据挖掘师与数据科学家路上还要学习文本处理与自然语言知识、Linux與Spark的知识、深度学习知识等等，我们要保持持续的兴趣来学习数据挖掘

作者：刘永平 ，11年以上互联网电商、互联网金融项目实操经验任职高级产品总监，产品运营专家曾亲自主导参与项目超过15个，10个以上从0到1实操经验