大数据牛人

⑴ 国内有哪些数据分析和数据挖掘的牛人

数据分析牛人 （排名不分先后）一、沈浩老师中国传媒大学教授，这位老师给我深的印象就是比较喜欢旅游、爱摄影，除此之外更多的介绍还一下子想不起来。不过在博客分享了很多非常好的数据分析方法、数据可视化等。二、刘万祥ExcelPro刘万祥老师，《Excel图表之道》、《用地图说话》作者。专注于最专业、有效的商务图表沟通方法，追求图表的有效沟通，和专业的商务气质。三、张文彤老师英德知联恒市场咨询有限公司全国技术总监，是国内最早一批玩SPSS之一，前些年在大学从教，现如今投身咨询行业，在理论功底和SPSS软件使用有较高的造诣，感兴趣的还可以关注下张老师的培训。四、张磊IDMERSAS公司首席咨询顾问。现在的分析，不搞点挖掘、模型的，似乎就不够高级、不够唬人。这位博主可是数据挖掘的牛人，SAS、SPSS Clementine 的专家顾问啊。五、数据化管理黄老师是零售行业的老前辈，善于发现数据背后的故事,专注数据化管理的咨询及培训业务！14年快速消费品、通讯行业的销售经验！5年的零售企业《数据化管理》的咨询顾问、培训导师六、小蚊子乐园《谁说菜鸟不会数据分析》作者，专注在市场调查研究，SPSS使得很熟练，对PPT、excel也热爱有加，博客开的似乎很早了，有很多好内容。七、数据挖掘与数据分析知名博客主、微博主，资深数据分析师，多年从事咨询、互联网行业数据分析工作，在微博、博客分享了大量干货。

