相關主題
商品描述
《數據智能》構建了AI時代數據分析師從認知到落地的完整能力體系。開篇聚焦認知重塑，厘清AI與機器學習的本質，破除轉型誤區，推動分析師從描述統計向智能決策躍遷；進而夯實數據素養與AI學習能力的基礎，夯實從理解到實踐的核心功底。中間章節聚焦實操價值，一方面通過系統論等新方法優化業務分析與協作模式，深入解析模型算法的應用邏輯與創新技巧，實現從“會調參”到“會用模型”的進階；另一方面梳理智能數據治理、自動化建模等工具矩陣，提升建模與開發效率。後續強調模型解釋、部署與價值傳遞的協同落地， 通過金融風控、零售營銷等四大行業實戰案例，驗證數據智能解決方案的實用性。整體形成“認知—能力—方法—工具—協同—實踐”的閉環邏輯，為數據分析師的智能化轉型提供可落地的行動指南。
作者簡介
中國商業聯合會數據分析專業委員會（簡稱中國商聯數據委）成立於2008年4月，彼時經 國資委審核同意、 批準登記。中國商聯數據委成立以來，始終緊扣我國數據分析行業發展需求，全力推進行業規範化、標準化、體系化建設，牽頭研制行業標準，持續編撰並發布行業發展報告及人才指數報告，搭建行業公益案例庫與行業專家智庫，為行業高質量、有序發展提供堅實支撐。作為服務於全國數據分析行業的協會組織，中國商聯數據委構建並完善了CPDA數據分析師人才培養體系，建成覆蓋全國的人才培養與實踐服務模式，培育了大批高素質數據分析專業人才；形成覆蓋數據分析師、數據分析師事務所、大數據及人工智能企業的全國性會員服務與管理體系。作為行業交流協作與資源整合的核心平臺，中國商聯數據委長期舉辦行業服務大會、專家智庫會議及專題研討活動，匯聚政府、產業、高校、科研機構多方資源，深化行業實踐研究、技術創新與產業落地應用，助力企業數字化轉型與科學決策能力提升。中國商聯數據委以標準建設、人才培養、行業交流、產業賦能為核心方向，攜手各界合作夥伴，共同推動中國數據分析行業持續健康發展。
目錄大綱
叢書序
前言
第一章 新定位：AI時代數據分析師的認知與能力重塑
第一節 AI與機器學習的真實面貌
一、概念厘清：AI的層次結構
二、機器學習的技術譜系
三、數據分析師視角下的AI理解框架
第二節 破除認知迷霧：避開AI轉型的常見陷阱
一、認知誤區
二、應用層面的認知偏差
三、組織層面的認知偏差
第三節 數據分析師的認知躍遷：從描述統計到智能決策
一、思維模式的根本轉變
二、技能結構的重新構建
三、工作方式的智能化升級
四、價值創造模式的升級
本章總結：AI時代的機遇與挑戰
第二章 新基礎：構建面向AI的數據思維與學習能力
第一節 數據思維：數據分析能力的底層
一、什麼是數據思維
二、數據思維的歷史
三、數據思維和數據分析的關系
四、數據分析師的優勢
五、從數據思維到大模型思維
第二節 構建面向AI的學習能力
一、以終為始識別新領域知識缺口
二、找到學習起點：看懂底層和趨勢
三、AI時代新學習範式
四、AI寫代碼的實用技巧
本章總結：打造從理解到實踐的核心能力
第三章 新方法：AI時代的業務分析與團隊協作模式
第一節 AI時代業務分析的新陷阱
一、效率的幻覺：AI在業務分析中的新陷阱
二、AI時代多智能體的困境
三、小張的故事：需求分析的陷阱
第二節 “三論”如何重塑AI時代的需求分析
一、“三論”基礎概念
二、系統的智慧：從最優到滿意
三、基於系統論：設計超越“準確性”的業務評估指標
第三節 基於“三論”的可落地實用方法
一、軟系統與切克蘭德方法
二、硬系統與霍爾三維結合方法
三、為什麼以上兩種方法論適合AI時代
本章總結：在AI時代有效分析與協作
第四章 新理解：模型算法的應用研究與創新技巧
第一節 模型容量與數據：理解模型行為的經驗基礎
一、模型的世界觀：它相信世界是什麼樣的
二、模型容量：讓模型適合業務數據
三、假設空間：讓模型貼近業務現實
第二節 四維框架：理解模型優化的思維基礎
一、從算法優化到業務契合
二、四維聯動：理解模型優化的內在機制
三、以業務為導向的模型優化思考
四、系統診斷：從四維視角識別與應對過擬合
第三節 傳統模型家族與選用思維：理解模型差異與適配
一、模型家族圖譜：理解模型的“性格”與“血緣”
二、模型選擇的要素：從“問題”出發的適配邏輯
三、模型的邊界與組合：超越單一模型的智慧
第四節 大模型時代的再理解：從算法到系統的整合能力
一、從算法理解到系統理解：視角的升維
二、掌握大模型工作機制：與“黑盒”共舞
三、小模型與大模型的互補關系：最佳拍檔的誕生
四、理解的演進：從調參到設計智能流程
本章總結：從“會調參”到“會用模型”——進階之路
第五章 新工具：AI增強的建模與開發效率提升
第一節 智能數據管道：實現數據資產的自動化治理
一、PyJanitor：鏈式調用的數據清洗框架
二、OpenRefine：可視化的數據探索與轉換平臺
三、數據清洗智能體：自動化數據處理的發展方向
四、Featuretools：自動化特征工程引擎
第二節 智能特征提取：AI幫你找到“黃金特征”
一、為什麼要進行智能特征選擇
二、智能特征選擇的三大主流方法
三、實踐策略：如何組合使用這些方法
四、總結：從“特征海洋”到“黃金礦脈”
第三節 自動化建模平臺：加速模型從0到1的構建過程
一、Scikit-learn：構建標準化機器學習流水線
二、AutoML平臺：端到端的智能建模解決方案
第四節 非結構化數據建模：解鎖文本、圖像中的隱藏價值
一、自然語言處理：從文本中提煉情感與主題
二、計算機視覺入門：讓機器看懂圖片
三、音頻處理：從聲音中挖掘信息
四、分析師的“新武器”：善假於物
五、總結：深度學習，讓非結構化數據“開口說話”
本章總結：構建個人高效建模的工具矩陣
第六章 新協同：AI模型的價值傳遞
第一節 模型可解釋性工具：破解黑箱，建立決策信任
一、為什麼需要可解釋性
二、SHAP：基於博弈論的全局解釋工具
三、LIME：局部近似的解釋利器
四、SHAP與LIME：如何選擇
五、總結：可解釋性，讓AI從“工具”變成“夥伴”
第二節 洞察呈現與溝通工具：從數據到故事的價值傳遞
一、分析報告的痛點：信息過載，故事缺失
二、生成式AI：從“數據”到“故事”的智能橋梁
三、常用工具：如何高效使用生成式AI
四、總結：讓數據故事“活”起來
第三節 模型部署與應用工具：實現洞察能力的規模化交付
一、Streamlit：快速構建交互式數據應用
二、Flask：構建可擴展的生產級模型API服務
三、Power BI(AI功能集成)：無縫嵌入業務流程的智能
