跳到正文
#
拾穗
beta
登录
加入会员
最新
资讯
方法
观点
专题
职场认知
职业成长
商业洞察
数据工程
AI
数据分析
数据治理
求职面试
视听
播客
视频
知识库
专属
咨询
关于
#
拾穗
beta
最新
资讯
方法
观点
专题
视听
知识库
专属
咨询
关于
登录
加入会员
最新
资讯
方法
观点
专题
职场认知
职业成长
商业洞察
数据工程
AI
数据分析
数据治理
求职面试
视听
播客
视频
知识库
专属
咨询
关于
Posts
第 7 页 · 共 329 篇
求职面试
·
方法
AI工程师求职指南:数据从业者30天转型LLM应用开发岗
2024-2025年增长3-4倍的热门岗位,覆盖阿里/字节/月之暗面等企业AI应用工程师、大模型应用开发工程师职位。含RAG、Agent、Prompt工程、面试题库与30天转型路线图。
PRO
数据工程
·
方法
金融数据架构案例 - 构建安全可靠的数据基础设施
金融数据架构是现代金融业务的数字化堡垒,在安全、合规、稳定的严苛要求下实现数据价值最大化。。金融级价值的体现:金融数据架构的价值首先体现在安全至上的理念,通过多层防护机制确保资金和客户数据的绝对安全,这是金融机构立身之本。其次展现为实时风控能力,系统能够在毫秒级时间内完成风险识别和欺诈检测,有效防范金融风险。同时...
数据工程
·
方法
电商数据架构案例 - 从用户行为到商业洞察
个性化推荐准确率低:缺乏用户行为的深度分析,推荐效果差。搜索体验不佳:商品信息不完整,搜索结果相关性低。页面加载慢:数据查询性能不足,影响用户体验。库存管理困难:缺乏实时的销售和库存数据,经常出现缺货或积压。营销效果难衡量:无法准确追踪营销活动的转化效果。用户流失原因不明:缺乏用户生命周期的数据分析。数据孤岛严重...
PRO
数据工程
·
方法
逻辑数据建模 - 数据结构的规范化设计
逻辑数据建模是数据架构实现的核心桥梁,承担着将业务概念转化为数据库实现方案的关键任务。它主要实现四个核心价值转换。首先是结构转化,将抽象的概念实体转化为符合关系模型理论的具体表结构设计。其次是规范化设计,通过严谨的范式理论消除数据冗余,建立高质量、低维护成本的数据结构。第三是关系实现,将复杂的业务实体关系转化为清...
职业成长
·
方法
数据分析师如何高效学习Python与机器学习:4阶段实战路径
面向数据分析师、初级开发工程师和转行学习者,本文提供可落地的4阶段技术学习法:1周快速上手、2周理解原理、1个月内解决真实业务问题。覆盖Python、数据分析、机器学习等核心技能,已验证于金融、电商、SaaS行业超320名从业者。
PRO
数据工程
·
方法
企业级建模方法论 - 从星型架构到规模化实施
企业级建模不是简单的数据表设计,而是需要统筹考虑业务复杂度、技术约束、性能要求、治理规范和未来扩展的系统性架构工程。。数据体量:TB级到PB级数据规模的建模设计。业务复杂度:跨部门、跨系统、跨地域的业务场景统一。技术异构:多种数据库、多种技术栈的兼容性设计。团队协作:多团队、多角色的协同建模和维护。一致性保障:跨...
数据工程
·
方法
数据仓库与数据湖建模 - 现代企业数据架构双引擎
数据仓库建模示例采用严格的维度建模方法,销售事实表通过主键和多个外键构建标准的星型模型结构。表结构包含时间、产品、客户、门店等维度外键,支持多维度分析查询。预计算的度量值包括销售金额、折扣金额、利润金额和销售数量等核心业务指标,外键约束确保了数据的引用完整性和质量保证。。数据湖建模示例展现了灵活的Schema-o...
职业成长
·
方法
零基础职场人如何建立学习信心:从Excel用户到数据分析师的转变路径
45岁财务经理、非技术背景HR等真实案例表明:零基础职场人通过小赢目标法,3-6个月可掌握Python/SQL并胜任数据分析工作。适用于互联网、金融、制造业等行业的转岗者与技能提升者。
数据工程
·
资讯
Day 6:从原型到生产就绪
Forge开发日记Day 6:把原型变成可私有化部署的服务。一天内完成用户认证体系、PostgreSQL数据库迁移、RBAC权限模型和CI/CD Pipeline 4大生产就绪模块,记录从SQLite单进程原型到企业级服务的完整改造过程。
数据工程
·
方法
维度建模基础 - 分析型数据建模的核心方法
维度建模是由Ralph Kimball在1990年代提出的专门用于数据仓库和分析型数据库的建模方法。它采用"事实-维度"的结构,将业务过程转化为可分析的数据模型,是数据仓库建模中最重要和广泛应用的方法。。业务过程驱动是维度建模的根本设计思维,将业务中的具体过程作为建模起点:。事务性事件:销售订单、支付交易、用户注...
AI
·
资讯
AI 工具铺得满地都是,为什么你公司的数据还是一锅粥?
