聚类算法：将数据按照相似性进行分组，例如基于K-Means聚类、层次聚类等算法。关联规则挖掘：在数据集中发现项与项之间的相关性，例如Apriori算法等。预测建模：利用历史数据的模式寻找未来的趋势和预测，例如基于回归分析、时间序列分析等。
数据库查询—SQL 数据分析师在计算机的层面的技能要求较低，主要是会SQL，因为这里解决一个数据提取的问题。有机会可以去逛逛一些专业的数据论坛，学习一些SQL技巧、新的函数，对你工作效率的提高是很有帮助的。统计知识与数据挖掘 你要掌握基础的、成熟的数据建模方法、数据挖掘方法。
数据处理 数据的处理需要掌握有效率的工具：Excel基础、常用函数和公式、数据透视表、VBA程序开发等式必备的；其次是Oracle和SQL sever，这是企业大数据分析不可缺少的技能；还有Hadoop之类的分布式数据库，也要掌握。分析数据 分析数据往往需要各类统计分析模型，如关联规则、聚类、分类、预测模型等等。
算法一： 快速排序算法 快速排序是由东尼·霍尔所发展的一种排序算法。在平均状况下，排序 n 个项目要O（nlog n）次比较。在最坏状况下则需要O（n2）次比较，但这种状况并不常见。
此排序算法的效率在序列越乱的时候，效率越高。
快速排序=快速排序是冒泡排序的改进版，是目前已知的最快的排序方法。= 已知一组无序数据a[1]、a[2]、……a[n]，需将其按升序排列。首先任取数据a[x]= 作为基准。
堆排序：利用堆这种数据结构所设计的一种排序算法。堆是一个近似完全二叉树的结构，并同时满足堆积的性质，即子节点的键值或索引总是小于（或大于）它的父节点。
此类预处理主要有两个目的，一是使变量间尺度接近，避免出现计算误差或影响如距离之类度量的均衡性。二是使各变量值或样本矢量的度量值在算法要求的区间内。至于正态分布性，一般是算法的适用假设，应该在算法应用前或后做此检验以保证可靠性，而不是要求用什么变换方法把数据处理成正态分布。
C5算法有如下优点：产生的分类规则易于理解，准确率较高。其缺点是：在构造树的过程中，需要对数据集进行多次的顺序扫描和排序，因而导致算法的低效。 The k-means algorithm 即K-Means算法k-means algorithm算法是一个聚类算法，把n的对象根据他们的属性分为k个分割，k n。
K-Medians，虽然对异常值有抵抗性，但计算成本相对较高。它的优势在于稳定，但灵活性有限，尤其在处理复杂数据集时。Mean-Shift，通过自动发现簇数和依赖窗口半径的动态过程，寻找数据中的密度峰值，为非结构化数据聚类提供了一种独特的方法。
在数据挖掘的世界里，聚类算法就像一座桥梁，将无标签的数据转化为有意义的模式。我们首先区分有监督与无监督的聚类方法。
聚类分析的算法可以分为划分法、层次法、基于密度的方法、基于网格的方法、基于模型的方法。划分法，给定一个有N个元组或者纪录的数据集，分裂法将构造K个分组，每一个分组就代表一个聚类，KN。层次法，这种方法对给定的数据集进行层次似的分解，直到某种条件满足为止。
漏斗法即是漏斗图，有点像倒金字塔，是一个流程化的思考方式，常用于像新用户的开发、购物转化率这些有变化和一定流程的分析中。 上图是经典的营销漏斗，形象展示了从获取用户到最终转化成购买这整个流程中的一个个子环节。相邻环节的转化率则就是指用数据指标来量化每一个步骤的表现。
数据分析的主要方法包括描述性统计、探索性数据分析、验证性数据分析、预测性建模和规范性建模。描述性统计是数据分析的基础，它通过对数据的整理和概括，用图表或数学方法展示数据的基本特征。例如，通过计算平均值、中位数、众数、方差等统计量，可以了解数据的中心趋势和离散程度。
常见的数据分析方法包括： 描述性统计分析：对数据进行统计和分析，结合图表和图像来描述数据的各种特征。 探索性数据分析（EDA）：对数据进行可视化和探究，以发现数据中的特征、关系和异常值等。 假设检验：用数学统计方法来验证假设。
1、大数据等最核心的关键技术：32个算法A*搜索算法——图形搜索算法，从给定起点到给定终点计算出路径。其中使用了一种启发式的估算，为每个节点估算通过该节点的最佳路径，并以之为各个地点排定次序。大数据挖掘的算法：朴素贝叶斯，超级简单，就像做一些数数的工作。
2、大数据分析的理论核心是数据挖掘算法，大数据可以概括为5个V， 数据量大（Volume）、速度快（Velocity）、类型多（Variety）、价值（Value）、真实性（Veracity）。大数据分析是指对规模巨大的数据进行分析。
3、剽窃检测系统、主动评分系统、网页查找和DNA序列匹配等领域。频频项集 频频项集是指事例中频频出现的项的集合，如啤酒和尿不湿，Apriori算法是一种发掘相关规矩的频频项集算法，其核心思想是经过候选集生成和情节的向下关闭检测两个阶段来发掘频频项集，现在已被广泛的应用在商业、网络安全等领域。
4、数据挖掘算法 大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点，也正是因为这些被全世界统计学家所公认的各种统计方法才能深入数据内部，挖掘出公认的价值。
5、大数据技术的核心技术是：在大数据产业中，主要的工作环节包括：大数据采集、大数据预处理、大数据存储和管理、大数据分析和大数据显示和应用的挖掘（大数据检索、大数据可视化、大数据应用、大数据安全性等）。
