这些常见的数据分析项目，能帮你找到数据分析师的工作

你可能在网上读过很多MOOC和参考书，但你可能仍然担心找不到工作或根本找不到工作。在数据科学领域很难找到合适的工作。向人力资源部展示你能力的最好方法是准备一个文件夹。将以下五种数据科学项目放入文件夹中。

一、这些常见的数据分析项目——数据清理

一般来说，数据科学家预计将在新项目中花费80%的时间清理数据。这是一个漫长而痛苦的过程。如果你能展示你在清理数据方面的丰富经验，你将变得非常有价值。您可以通过寻找一些无序的数据集练习来清理数据，从而增加您的经验。

如果您使用python，pandas是一个不错的包;如果您使用R，dplyr包将是一个不错的选择。确保你展示了以下技能：

注释关键数据

连接多个数据集

检测丢失的数据

检测异常值

填写缺失数据

确认数据质量

二、这些常见的数据分析项目——探索性数据分析

数据科学的另一个重要方面是探索性数据分析(EDA)。这就是提问的过程。你需要使用可视化技术来研究这个数据集。EDA使分析人员能够从驱动业务决策的数据中得出结论。也许你可以从客户数据、销售趋势、季节性图像中得出有趣的结论。有时你甚至可以有完全不同于你最初的想法的发现。

一些用于探索性分析的有用Python包是pandas和Matplotlib。对于R用户，ggplot2包将非常有用。EDA项目应展示以下技能：

一些用于探索性分析的有用Python包是pandas和Matplotlib。对于R用户，ggplot2包将非常有用。EDA项目应展示以下技能：

开发相关调查问题的能力

确定趋势

确定变量之间的相关性

使用可视化技术(散点、直方图、方框线等)有效地传达结果

三、这些常见的数据分析项目——交互式数据可视化

交互式数据可视化包括仪表板等工具。这些工具对于数据科学团队和更多面向业务的最终用户非常有用。仪表板允许数据科学团队协作并共同绘制见解。更重要的是，它们为面向业务的客户提供了一个交互式工具。这些人关注的是战略目标，而不是技术细节。通常，数据科学项目的可交付成果将以仪表板的形式出现。

对于Python用户，bokeh和plot库非常适合创建仪表板。对于R用户，一定要检查rstudio的闪亮包。仪表板项目应强调以下关键技能：

包括与客户需求相关的指标

创建有用的功能

逻辑布局(f模式扫描)

创建最佳刷新率

生成报告或其他自动化

四、这些常见的数据分析项目——机器学习

机器学习项目是数据科学组合的另一个重要组成部分。在开始构建一些深入学习的项目之前，退后一步。我们不是在谈论建立一个复杂的机器学习模型，而是坚持基础。线性回归和逻辑回归是良好的开端。这些模型更容易解释，也更容易与高层管理人员沟通。我还建议将重点放在对业务有影响的项目上，例如预测客户流失、欺诈检测或贷款违约。这比模式预测更接近实际工作。

如果您是Python用户，请使用scikit学习库。对于R用户，使用插入符号包。您的机器学习计划应传达以下技能：

为什么选择使用特定的机器学习模型

将数据分成训练/测试集(KX交叉验证)以避免过度拟合

选择正确的评估指标(AUC、adj-r^2、混淆矩阵等)

特征值的选择

超参数调整

五、这些常见的数据分析项目——沟通技巧

通信是数据科学的一个重要方面。好的数据科学家和好的科学家之间的区别在于结果是否能有效地传达。不管你的模型有多花哨，如果你不能向你的队友或顾客解释，你就得不到他们的支持。幻灯片和笔记本电脑是很好的交流工具。试着把你的一个机器学习项目做成幻灯片的形式。对于需要通信的项目，也可以使用jupyter笔记本或rmarkdown文件。

确保你知道你的目标受众是谁。向主管展示项目与向机器学习老师展示项目有很大不同。一定要掌握这些技能：

了解你的目标受众

使用相关可视化技术

不要提供太多幻灯片

确保你的演讲顺利

将结果与业务影响结合起来(降低成本，增加收入)

确保您的项目记录在jupyter笔记本或rmarkdown文件中。然后可以使用GitHub页面免费将这些文件转换为静态站点。这是一个向潜在雇主展示你的项目的好方法。

以上就是《这些常见的数据分析项目，能帮你找到数据分析师的工作》的全部内容，从文字中我们可以看到，在数据科学领域很难找到合适的工作。向人力资源部展示你能力的最好方法是准备一个文件夹。如果你想学习更多数据分析知识，可以点击下方资料下载链接。