深度好文｜背下来，咨询互联网外资Offer随你挑

Offer帮官网：offerbang.io

2023年度行业标杆教育集团

▶非规范化是指以偏离典型规范化规则(1NF、2NF、3NF等)的方式修改数据库模式的过程。

▶非规范化通常用于提高数据库的性能，特别是当它被用于报告和分析目的时(而不是在联机事务处理(OLTP)管理器中)。

▶通过复制数据，反规范化可以减少检索数据所需的昂贵连接的数量，从而提高查询性能。然而，非规范化也会导致一些问题，例如增加数据冗余以及需要更复杂的更新和删除操作。

▶从标记的训练数据中推断函数的机器学习任务被称为监督学习。一组训练样例构成训练数据。支持向量机、回归、朴素贝叶斯、决策树、k近邻算法和神经网络都是算法的例子。例如，如果您构建了一个水果分类器，根据显示给分类器的苹果、橙子和香蕉的示例，标签将是“这是一个橙子，这是一个苹果，这是一个香蕉”。

▶无监督学习是一种机器学习算法，用于从包含未标记输入数据的数据集中得出结论。聚类、异常检测、神经网络和潜在变量模型都是算法的例子。例如，在同一个例子中，水果聚类将对“有很多酒窝和柔软皮肤的水果”、“有光泽的硬皮肤的水果”和“细长的黄色水果”进行分类。

我曾参与一个关于城市交通拥堵问题的统计项目。这个项目的主要目的是通过收集和分析交通数据，找出交通拥堵的原因，并为城市规划者提供改善建议。

▶在这个项目中，我主要负责数据分析和解读。一是利用统计软件对收集到的交通流量、事故发生率、道路状况等数据进行整理和处理。二运用描述性统计方法，计算出各个指标的平均值、标准差等，以初步了解数据的分布情况和特征。

▶为了进一步探究交通拥堵的原因，我使用了相关性分析和回归分析等统计方法。通过计算不同指标之间的相关系数，我发现交通流量和道路状况与交通拥堵程度存在显著相关性。

▶基于这些分析结果，我向城市规划者提出了针对性的改善建议，如优化道路布局、提升公共交通设施等。这些建议得到了积极的反馈，并被纳入到了城市改善计划中。通过这个项目，我深刻体会到了统计知识在解决实际问题中的重要作用。它不仅帮助我们更加科学地理解和分析数据，还能为决策提供有力的依据。

分析产品销售数据集时，我会首先关注与销售额可能相关的因素，如价格、促销活动、市场需求、竞争情况等。通过计算这些因素与销售额之间的相关性，可以初步判断它们对销售额的影响程度。接下来利用统计模型（如回归分析）来进一步量化这些因素的影响，并确定哪些因素是显著的。最后结合业务实际情况，对分析结果进行解释和讨论，提出针对性的建议来改善销售额。

在之前的一个市场调研项目中，我使用了 R语言进行数据分析。这个项目主要是对客户反馈数据进行情感分析，以了解客户对我们产品的满意度和改进建议。

选择R语言的原因主要有两方面：一是 R语言具有强大的数据处理和统计分析能力，尤其是它的文本挖掘和机器学习包，非常适合进行数据分析；二是R语言是开源免费的，有着丰富的社区资源和活跃的开发者群体。

▶先通过计算变量间的相关系数和方差膨胀因子 （VIF）来诊断共线性程度。

▶如果共线性确实严重，我会考虑以下几种解决方法：删除与共线性高度相关的变量中的某些变量，以消除冗余信息；使用主成分分析或岭回归等技术来降低数据维度并处理共线性；对模型进行变换，如对数变换，以减轻共线性的影响。在选择具体方法时，我会根据问题的实际情况、数据的特点和分析需求进行综合评估。

如果有一个新的算法，需要测试它是否更好，我们会使用两个假设，一个零假设，一个检验假设。零假设会说新算法没有更好的表现，而检验假设会说它确实表现得更好。在这种情况下，p值将为我们提供在新算法没有更好的情况下获得相同结果的可能性的度量。如果p值小于0.05，则拒绝此零假设。

在右倾斜的分布中，大多数房屋的价格处于较低的一端，很少有房屋的价格很高。这种偏性会影响大多数预测模型的性能，因为它们通常假设数据正态分布。为了解决这个问题，我将对房价进行对数变换以使分布正常化。

除了我自己的诚信之外，我还有一些工具可以帮助我保持责任心。我喜欢使用日历应用程序和项目管理工具（如Asana）来跟踪我的可交付成果并确保跟踪我的截止日期。我提前留出时间完成每项任务，如果遇到极端情况需要更多时间，我会与上司和同事沟通。我还确保在项目截止日期之前提前安排与利益相关者或团队成员的会议，以确保我们在项目的同一页面上。

▶主要依据变量的相关性、理论和实际意义来选择。

▶通过计算各变量与目标变量的相关系数，初步筛选出与目标变量显著相关的变量。结合领域知识和实践经验，评估这些变量在理论上是否对目标变量有影响，以及这种影响是否符合实际情境。最后，可能还需要考虑变量之间的多重共线性问题，避免引入高度相关的变量导致模型不稳定。

名企导师天团，深度互动答疑

工业级实战项目，核心必备知识