书中案例以Google Analytics为主。其实现在是APP Web的复合框架，比如朋友圈的传播活动肯定需要用到网页的指标去分析。《精益数据分析》互联网数据分析的入门书籍，归纳总结了几个常用的分析框架。比较遗憾的是案例都是欧美。还有一个小建议，现在有不少第三方的数据应用，囊括了不少产品领域的数据分析和统计。
自学党们即使没有生产环境的数据，也可以看一下应用Demo，有好处的。除了业务知识，业务层面沟通也需要掌握。另外建议在面试前几天收集该行业的业务强化一下。第七周：Python/R学习终于到第七周，也是最痛苦的一周。这时应该学习编程技巧。是否具备编程能力，是初级数据分析和高级数据分析的风水岭。数据挖掘，爬虫，可视化报表都需要用到编程能力。
掌握一门优秀的编程语言，可以让数据分析师事半功倍，升职加薪，迎娶白富美。这里有两条支线，学习R语言或Python。速成只要学习一条，以后再补上另外一门。R的优点是统计学家编写的，缺点也是统计学家编写。如果是各类统计函数的调用，绘图，分析的前验性论证，R无疑有优势。但是大数据量的处理力有不逮，学习曲线比较陡峭。
Python则是万能的胶水语言，适用性强，可以将各类分析的过程脚本化。Pandas，sklearn等各包也已经追平R。如果学习R，建议看《R语言实战》，照着书本打一遍代码，一星期绰绰有余。另外还有一本《统计学》，偏知识理论，可以复习前面的统计学知识。R学习和熟悉各种包。知道描述性统计的函数。掌握DataFrame。
如果时间有余。可以再去学习ggplot2。Python拥有很多分支，我们专注数据分析这块，入门可以学习《深入浅出Python》。需要学会条件判断，字典，切片，循环，迭代，自定义函数等。知道数据领域最经典的包Pandas Numpy。在速成后的很长一段时间，我们都要做调包侠。这两门语言最好安装IDE，R语言我建议用RStudio，Python我建议用 Anaconda。
都是数据分析的利器。Mac自带Python2.7，但现在Python 3已经比几年前成熟，而且没有编码问题。各类教程也足够多，不要抱成守旧了。Win的电脑，安装Python会有环境变量的问题，是个大坑（R的中文编码也是天坑）。到这里，刚刚好是七周。如果还需要第八周 ，则是把上面的巩固和融会贯通，毕竟速成是以转岗或拿offer为目的。
神经网络能不能完全拟合简单函数呢？
答案是理论上可以，实际上要看运气。神经网络在只有一层隐层的情况下，可以理论上拟合任意函数。当然现实情况下，由于梯度方法常常应用于神经网络训练，而训练的优化问题又是一个非线性非凸的优化问题。所以训练的效果取决你的优化方法，神经网络参数的调整以及神经网络的结构。很大的机率下，训练的结果是达到局部最优。如果运气好，有可能达到全局最优。
如何评价「神经网络本质不过是初中生都会的复合函数」？
如果谈本质都是很简单的东西，至少听起来很简单。计算机的本质不过是门电路的通断而已，程序的本质不过是01组合而已，火箭发射的本质不过是轨道拟合而已，生命体的本质不过是一堆蛋白质而已，思维只不过是电信号而已，等等诸如此类的说法。如果究其根本，人类的本质和一坨屎一样都是一堆原子。很多东西都不能分解了去看，因为它们的价值就是在组合的这个部分上。
神经网络本质确实是复合函数，因为加权就是乘法，偏移就是加法，激活就是函数运算，这些都很简单，哪怕外面的激活函数稍微复杂一些，也还是可以写出来的。但是神经网络的反向传播需要有人提出来，否则神经网络无法优化；全连接网络的参数数量太多无法增加深度，因此需要有人提出CNN，提出ResNet，提出Dropout，提出Pool并在此基础上实现它们的反向传播算法，而且这些理论的提出都是在经过严谨的数据逻辑验证之后。
既然使用神经网络也可以解决分类问题，那SVM、决策树这些算法还有什么意义呢？
要看你的数据量和样本数量，不同的样本数量和特征数据量适合采用的算法都不一样。神经网络等深度学习算法需要训练很大的数据集才能构建比较好的预测模型。很多互联网大公司比较喜欢深度学习算法是他们获得的用户数据都是数以亿计的海量数据，这是比较适合卷积神经网络等深度学习算法。如果你的样本数量很少，比较合适的是使用SVM,决策树等机器学习算法，如果你的数据集比较大，可以考虑使用卷积神经网络等深度学习算法。
