数据分析 - 版本历史

13944556914：13944556914移动页面数据分析 Data analysis至数据分析覆盖重定向

2024-06-03T08:29:52Z

13944556914移动页面数据分析 Data analysis至数据分析覆盖重定向

2024年6月3日 (一) 08:29 13944556914

2024-06-03T08:29:33Z

薄荷：/* 编者推荐 */

2020-12-27T15:53:50Z

编者推荐

薄荷：薄荷移动页面数据分析至数据分析 Data analysis覆盖重定向

2020-11-01T02:46:03Z

薄荷移动页面数据分析至数据分析 Data analysis覆盖重定向

2020年11月1日 (日) 02:45 薄荷

2020-11-01T02:45:28Z

2020年11月1日 (日) 02:44 薄荷

2020-11-01T02:44:51Z

薄荷：/* 其他主题 */

2020-11-01T02:43:59Z

其他主题

薄荷：/* 其他主题 */

2020-11-01T02:42:25Z

其他主题

薄荷：/* 教育 */

2020-11-01T02:42:09Z

教育

薄荷：/* 数据用户的分析活动 */

2020-11-01T02:41:02Z

数据用户的分析活动

@@ 第3行： / 第3行： @@
 |description=人工生命, Data analysis,数据挖掘
 }}
-'''数据分析 Data analysis'''是一个对数据进行'''检查'''、'''清洗'''、'''转换'''和'''建模'''的过程，其目的是收集有用的信息并得出结论，为决策作出信息支撑。数据分析涉及个方面并且有多种方法，涵盖了不同名称的技术，被用于商业、自然科学和社会科学等不同领域。在当今的商业世界，数据分析在帮助人们更科学地做出的决策和帮助企业更有效地运营方面发挥着重要作用。<ref>Xia, B. S., & Gong, P. (2015). Review of business intelligence through data analysis. ''Benchmarking'', ''21''(2), 300-311. doi:10.1108/BIJ-08-2012-0050</ref>
+'''数据分析 （Data analysis）'''是一个对数据进行'''检查'''、'''清洗'''、'''转换'''和'''建模'''的过程，其目的是收集有用的信息并得出结论，为决策作出信息支撑。数据分析涉及个方面并且有多种方法，涵盖了不同名称的技术，被用于商业、自然科学和社会科学等不同领域。在当今的商业世界，数据分析在帮助人们更科学地做出的决策和帮助企业更有效地运营方面发挥着重要作用。<ref>Xia, B. S., & Gong, P. (2015). Review of business intelligence through data analysis. ''Benchmarking'', ''21''(2), 300-311. doi:10.1108/BIJ-08-2012-0050</ref>

@@ 第599行： / 第599行： @@
 ==编者推荐==
-* '''[https://campus.swarma.org/course/272 数据科学心法与机器学习实战]''' 本课程是由具有 16 年数据科学工作经验的尹相志老师亲自教授的，以数据科学方法论与机器学习理论实践为主要内容的课程。从“数据科学的方法论”入手，向大家介绍数据科学的概念及技巧，同时凭借多年数据科学工作积累下的经验，给学员指出在数据科学任务中最易容遇到的错误。待学员逐渐熟悉数据科学的基本原理后，引出分类问题、推估问题、相似性问题这三种机器学习中最常见问题的解决方案，每个问题都配以实验案例来讲解。最后再以三个实际案例，“运营商通过数据设定留存客户的方法”、“基于大数据和深度学习的金融评级策略”、“产品内容推荐系统”，将数据科学的方法论与机器学习解决方案应用于实战。这三个案例涵盖了当前数据科学中最常见的应用场景，每个案例中都充满了主讲老师多年积累下的丰富经验与独创的技巧。
+====[https://campus.swarma.org/course/1133 讲给文科生的 R 语言]====
-* '''[https://campus.swarma.org/course/1133 讲给文科生的 R 语言]''' 本课程的主要目标是介绍R语言的基本操作，帮助上课的同学了解并掌握数据清理、数据可视化、统计分析以及文学式编程的初步技能。学完本课程，你就可以通过一个简单的项目入手，从问题理解、数据清洗、数据分析、数据可视化、数据展示等流程，完整的实现一个项目。
+====[https://campus.swarma.org/course/1156 数据分析2020]====

