大数据分析和挖掘的基本技术栈和入门方法整理

Hive、hadoop

主要是了解Hive从HDFS中提数的Hive SQL语法，还是有很多技巧

Hive提数后怎么办？

一般是导出Excel csv格式，通过python、R语言处理

数据挖掘工具和平台python、R语言等

caffee、tensorflow、python、R语言

数据计算框架Spark

实现数据计算

数据显示

R语言的数据呈现

数据分析算法、挖掘算法

划分数据集和测试集，通过简单交叉验证或K折交叉验证

无监督学习

例如KNN、KMeans聚类

监督学习

例如决策树、随机森林

广告推荐等常用算法

GBDT、XGBoost、CTR预估、FM、LDA等

CTR预估参考文献

http://blog.csdn.net/hero_fantao/article/details/42747281
http://blog.csdn.net/bitcarmanlee/article/details/52138970

多模型融合推荐算法

http://www.jianshu.com/p/6f4da232ec7f
多模型融合推荐算法在达观数据的运用

FM算法

参考《深入FM原理与实践》——美团
《Factorization Machines with libFM》

Bayes贝叶斯分类算法

可参考spark Bayes算法

GBDT与XGBoost的区别

1. 传统GBDT以CART作为基分类器，xgboost还支持线性分类器，这个时候xgboost相当于带L1和L2正则化项的逻辑斯蒂回归（分类问题）或者线性回归（回归问题）。
2. 传统GBDT在优化时只用到一阶导数信息，xgboost则对代价函数进行了二阶泰勒展开，同时用到了一阶和二阶导数。顺便提一下，xgboost工具支持自定义代价函数，只要函数可一阶和二阶求导。
3. xgboost在代价函数里加入了正则项，用于控制模型的复杂度。正则项里包含了树的叶子节点个数、每个叶子节点上输出的score的L2模的平方和。从Bias-variance tradeoff角度来讲，正则项降低了模型的variance，使学习出来的模型更加简单，防止过拟合，这也是xgboost优于传统GBDT的一个特性。
4. Shrinkage（缩减），相当于学习速率（xgboost中的eta）。xgboost在进行完一次迭代后，会将叶子节点的权重乘上该系数，主要是为了削弱每棵树的影响，让后面有更大的学习空间。实际应用中，一般把eta设置得小一点，然后迭代次数设置得大一点。（补充：传统GBDT的实现也有学习速率）
5. 列抽样（column subsampling）。xgboost借鉴了随机森林的做法，支持列抽样，不仅能降低过拟合，还能减少计算，这也是xgboost异于传统gbdt的一个特性。
6. 对缺失值的处理。对于特征的值有缺失的样本，xgboost可以自动学习出它的分裂方向。
7. xgboost工具支持并行。boosting不是一种串行的结构吗?怎么并行的？注意xgboost的并行不是tree粒度的并行，xgboost也是一次迭代完才能进行下一次迭代的（第t次迭代的代价函数里包含了前面t-1次迭代的预测值）。xgboost的并行是在特征粒度上的。我们知道，决策树的学习最耗时的一个步骤就是对特征的值进行排序（因为要确定最佳分割点），xgboost在训练之前，预先对数据进行了排序，然后保存为block结构，后面的迭代中重复地使用这个结构，大大减小计算量。这个block结构也使得并行成为了可能，在进行节点的分裂时，需要计算每个特征的增益，最终选增益最大的那个特征去做分裂，那么各个特征的增益计算就可以开多线程进行。

参考《facebook gbdt构造新特征》
http://www.zhihu.com/question/41354392/answer/98658997

LDA主题模型

在线学习

FTRL请参考Google论文