数据科学应用场景

1. 数据基本处理
   下面列一些关键词：
   数据源
   数据抽样
   数据类型
   缺失值
   异常值
   粗分类
   卡方检验
   WOE

2. 预测
   一般而言分两类，回归与分类

回归

• 线性回归
• 随机森林
• 神经网络
• 以及各种机器学习方法
• 时间序列预测

分类

• 逻辑回归
• 决策树
• SVM
• 随机森林
• xgboost
  等等

3. 识别模式

4. 聚类分析

5. 关联规则

4. 生存分析

生存分析一开始是用于判断生物体什么时候会死。其衍生开来可以用于判断某一事情什么时候会发生。可以使用的场景包括，预测客户流失时间，预测客户下次购买时间，预测客户违约事件，预测客户下次访问网站的时间。

第一类生存分析是卡普兰.梅尔分析，用于估计不同时间的总体生存率。

参数法生存分析：假设事件的发生时间服从某种分布规律。

比例风险回归模型，生存分析模型的扩展：把随时间而变化的变量纳入模型。

生存分析模型的评估：首要考虑点是模型整体和单个协变量的预测力的统计显著性。

5. 社交网络分析

社交网络的现实场景：以超链接方式连接在一起的网页，人与人之间的电子邮件网络，因引用而建立连接关系的论文，通信运营商的客户之间的电话呼叫，通过流动性依赖而连接在一起的银行，疾病在病人之间的传播等等。

社交网络的度量，社交网络的学习，关系邻近分类器，概率关系邻近分类器，关系逻辑回归，共同模式推断，自中心网络，偶图/二分图

6. 案例

• 信用风险建模：信贷领域A卡，或者其他预测风险的模型
• 欺诈检测：其实有的时候去识别欺诈模式，更多的靠的是数据分析，靠业务经验，而不是靠模型。
• 营销响应模型：本质上也是二分类模型，用于预测客户对于营销活动是否会有反应
• 流失预测：生存分析可以用于这个方面，并且生存分析模型在这个领域应用也比较少
• 推荐系统：基于内容，基于用户
• a/b测试，本质上是统计上的假设检验
• 情感分析：这个属于文本挖掘一大类，我有一门关于文本挖掘的课程，感兴趣可以去学习。https://study.163.com/course/introduction.htm?utm_u=1149547966&utm_campaign=share&utm_medium=iphoneShare&share=2&shareId=480000001874407&courseId=1209305807&utm_source=weixinMoment