目录一、前言二、内容结构三、主要内容1.引言2.活动3.工具4.方法5.实施指南6.数据质量与数据治理四、思考与总结一、前言本文是《DAMA数据管理知识体系指南》第13章的读书笔记，主要讲述数据质量相关的内容（之前数据治理-数据质量管理（上）已经较为详细地总结过数据质量相关的内容，可以参考）。数据质量是整个数据管理课题的最核心内容，数据管理的所有活动都是围绕提升组织的数据质量进行的。数据质量包含的

老板来了！！！来来来，安静一下，我们开个简短的会议啊。…………那么，问题来了，通过这次推广营销，拉回了多少流失用户？他们的贡献额是多少？ROI是多少？下一次营销预估会激活多少流失用户？小白的反应？？？额？赶紧记一下！• 什么是流失用户？• 贡献额的计算口径是什么？• ROI是什么鬼？• 流失用户的激活数据咋预测啊？我感觉已经陷入了一个大坑！！怎么办怎么办？谁来救救我？老司机来了~~~就是简单的分析

CV通常指的是“Computer Vision”（计算机视觉）。然而，传统的RNN模型存在梯度消失和梯度爆炸等问题，为了克服这些问题，后来出现了许多改进的RNN变体，如长短时记忆网络（LSTM）和门控循环单元（GRU）等。在学术和工业界，计算机视觉一直是一个活跃的研究领域，并且随着深度学习和大数据的发展，计算机视觉技术取得了显著的进步，为图像和视频分析提供了更准确和高效的解决方案。总的来说，LST

过拟合：把训练数据学习的太彻底，以至于把噪声数据的特征也学习到了，特征集过大，这样就会导致在后期测试的时候不能够很好地识别数据，即不能正确的分类，模型泛华能力太差，称之为过拟合（over-fitting）;欠拟合：模型没有很好的捕捉到数据特征，特征集过小，导致模型不能很好地拟合数据，称之为欠拟合（under-fitting）它的思想是：在所有坑选择的模型中，我们应该选择能够很好地解释一致数据并且十

所谓无监督学习，是指利用无标签的数据学习数据的分布或者数据之间的关系；下面通过跟监督学习的对比来理解无监督学习：监督学习是一种目的明确的训练方式，你知道得到的是什么；而无监督学习则是没有明确目的的训练方式，你无法提前知道结果是什么。监督学习需要给数据打标签；而无监督学习不需要给数据打标签。监督学习由于目标明确，所以可以衡量效果；而无监督学习几乎无法量化效果如何。

调用方法：plt.scatter(x, y, s, c, marker, cmap, norm, alpha, linewidths, edgecolorsl)cmap: 指定特定颜色图，该参数一般不用，有默认值。‘pentagram’ 或 ‘p’ 五角星（五角形）‘hexagram’ 或 ‘h’ 六角星（六角形）edgecolors: 设置散点边框的颜色。linewidths: 散点边框的宽度。

Matplotlib是一个Python 2D绘图库，它以多种硬拷贝格式和跨平台的交互式环境生成出版物质量的图形。Matplotlib可用于Python脚本，Python和IPython Shell、Jupyter笔记本，Web应用程序服务器和四个图形用户界面工具包。中文文档官方网站：https://www.matplotlib.org.cn/intro/下面介绍Matplotlib库中常用的几个函

目录1.原由:2.方案：3.步骤：1.第一步：备份hdfs-site.xml配置文件2.第二步：添加数据磁盘、格式化，并挂载到/data2目录3.第三步：创建hdfs数据存储目录4.第四步：修改hdfs-site.xml文件（所有节点），增加dfs.datanode.data.dir数据目录（用逗号分隔)4.补充：1.原由:在生产环境中，hdfs集群数据量已达到存储的90%，亟需对存储空间进行扩容

Code意义train_data待划分的样本特征集合x_train划分出的训练数据集数据y_train划分出的训练数据集的标签x_test划分出的测试数据集数据y_test划分出的测试数据集的标签test_size若在0~1之间，为测试集样本数目与原始样本数目之比；若为整数，则是测试集样本的数目随机数种子，不同的随机数种子划分的结果不同stratify。

示例： 一机器在良好状态生产合格产品几率是90%，在故障状态生产合格产品几率是30%，机器良好的概率是75%，若一日第一件产品是合格品，那么此日机器良好的概率是多少。其中：先验概率 P(A)，后验概率P(A|B)，条件概率P(B|A)，B 的先验概率P(B)，一般称为标淮化常量；第一步：定义事件，A : 机器良好；B : 第一件产品是合格品。确定问题是求解P(A|B)=?第三步：P(A|B)=P(