增強型分析：AI驅動的數據分析、業務決策與案例實踐

#小曾曾讀書筆記#《增強型分析》，增強型分析，顧名思義，是在現有數據分析和數據建模手段基礎上，通過技術升級和技術結合，進一步提升分析的檔次和level，實現智能和自動地完成數據準備、數據預處理和數據分析、輸出決策的工作。在業務分析的四個層次，即描述性分析、診斷性分析、預測性分析和規範性分析過程中，都有增強型分析的影子和立足之地，當然，在預測性分析和規範性分析中，更考驗增強型分析的技術和業務應用。 描述性分析，即分析過去發生了什麼；診斷性分析，即分析過去發生這個事情的原因是什麼；預測性分析，即基於過去的步調，未來會發生什麼；規範性分析，未來應該採取的最優決策以及採取後的結果什麼。 目前大多數數據分析師都是停留在前兩個階段，而增強型分析更加着眼於後面兩個階段。這算是一個“新概念”，新到其實在一二十年前就已經有很多人在研究，並且至今有了長足的發展。數據分析任重道遠，學習之路慢慢，永遠不要停止行走。 最後也梳理下本書的一些關鍵點，有些技術細節較爲深刻，暫不做總結： 1、標準數據分析和數據建模四件套：（1）、大數據存儲與訪問（2）、數據分析流程的組件化、標準化改造（3）、提供大量的算法支持數據處理、模型構建（4）、將“模型洞見到業務決策”納入分析範圍 2、數據科學家敏捷性工作思路：積極主動地彙報分析思路、預期結果、進度等重要信息。時刻與業務人員以及管理人員保持溝通，對需求變化保持開放，將對模型的實際應用會有巨大的幫助。 3、數據探索可以有兩個層面的理解：一是僅利用一些工具，對數據的特徵進行查看；二是根據數據特徵，感知數據價值，以決定是否需要對別的字段進行探索，或者決定如何加工這些字段以發揮數據分析的價值。 4、數值類型：區間型數據（Interval）、分類型數據（Categorical）、序數型數據（Ordinal）（1）、連續型數據：重點關注缺失率，然後是均值、中位數等指標。偏斜度是另外一個非常重要的指標，但其絕對值接近1或大於1時，必須對其進行log轉換才能使用，否則該指標的價值將大打折扣。（2）、分類型數據：不平衡數據就是一個典型的與業務有關的例子。 5、在數據分析中會遵從一些規則來填補缺失值。如： 對於連續型變量，採用均值來代替缺失值；對於序數型分類型變量，採用中位數來代替缺失值；對於分類型變量，採用衆數來代替缺失值。 6、數據歸約（Data Reduction），在理解數據分析任務和數據本身內容的基礎上，尋找依賴於發現目標的數據的有用特徵，縮減數據規模，在儘可能保持數據原貌的前提下，精簡數據量。 7、梯度下降（Gradient Descent）是機器學習經常使用的一種在求得擬合函數參數時“最小化損失函數”的方法。其本質上就是求得使損失函數最少（對實際觀測值擬合效果最優）、能夠以最快的速度達到谷底過程。 8、文本分類是一個典型的機器學習的應用場景，人們利用文本分類技術進行情感分析（如正面情緒或負面情緒的判斷）、類別劃分（如微博上的發言屬於哪種類型）、人機對話（判斷用戶問題的類別）等不同的場景。

數據探索和序列規則序列預測寫得好，後面有點淺談。可能爲了篇幅吧。

對算法研發人員而言，此書毫無價值；對算法使用者而言，此書扯下了算法皇帝的新裝。 該書把很複雜的技術、看似高深的知識從實用角度、解決實際問題的角度講出來，就發現厚厚的知識轉化爲解決問題的能力可以壓縮的很薄。 多給一顆星，在書的內容之外

增強型分析是數據科學的未來，本書講解了如何通過前沿大數據技術和AI技術實現智能的數據分析和業務決策，即增強型分析本書的三位作者是來自德勒、前華爲和前IBM的資深數據科學家，在大數據和AI領域至少都有10年以上的工作經驗，他們將各自多年以來在“構建數據挖掘模型，解決實際業務問題”方面積累的經驗全部總結在了這本書中。

對於想要詳細瞭解的人來說，這本書內容太少。而且標榜中吸引眼球的prescriptive的分析完全沒有，只是一個現存方法的大雜燴。統計學專業的小夥伴可以把它作爲一個回憶性的綜述作品，其他的小夥伴可能只能把它作爲一件工具書。總體而言沒有太多閱讀的必要。

增強分析 augmented analytics的定義完全不是這樣子，這算是一本算法科普書。

很完整全面的數據分析的書，對於通用的建模、算法都有較完善的介紹。如果再多一些案例細節就更好了。