我的数据挖掘之路——从菜鸟到实战

我的数据挖掘之路——从菜鸟到实战（转载)

  (2015-03-31 14:01:30)

转载▼

标签：  股票   数据挖掘   挑战赛   实习   互联网公司

分类： 人在职场

导 读：作者wrchow是浙江大学计算机硕士，通过自己的努力终于拿到了心仪的offer（搜狗Web数据挖掘助理研究员），实现了从事互联网数据挖掘的梦 想。他对数据挖掘这个行业的兴趣，以及为了进入这个行业所做的准备和努力，非常值得想进入这一行业的在校生或朋友们参考。

由于本科专业是生物信息(可以理解为生物统计学或者与基因数据相关的数据挖掘学科)，所以那时已经开始接触数据挖掘，对统计也算有一定的基础。记得大二的时候，我便开始学用matlab，然后玩弄SVM， 神经网络之类的机器学习算法做一些分析和实验。现在想想那时候可能连这些算法的基本概念都不是很清晰，算是皮毛都不懂。但有一点就是，让我对这类算法不怎 么畏惧，甚至于非常感兴趣。本科的时候，发现自己对生物兴趣不大，倒是对编程颇以为是，所以读研又改学了计算机。虽然换了专业，但我对数据挖掘仍然兴趣不 减。在研究生阶段，涉及数据挖掘，机器学习，高级数据库之类的课程我的成绩都是90+， 这至少说明我很用心。总之，读研这几年我也在不断地规划着自己的数据挖掘之路。然而，数据挖掘是门交叉学科，涉及的内容很多，而且还需要理论联系实际，要 掌握起来其实是非常困难的。我曾经非常幼稚地认为，数据挖掘无所不能，适用于各行各业，却忽视了数据挖掘非常难以掌握的一面。首先，要构建完整的数据挖掘 理论知识体系;其次，要能够 深入到具体的行业或市场进行具体项目的实战。至于学习数据挖掘的前景，推荐看看一篇博客，扒一扒这个数据挖掘行业，黄油和面包。这篇文章算是资深人士对数据挖掘行业一点点小小的爆料，感觉对于我这样的初学者来说，有着高屋建瓴的作用。

1 发现SASlist

学习SAS 源于我当初想去金融行业做分析师的想法，而这个想法又是源自于自己的 MBTi 测试的结论。算起来开始学sas 应该是 10 年下半年的时候，我先是买了一本《SAS 编程与数 据挖掘商业案例》，后是看了《The little SAS book (3rd)》电子版，还有 SAS 认证考试 样题-123 题。我还在 saslist 上建立起了博客，分享了一些学习心得，还有找实习的一些经历。而我对 sas 的学习经历，也就集中在 10 年的下半年这段时间了。后来到了11 年初， 偶然间看到统计之都上，举办第一届数据挖掘挑战赛的信息。我便花了 1 个多月去参加比赛，再后来便去找实习。到现在不知道自己还会不会继续学习 sas，但 saslist 确实对我的数据 挖掘之路，起着承上启下的作用。在这里很容易让你融入一个学习数据分析，数据挖掘的圈子，很多前辈们的精彩博文都对自己起着极大的鼓舞作用。

2 数据挖掘挑战赛

没想到自己参加的还是全国首届数据挖掘挑战赛（编者注:2011年统计之都 cos.name举办），看来真不知道是自己的数据挖掘之路起步早，还是国内的数据挖掘起步比较晚。总之，我是抱着实战的目的来玩玩的，很可惜的是没有组队成功，虽然中间还硬拉着 sxlion来玩了一下，不过他那时候好像确实也比较忙。从题目和赞助方(世纪佳缘网)来看，这是一个典型的Web数据挖掘如何做用户推荐的案例。提供的数据如下：

profile_f.txt,女性会员的资料,203843 条数据

profile_m.txt,男性会员的资料,344552 条数据

test.txt,原始数据

train.txt,原始数据

评分指标采用的是NDCG@10。对这个指标并不陌生，因为去年还选修了Web数据挖掘那门课， 那位老师还是从加拿大过来的，当时听得还挺认真，这里推荐一下他这门课的主页，还有 他指定的两本教材:《搜索引擎:信息检索实践》，《数据挖掘:概念与技术》，后一本的书的作者正是他的导师。本来一看这个题目是做推荐，于是我就想到了协同过滤，试了一下又发现不行，其实这些数据是非常稀疏的而且是冷启动的，后来又尝试了回归还有SVM， 总之效果都不是太明显，感觉是自己特征选得不好。赛后，看了别人的经验贴，居然投票是最简单有效的，可以极大地提升预测精度。反正，我也是对数据挖掘都还 没入门就去参加比赛了。这次比赛算是第一次接触真实的用户数据，并且用来解决一个十分现实的问题。对推荐用户的预测精度的提升，是可以直接带来可观的经济 效益的。这次比赛的另一个收获是，我开始学习python和看《集体智慧编程》这本书。现在好像又有腾讯赞助2012知识发现与数据挖掘挑战赛，感兴趣可以去参与一下。

3 实习与工作

saslist还有一个好处，就是可以查看到一些数据分析相关的实习和找工信息。其实，这些信息还是蛮管用的，我还因此拿到过人人网数据挖掘工程师的offer。在我看来，数据分析相关的职位大致分三个板块:医药、金融和互联网。要去医药行业，可以多关注胡江堂的博客，还有中南大学统计系的本科生韩帅同学的博客。金融行业的话，可以多关注一下人大经 济论坛等;我当初投过一家叫discover的上海公司，好像是从大摩分出来的，专做信用卡这一块的，面试的时候如果懂sas还是有加分的，当然外企可能更注重是你这个人本身的一些基本素质。因为，我最后还是决定去互联网行业，所以我的就职经历也都集中在几家大的互联网公司。

在刚参加完数据挖掘挑战赛之后，也就是去年 4月份了，那个时候很多大的IT公 司都开始来校园招聘实习生。由于我本科毕业之后，决定读研，也没找过工作。所以，这个时候找实习，也算是为我找工作赞经验。我投了百度的数据挖掘工程师和 淘宝的广告和搜索发展部的产品经理助理职位。前者的具体情况可以参见我的博文链接，至于实习我还是去了后者，因为淘宝就在学校旁边。在淘宝的实习经历算是 我真正意义上地走出校园，也坚定了我去互联网行 业的信念，我喜欢像淘宝这些的互联网公司里那种从上而下，自由而又年轻的氛围。也正是在淘宝的实习，让我切身体会到了互联网广告市场的盈利模式，以及如何 通过数据挖掘来提升淘宝的生态平衡和盈利空间。感兴趣的同学可以去读读淘宝搜索技术博客。

4 总结

我找工的经历，其实十分地短暂，也就集中在那几家互联网公司，这里也就不细说了。值得一提的是除了我在实验室做的项目外，那次数据挖掘挑战赛的经历，往往 会非常引人注意， 因为那个挑战赛是非常贴近互联网公司做数据挖掘的实际的。而且，参加比赛本身也说明你本来的兴趣和积极性都比较高。

最后，再总结一下我的数据挖掘知识体系：

1. 统计学基础:《概率与数理统计》、《生物统计学》；

2. 编程语言与工具:SAS、Matlab、Python、R 等;互联网公司，还需要 Linux Shell， Hadoop， C++， Java 语言等；

3.数据挖掘理论:《集体智慧编程》(python)、《Web数据挖掘》、《SAS编程和数据挖掘商业案例》，另外还推荐一些开放式课程，我认真学习过的有 CS229(stanford 的机器学习课程)；

4. 参加贴近商业的比赛或者去实习。