⑵ 那些从事大数据，人工智能的牛人，他们是怎么成长的

其实大数据人工智能都是练出来的
很多基础知识在科班已经教了，只是当前应用是新的，只要基础好，应用都容易出现突破
所以打好基础是最重要的，越厉害的学校 基础越扎实

⑶ 大数据时代 无处不在的算法应用

大数据时代 无处不在的算法应用
能不能讲讲算法在工作中的运用?你个人学习算法的过程是怎样的?我对算法还是有点怕。除此之外，你认为大学是应该多花时间学应用技术还是理论知识呢?
今天就来聊聊我自己学习算法的过程，以及算法在实际工作中的应用。
以前，我们认为大数据总是优于好算法。也就是说，只要数据量足够大，即使算法没有那么好，也会产生好的结果。
前一阵子“极客时间” App 发布了一条极客新闻：“算法比数据更重要，AlphaGo Zero 完胜旧版。”新闻的内容是谷歌人工智能团队 DeepMind 发布了新版的 AlphaGo 计算机程序，名为 AlphaGo Zero。这款软件能够从空白状态开始，不需要人类输入任何命令，便可以迅速自学围棋，并以 100 比 0 的战绩击败了上一代 AlphaGo。
AlphaGo Zero 最大的突破在于实现了“白板理论”。白板理论认为：婴儿是一块白板，可以通过后天学习和训练来提高智力。AI 的先驱图灵认为，只要能用机器制造一个类似于小孩的 AI，然后加以训练，就能得到一个近似成人智力，甚至超越人类智力的 AI。
自学成才的 AlphaGo Zero 正是实现了这一理论。AlphaGo 的首席研究员大卫·席尔瓦(David Silver)认为，从 AlphaGo Zero 中可以发现，算法比所谓的计算或数据量更为重要。事实上，AlphaGo Zero 使用的计算要比过去的版本少一个数量级，但是因为使用了更多原理和算法，它的性能反而更加强大。
由此可见，在大数据时代，算法的重要性日渐明晰。一个合格的程序员，必须掌握算法。
我不知道大家是怎样一步步开始精通算法和数据结构的。大二时，我第一次接触到了《数据结构》，因为从来没有过这方面的思维训练，当时的我学习这门课比较费力。那时候接触到的编程比较少，所以并没有很多实际经验让我欣赏和体味：一个好的数据结构和算法设计到底 “美” 在哪里。
开始学习的时候，我甚至有点死记硬背的感觉，我并不知道 “如果不这样设计”，实际上会出现哪些问题。各种时间和空间复杂度对我而言，也仅仅是一些不能融入到实际问题的数学游戏。至于“每种最坏情况、平均情况的时间空间复杂度与各种排序”，这些内容为什么那么重要，当时我想，可能因为考试会考吧。
没想到后来的时日，我又与算法重新结缘。可能是因为莱斯大学给的奖学金太高了，所以每个研究生需要无偿当五个学期的助教 。好巧不巧，我又被算法老师两次挑中当助教。所以，在命运强制下，一本《算法导论》就这样被我前前后后仔细学习了不下四遍。这样的结果是，我基本做过整本书的习题，有些还不止做了一遍。我学习算法的过程，就是反复阅读《算法导论》的过程。
那么，学习算法到底有什么用处呢?
首先，算法是面试的敲门砖国内的情况我不太清楚，但就硅谷的 IT 公司而言，不但电话面试偏算法，现场面试至少有两轮都是考算法和编程的。
大一些老一些的公司，像谷歌、Facebook、领英、Dropbox 等，都是直接在白板上写程序。小一些新一些的公司，如 Square、Airbnb 等，都是需要现场上机写出可运行的程序。Twitter、Uber 等公司则是白板上机兼备，视情况而定。
虽说还有其它考系统设计等部分，但如果算法没有打好基础，第一关就很难过，而且算法要熟悉到能够现场短时间内写出正解，所以很多人准备面试前都需要刷题。
有一次我当面试官，电话面试另外一个人，当时是用 Codepad 共享的方式，让对方写一个可运行的正则表达式解析器。45 分钟过去了，对方并没有写出来。我就例行公事地问：“你还有什么问题想问或者想了解么?” 对方估计因为写不出程序很有挫败感，就反问：“你们平时工作难道就是天天写正则表达式的解析器么?”
一瞬间，我竟无言以对。想了想，我回复说：“不用天天写。那我再给你 15 分钟，你证明给我看你还会什么，或者有什么理由让我给你进一步面试的机会?” 对方想了一会，默默挂掉了电话。
老实说，我对目前面试中偏重算法的程度是持保留意见的。算法题答得好，并不能说明你有多牛。牛人也有因为不愿刷题而马失前蹄的时候。但是除了算法测试，显然也没有更好的方法佐证候选人的实力;然而怎样才能最优化面试流程，这也是个讨论起来没完的话题，并且每次讨论必定无果而终。