←上一版本		2020年11月1日 (日) 02:45的版本
第6行：		第6行：


−	[[数据挖掘]] Data mining是一种特殊的数据分析技术，侧重于统计建模和探索未来知识前景（而不仅仅是的描述行为目的）。同时，现代智能商业严重依赖于聚合的数据分析，尤其是在商业信息方面。<ref>[https://web.archive.org/web/20171018181046/https://spotlessdata.com/blog/exploring-data-analysis Exploring Data Analysis]</ref> 在统计应用中，数据分析可以分为'''描述性统计学 descriptive statistics'''、'''探索性数据分析 exploratory data ~~analysis (EDA)~~'''和'''实证性数据分析 confirmatory data ~~analysis (CDA)~~'''。EDA 侧重于发现数据中的新特征，而 CDA 侧重于确认或证伪现有的假设。'''预测分析 Predictive analytics'''的重点是应用统计模型进行预测或分类，而'''文本分析 text analytics'''则应用统计学、语言学和结构化技术从文本源中提取和分类信息（文本是一种'''非结构化数据'''）。以上就是各种各样的数据分析。	+	[[数据挖掘]] Data mining是一种特殊的数据分析技术，侧重于统计建模和探索未来知识前景（而不仅仅是的描述行为目的）。同时，现代智能商业严重依赖于聚合的数据分析，尤其是在商业信息方面。<ref>[https://web.archive.org/web/20171018181046/https://spotlessdata.com/blog/exploring-data-analysis Exploring Data Analysis]</ref> 在统计应用中，数据分析可以分为'''描述性统计学 descriptive statistics'''、'''探索性数据分析 exploratory data analysis（EDA）'''和'''实证性数据分析 confirmatory data analysis（CDA）'''。EDA 侧重于发现数据中的新特征，而 CDA 侧重于确认或证伪现有的假设。'''预测分析 Predictive analytics'''的重点是应用统计模型进行预测或分类，而'''文本分析 text analytics'''则应用统计学、语言学和结构化技术从文本源中提取和分类信息（文本是一种'''非结构化数据'''）。以上就是各种各样的数据分析。

←上一版本		2020年11月1日 (日) 02:44的版本
第6行：		第6行：


−	[[数据挖掘 ~~Data mining~~]]是一种特殊的数据分析技术，侧重于统计建模和探索未来知识前景（而不仅仅是的描述行为目的）。同时，现代智能商业严重依赖于聚合的数据分析，尤其是在商业信息方面。<ref>[https://web.archive.org/web/20171018181046/https://spotlessdata.com/blog/exploring-data-analysis Exploring Data Analysis]</ref> 在统计应用中，数据分析可以分为'''描述性统计学 descriptive statistics'''、'''探索性数据分析 exploratory data analysis (EDA)'''和'''实证性数据分析 confirmatory data analysis (CDA)'''。EDA 侧重于发现数据中的新特征，而 CDA 侧重于确认或证伪现有的假设。'''预测分析 Predictive analytics'''的重点是应用统计模型进行预测或分类，而'''文本分析 text analytics'''则应用统计学、语言学和结构化技术从文本源中提取和分类信息（文本是一种'''非结构化数据'''）。以上就是各种各样的数据分析。	+	[[数据挖掘]] Data mining是一种特殊的数据分析技术，侧重于统计建模和探索未来知识前景（而不仅仅是的描述行为目的）。同时，现代智能商业严重依赖于聚合的数据分析，尤其是在商业信息方面。<ref>[https://web.archive.org/web/20171018181046/https://spotlessdata.com/blog/exploring-data-analysis Exploring Data Analysis]</ref> 在统计应用中，数据分析可以分为'''描述性统计学 descriptive statistics'''、'''探索性数据分析 exploratory data analysis (EDA)'''和'''实证性数据分析 confirmatory data analysis (CDA)'''。EDA 侧重于发现数据中的新特征，而 CDA 侧重于确认或证伪现有的假设。'''预测分析 Predictive analytics'''的重点是应用统计模型进行预测或分类，而'''文本分析 text analytics'''则应用统计学、语言学和结构化技术从文本源中提取和分类信息（文本是一种'''非结构化数据'''）。以上就是各种各样的数据分析。

