京公网安备 11010802034615号
经营许可证编号:京B2-20210330
不到两年,他是如何从外行进阶到参与Google人工智能项目
这篇访谈稿采访到成文用时约三周的时间,虽然对今天的这位嘉宾认识不深,但是你会发现从他的字里行间满满的谦恭,对知识的渴求,和自己进步的鞭策。
榜眼初相识
吴*天
2017年12月
CDALevel II大数据分析榜眼
北理工数学系毕业,是不折不扣的理工科学生,毕业以后也像很多人一样,面临着就业的选择。尤其是在选择数据作为自己从业之路的阶段,也曾有着困惑、疑虑、顿悟和坚持。
数据分析之路的风雨兼程
当问到他在选择数据分析有哪些记忆深刻的工作经历时,他若有所思的回忆到:
说到记忆深刻的工作经历,其实从选择数据分析之路开始,就是一路的披荆斩棘,一路的风雨兼程。
从SPSS到R,从Python到Scala,从MapReduce到Spark,可以说每个阶段学习与工作,每个阶段所遭遇的困难与阻碍,以及最终的收获,都令人记忆犹新。
因此对我而言,印象深刻的并不是工作经历,而是在选择数据作为自己从业之路的那个阶段,自己的困惑、疑虑、顿悟和坚持。
因为择业对我而言不是混口饭吃,我希望自己所从事的行业能最终成为我的人生方向。
在这个过程中,CDA给了巨大的帮助。
应对工作变动的最好心态是空杯学习
交谈中我发现,他的谦逊和学习的空杯心态正是每个CDA学员,每个CDA人,甚至每个正在工作岗位奋斗的人都应当学习借鉴并且欠缺的。
在CDA毕业以后,先是在成都数联益康科技有限公司任数据分析师、大数据分析师等职,早些时候主要从事算法研发的工作,后期由于公司业务需要,工作的重心转向了分布式集群架构及分布式算法执行等相关工作。
在这家公司虽然有变动,但是也是因为这些变动让我变得更懂得学习的空杯心态,逐步让自己提升。
正是因为之前的积累,目前,很荣幸的参与到谷歌的一项人工智能项目当中,暂时处在一个学习和提升的阶段。
学习这件小事
他说,和CDA的结缘是因为学习,因求学与CDA相识,并到现在的互相信任彼此扶持。
其实我同时也是CDA数据分析师脱产班第四期学员。
如果说大学教育为我打下了一个扎实的知识基础,那么CDA课程的学习,才真正帮我奠定了一个完整的数据分析知识理论框架及方法论,这套理论框架和方法论,在我日后的各个学习和工作阶段,都给我提供了莫大的帮助。
其实参与CDA的考试,本质上是出于对CDA数据分析师品牌的认可,相信CDA考试的质量及其社会认可度。下个阶段,我想在技术上寻求进一步的突破和发展,将暂时离开大数据架构及分析这套技术框架,投身人工智能领域,而参加一场考试作为技术实力的验证与证明,最合适不过,外加基于我对CDA的了解与认可,参加CDA LEVEL II考试便是不二之选。
其实我经常会参加一些考试来借此锻炼自身技术,在这些国内的数据分析考试中,CDA的考试质量确实是最高的,在本次考试中也暴露了自身技术上的很多不足,有待后续继续提高。
学习经验和技巧
每个人都有不同的学习方法和学习技巧,但是他的学习方法听完以后,你会觉得不仅仅是逻辑在线,更重要的是学习的思路清晰,贵在坚持。
那么关于学习心得,我的想法是,大数据整个知识体系其实内容非常多,要进行系统性学习的话,除了在要有恒心和毅力之外,最重要的就是要从诸多知识内容中梳理出一条主线。
那对于大数据分析师而言,知识内容的主线应该就是算法原理及其落地实践工具的掌握,机器学习和数据挖掘算法原理是核心,有了一定的算法原理知识后,首先是学习利用菜单式操作的统计工具SPSS进行实践,然后进一步学习利用Python进行算法编程方面实践,最后则是利用spark进行算法的分布式实践,掌握不同工具,实际上最终还是围绕实践算法来逐级展开。
有了学习主线,后面就是按部就班的一部分一部分来进行学习。
2018年6月CDA认证考试官方报名途径
点击“阅读原文”报名
CDA认证考试交流分享
请添加个人微信(微信号:CDAbanzhuren),备注“CDA考试”进群。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14