Deloitte《AI现状2026》调研3235位全球高管发现:企业AI工具覆盖率同比增长50%,但数据基础设施就绪度仅43%、数据管理就绪度仅40%,比去年还在下降。工具越铺越多,数据底座却越来越乱——本文解读这份报告的核心发现,分析为什么大多数企业的AI落地注定失败。
数据工程
·
方法
数据建模概述 - 数据世界的设计蓝图
数据建模是将现实世界的业务概念、实体关系和业务规则通过系统化的设计方法,转化为结构化数据模型的工程设计过程。这个过程包含三个核心维度:。就如同优秀的建筑作品既要满足功能需求,又要考虑美学价值和工程可行性,卓越的数据建模需要在多个维度达到平衡:。关键输出:业务实体关系图、核心业务规则、概念数据字典。关键输出:逻辑数...
职业成长
·
方法
数据分析师用输出倒逼输入:3种可落地的学习闭环提升知识留存率90%
数据分析师、电商运营、BI工程师等从业者通过写分析笔记、做有结论的分析项目、讲给别人听三种输出方式,将知识留存率从阅读的10%提升至教授他人的90%。附SQL窗口函数、Python实战等可复用学习项目模板。
PRO
AI
·
方法
特征工程平台(Feature Store)
实时ML架构 - 特征在实时系统中的应用。MLOps实践 - 模型生命周期管理。机器学习基础 - ML核心概念。RAG实战 - 向量化特征应用
PRO
AI
·
方法
实时机器学习系统架构
Feature Store - 特征管理详解。MLOps实践 - 模型生命周期管理。Spark MLlib - 批量训练基础。机器学习基础 - ML核心概念
数据治理
·
方法
数据治理工程师 L2:治理实践
数据治理工程师实战进阶路线:系统掌握数据质量评估与监控、元数据管理平台搭建、数据标准化规范制定3大核心实践能力。从理论框架到落地执行,解决「治理制度写了一堆但没人执行」的典型难题,帮助1-3年数据治理从业者建立可复用的治理实践体系。
PRO
AI
·
方法
MLOps最佳实践 - 机器学习工程化
MLOps(Machine Learning Operations)是将DevOps实践应用于机器学习的方法论,旨在统一机器学习系统的开发(Dev)和运营(Ops),实现ML系统的可靠、可扩展和高效部署。。机器学习基础 - ML基础理论。Spark MLlib - 大数据ML实践。机器学习 - Python ML...
职业成长
·
方法
数据分析师用实践驱动学习法,3周内独立完成销售分析报告
数据分析师、业务分析师、运营岗新人通过实践驱动学习法,70%技能来自真实项目,20%来自同事指导,10%来自课程;3周内从零做出可交付的销售数据分析报告,解决‘学了Python但不会做报表’痛点。
PRO
AI
·
方法
Agentic RAG工程实战
#为什么选 Corrective RAG 作为实战目标。#第二步:State 定义。#第四步:条件边(决策逻辑)。#第五步:图的编译与执行。#第六步:FastAPI 封装。#效果评估:与 Naive RAG 的对比。Agentic RAG进阶架构 介绍了四种 Agentic RAG 架构。选 Corrective...
AI
·
方法
LLM评估体系
传统 NLP 评估指标与人类判断之间的相关性,在 LLM 时代几乎崩塌了。BLEU 高不代表答案好,ROUGE 低不代表答案差。LLM 评估需要一套完全不同的体系。。#为什么 LLM 评估很难。#第一层:自动化评估(RAGAS)。#第二层:LLM-as-Judge。#评估驱动的开发工作流。1. 开放域输出,没有唯...
职业成长
·
观点
写给数据人的 2026:当技术护城河被填平,我们靠什么端稳饭碗?
2026年数据行业深度研究报告:AI填平技术护城河后,数据分析师和数据工程师靠什么端稳饭碗?从大厂到独角兽的行业数据分析,涵盖市场行情研判、技能重构方向、高潜力赛道选择和具体避坑指南,帮助数据从业者在技术大变局中找到进阶路径。
← 上一页
7 / 16
下一页 →
会员
成为会员
解锁全部专属内容
+ 2300+ 知识库文档
Pro/Max 专属深度文章
2300+ 体系化知识文档
专属社群 & 职业咨询
查看会员权益 →
Essentials
→
数据质量不要只靠告警:真正有效的是把责任放进流程里
→
为什么你做的看板没人用:BI 自助分析不是把图放上去就行
→
临时分析别做完就扔:数据人如何把一次取数变成可复用资产
→
别让 AI 直接查库:企业问数 Agent 上线前必须补的 5 个底座
→
数据团队正在被重新定价:会做报表的人,和能推动决策的人
热门标签
# 知识库
108
# 数据工程师
55
# 职业发展
50
# 职场影响力
48
# 数据分析
41
# 数据工程
39
# 数据分析师
38
# ai
36
# 职场
32
# 数据治理
28
热门文章
→
数据质量不要只靠告警:真正有效的是把责任放进流程里
→
为什么你做的看板没人用:BI 自助分析不是把图放上去就行
→
临时分析别做完就扔:数据人如何把一次取数变成可复用资产
→
别让 AI 直接查库:企业问数 Agent 上线前必须补的 5 个底座
→
数据团队正在被重新定价:会做报表的人,和能推动决策的人
Tips
AI、SQL、工具的实用小技巧
→
查看全部 Tips
未在播放
✕
0:00
0:00
✕
喜欢这里的内容?
加入社区免费交流,或升级会员解锁全部深度内容。
免费加入社区
了解会员