其次，编程时用到的更多是算法思想，而不是写具体的算法说到实际工作中真正需要使用算法的机会，让我想一想 —— 这个范围应该在 10% 的附近游走。
有些朋友在工作中遇到算法场景多些，有的少些。更多的时候，是对业务逻辑的理解，对程序语言各种特性的熟练使用，对代码风格和模式的把握，各种同步异步的处理，包括代码测试、系统部署是否正规化等等。需要设计甚至实现一个算法的机会确实很少，即使用到，现学可能都来得及。
但是熟悉基本算法的好处在于：如果工作需要读的一段代码中包含一些基本算法思想，你会比不懂算法的人理解代码含义更快。读到一段烂代码，你知道为什么烂，烂在哪，怎么去优化。
当真的需要在程序中设计算法的时候，熟悉算法的你会给出一个更为完备的方案，对程序中出现的算法或比较复杂的时间复杂度问题你会更有敏感性。熟悉算法你还可以成为一个更优秀的面试官，可以和别的工程师聊天时候不被鄙视。
最后，不精通算法的工程师永远不是好工程师当然，除了算法导论中那些已成为经典的基本算法以及算法思想(Divide-and-conquer，Dynamic programming)等，其实我们每天接触到的各种技术中，算法无处不在。
就拿人人都会接触的存储为例吧，各种不同的数据库或者键值存储的实现，就会涉及各种分片(Sharding)算法、缓存失败(Cache Invalidation)算法、 锁定(Locking)算法，包括各种容错算法(多复制的同步算法)。 虽然说平时不太会去写这些算法 —— 除非你恰恰是做数据库实现的 —— 但是真正做到了解这项技术的算法细节和实现细节，无论对于技术选型还是对自己程序的整体性能评估都是至关重要的。
举个例子，当你在系统里需要一个键值存储方案的时候，面对可供选择的各种备选方案，到底应该选择哪一种呢?
永远没有一种方案在所有方面都是最佳的。就拿 Facebook 开源的 RocksDB 来说吧。了解它历史的人都知道，RocksDB 是构建在 LevelDB 之上的，可以在多 CPU 服务器上高效运行的一种键值存储。而 LevelDB 又是基于谷歌的 BigTable 数据库系统概念设计的。
早在 2004 年，谷歌开始开发 BigTable，其代码大量的依赖谷歌内部的代码库，虽然 BigTable 很牛，却因此无法开源。2011 年，谷歌的杰夫·迪恩和桑杰·格玛沃尔特开始基于 BigTable 的思想，重新开发一个开源的类似系统，并保证做到不用任何谷歌的代码库，于是就有了 LevelDB。这样一个键值存储的实现也用在了谷歌浏览器的 IndexedDB 中，对于谷歌浏览器的开源也提供了一定的支持。
我曾经在文章中提到过 CockroachDB，其实又可以看作是基于 RocksDB 之上的一个分布式实现。从另一个层面上讲，CockroachDB 又可以说是 Spanner 的一个开源实现。知道这些，就知道这些数据库或键值存储其实都同出一系。再来看看 LevelDB 底层的 SSTable 算法，就知道他们都是针对高吞吐量(high throughput)，顺序读 / 写工作负载(sequential read/write workloads)有效的存储系统。
当然，一个系统里除了最基本的算法，很多的实现细节和系统架构都会对性能及应用有很大的影响。然而，对算法本身的理解和把握，永远是深入了解系统不可或缺的一环。
类似的例子还有很多，比如日志分析、打车软件的调度算法。
拿我比较熟悉的支付领域来说吧，比如信用卡 BIN 参数的压缩，从服务端到移动 App 的数据传输，为了让传输数据足够小，需要对数据进行压缩编码。
每个国家，比如中国、韩国、墨西哥信用卡前缀格式都不一样，如何尽量压缩同时又不会太复杂，以至于影响移动 App 端的代码复杂度，甚至形成 Bug 等，也需要对各种相关算法有详尽地了解，才有可能做出最优的方案。
关于算法我们来总结一下：
在大数据时代，数据和算法都同等重要，甚至算法比计算能力或数据量更为重要。
如何学习算法呢?读经典著作、做题，然后在实践中阅读和使用算法。
算法是面试的敲门砖，可以帮助你得到一份自己喜欢的工作。
写程序中用到的更多是算法思想，不是写具体的算法。
不精通算法的工程师永远不会是一个优秀的工程师，只有对各种相关算法有详尽理解，才有可能做出最优的方案。