@@ 第293行： / 第293行： @@
 ===教育===
-[[File:User-activities.png|Analytic activities of data visualization users|thumb|right|350px]]
+[[File:User-activities.png|数据可视化用户的分析活动|thumb|right|350px]]
 在教育方面，大多数教育工作者都可以使用数据系统来分析学生的数据。<ref>Aarons, D. (2009). [https://search.proquest.com/docview/202710770 Report finds states on course to build pupil-data systems.] ''Education Week, 29''(13), 6.</ref> 这些数据系统以'''场外交易数据格式 over-the-counter data format'''（嵌入标签、补充文件和帮助系统，并作出关键的包装 / 展示和内容决策）向教育工作者提供数据以提高其数据分析的准确性。<ref>Rankin, J. (2013, March 28). [https://sas.elluminate.com/site/external/recording/playback/link/table/dropin?sid=2008350&suid=D.4DF60C7117D5A77FE3AED546909ED2 How data Systems & reports can either fight or propagate the data analysis error epidemic, and how educator leaders can help.] ''Presentation conducted from Technology Information Center for Administrative Leadership (TICAL) School Leadership Summit.''</ref>

←上一版本	2024年6月3日 (一) 08:29的版本
（没有差异）

←上一版本	2020年11月1日 (日) 02:46的版本
（没有差异）

←上一版本		2020年11月1日 (日) 02:42的版本
第290行：		第290行：
	分析是“广泛使用数据、统计和定量分析、解释和预测模型，以及基于事实的管理来驱动决策和行动。”它是商业智能的一个子集，而商业智能是一组使用数据来理解和分析商业表现的技术和流程。<ref name="Competing on Analytics 2007">{{cite book\| last = Davenport, Thomas and\| first = Harris, Jeanne\| year = 2007\| title = Competing on Analytics \| publisher = O'Reilly}}</ref>		分析是“广泛使用数据、统计和定量分析、解释和预测模型，以及基于事实的管理来驱动决策和行动。”它是商业智能的一个子集，而商业智能是一组使用数据来理解和分析商业表现的技术和流程。<ref name="Competing on Analytics 2007">{{cite book\| last = Davenport, Thomas and\| first = Harris, Jeanne\| year = 2007\| title = Competing on Analytics \| publisher = O'Reilly}}</ref>

		+	<br>
	===教育===		===教育===

@@ 第294行： / 第294行： @@
 [[File:User-activities.png|Analytic activities of data visualization users|thumb|right|350px]]
-在教育方面，大多数教育工作者都可以使用数据系统来分析学生的数据。<ref>Aarons, D. (2009). [https://search.proquest.com/docview/202710770 Report finds states on course to build pupil-data systems.] ''Education Week, 29''(13), 6.</ref> 这些数据系统以'''场外交易数据格式over-the-counter data format'''（嵌入标签、补充文件和帮助系统，并作出关键的包装 / 展示和内容决策）向教育工作者提供数据以提高其数据分析的准确性。<ref>Rankin, J. (2013, March 28). [https://sas.elluminate.com/site/external/recording/playback/link/table/dropin?sid=2008350&suid=D.4DF60C7117D5A77FE3AED546909ED2 How data Systems & reports can either fight or propagate the data analysis error epidemic, and how educator leaders can help.] ''Presentation conducted from Technology Information Center for Administrative Leadership (TICAL) School Leadership Summit.''</ref>
+在教育方面，大多数教育工作者都可以使用数据系统来分析学生的数据。<ref>Aarons, D. (2009). [https://search.proquest.com/docview/202710770 Report finds states on course to build pupil-data systems.] ''Education Week, 29''(13), 6.</ref> 这些数据系统以'''场外交易数据格式 over-the-counter data format'''（嵌入标签、补充文件和帮助系统，并作出关键的包装 / 展示和内容决策）向教育工作者提供数据以提高其数据分析的准确性。<ref>Rankin, J. (2013, March 28). [https://sas.elluminate.com/site/external/recording/playback/link/table/dropin?sid=2008350&suid=D.4DF60C7117D5A77FE3AED546909ED2 How data Systems & reports can either fight or propagate the data analysis error epidemic, and how educator leaders can help.] ''Presentation conducted from Technology Information Center for Administrative Leadership (TICAL) School Leadership Summit.''</ref>
 <br>
 ==从业者注意事项==

@@ 第159行： / 第159行： @@
 |  给定属性值的一些具体条件，找出满足这些条件的数据案例。
 |哪些数据案例满足条件{A, B, C... } ？
-| “什么家乐氏麦片含有高纤维？（注：Kellogg‘s （家乐氏） 公司为全球知名谷物早餐和零食制造商。）”
+| “家乐氏的哪种麦片含有高纤维？（注：Kellogg's （家乐氏） 公司为全球知名谷物早餐和零食制造商。）”
 “哪些喜剧获了奖？”