⑷ 建平台解决企业大数据分析需求

建平台解决企业大数据分析需求

还记得双十一期间那篇热传网文么——《大数据之下，电商会把假货卖给谁？》，让大数据再一次成为人们眼中的热词。实际上，大数据和我们的工作生活密切相关。在重庆邮电大学，就有这样一支大数据创新技术分析团队，在首届中国“互联网+”大学生创新创业大赛全国总决赛上获得全国银奖。这一期“创新创业在重邮”，让我们一起了解大数据分析创新团队和他们的大数据分析平台。
“牛人”聚集团队共获百余奖项
在首届中国“互联网+”大学生创新创业大赛全国总决赛上，该团队“大数据分析中间件平台及应用系统”项目获得全国银奖，成为重庆市进入创意组决赛中唯一获得银奖的团队。而同样在今年举办的第十四届“挑战杯”全国大学生课外学术科技作品竞赛重庆赛区的比赛中，该项目还获得了特等奖。
这样一个屡获大奖项目的背后，有着一个群英荟萃的团队。团队成员参与项目研发10余项；获得软件设计师、会计从业资格证等资格认证；获得第十四届“挑战杯”全国大学生课外学术科技作品竞赛重庆赛区竞赛特等奖等评奖评优100余项。
说到筹备比赛，团队负责人之一、计算机学院研二学生李松阳介绍，最困难、记忆最深刻的时期莫过于参加比赛时的前期准备了。因为都是非经济管理专业的理科生，最棘手的便是写创业计划书。起先通过自己查阅相关资料而成稿的计划书，因为不成熟而被老师批评、重写。在准备过程中，指导老师们暑假也没有休息，牺牲休息时间对项目进行指导。经过一次又一次的演练与角逐，大赛前戮力同心，才最终获得美满的结果。
“变形金刚”帮助企业做好大数据分析
这样一个创新项目来自于两年多前。项目的发起者，重庆邮电大学计算机学院计算机科学与技术专业的研三学生卢星宇说，他跟随导师在攻克几个数据分析方面的科研项目时发现，“大数据分析对于各行各业来说都是需要的，但有能力做大数据分析的企业并不多，大多数企业有大量的数据，也有大数据分析的需求，却因为数据分析与传统系统的差异，做大数据分析非常困难。”
团队有多年的云计算、数据分析沉淀，为什么不搭建一个大数据分析平台，解决企业的巨大需求呢？在学院支持下，卢星宇组建团队，开始了研发之路。
“大数据分析中间件平台及应用系统”究竟是什么？“这个平台实际上是我们开发的一种简洁、高效、可编程的全新数据分析架构平台，就像是变形金刚。”卢星宇解释，变形金刚面对不同的战场（不同企业）便会变换手中的装备（不同模型），不同的企业、不同种类的大数据分析，需要应用到不同的算法，而这个平台中搭载了各种算法，就像一个变形金刚，可以根据现实需要使用相应的武器（算法和模型）。
将成立公司走上创业之路
目前，这个平台已经聚集了50多种算法，涵盖了目前大数据分析需求的大部分标准算法。而随着项目的推进，算法还会不断增加。“我们这个平台某种意义上说就像淘宝。”卢星宇说，“只是买卖的是算法，研究者提供算法和模型，企业通过平台找到自己的需求，由于算法不是货物，平台还提供运行算法的引擎”。目前，平台已经和中国移动研究院合作，进行了关键用户识别、用户画像、个性化推荐等系列大数据分析系统，还成功开发出“维度”社交网络分析工具、出租车推荐系统等示范性系统。
关于与企业合作的具体应用场景，卢星宇介绍，通过关键用户识别、用户画像、个性化推荐等系列大数据分析，运营商可以通过用户的大数据，能够精确地掌握哪些是本行业的价值用户或潜在价值用户，再根据分析出的用户消费行为习惯，选择不同的营销方式。“比如有客户适合被电话销售，有客户适合短信广告，还有的人对电子邮件类的营销并不那么反感。”
对于今后的发展，卢星宇透露，经过前期市场调研，他们发现大数据分析需求巨大，“我们将着力于帮助中小企业解决大数据分析需求。”卢星宇介绍，他们决定成立公司，目前正在寻找合适的商业模式将科研成果推向市场。

⑸ 国内有哪些数据分析和数据挖掘的牛人

数据分析的顶级牛人，是被各国顶级赌场拉黑名单的。

次一等的，是自己版玩投放做点大家都会但都觉得不权赚钱却只有他自己能闷声赚钱的。

再往下，股票证券的自动高频交易系统，一水的大数据。广告优化平台，类似芒果移动，mediav这样的，以及推荐平台 百分点这样的，靠数据吃饭的公司。