|-----------------------------------------------------------------------------------|----------------------------------------------------------------------------------|
| 书名：AI大模型助你轻松搞定数据分析 作者：吴昙 编著 出版社：人民邮电出版社 出版时间：2024年12月 ISBN：9787115575708 字数：276千字 | 
|
- 1日
在迎接未来的挑战与机遇时，要勇敢地拥抱变革，才能在激烈的竞争中立于不败之地，为个人和社会创造更大的价值。
【触动】stay hungry,stay foolish.
- 2日
写Prompt的10个技巧 ：
- 让每条prompt清晰具体的技巧
● 角色设定
● 写清背景
● 写清要求list
● 给出参考示例
● 借助思维链 ：即让模型分步骤思考🤔
- 对话有连续性
■ 同一对话窗口深入探讨，保持连续性
■ 分段输入：即一次聚焦一个问题
■ 使用引导性问题：即在模型偏离主线时提示拉回正轨
■ 使用"换个话题"切换分支
■ 适时总结：可以帮助GPT加深对话题的理解
- 3日
大模型的构建方式，从易到难主要有提示工程、检索增强生成（RAG）、精调、预训练 4种。通常不会只用一种方式，而会组合使用。
【触动】大模型的构建方法，对于我们普通使用用户，最容易学习和执行的就是提示词了。其他交给"专家"们。
- 4日
Agent=大语言模型（LLM）+工作流（Workflow）+工具（Tool）+知识库（Knowledge Base）
【触动】进一步理解何为agent,就是一个把相关零部件整合起来，形成一个更专业的工具。
- 5日
拉开数据分析师差距的从来不是应用工具的能力，而在于认知的能力，也就是我们常说的数据思维。
【触动】工具本身的使用，门槛都不会太高或太难跨越，而数据思维的形成，却需要从认知层面有深刻觉醒。我理解的数据思维，一方面是有数据模型的概念，另一方面是对所在业务有深刻的洞察，有数据驱动的方式，达成目标。
- 6日
技术进步带来的真正挑战不是"我会不会被替代"，而是"我要成为一个能够适应变化、跟上时代的人，还是固守原地、无法适应变化的马。
【触动】马车和汽车的故事，用来描述形容当下的AI时代真是生动形象。汽车的出现促进了社会的发展，适应变化的马夫从御马而行变成御车而行。生而为人，不要以马类同，只能被迫接受人类的驱使和命运安排。
- 7日
费曼学习法的第一步是选择一个主题，也就是确定你想深入学习的内容。第二步是学习并解释，搜集尽可能多的相关资料并仔细阅读，这个过程中一定要把自己的思考记录下来，然后，将自己学到的知识教授给别人。
【触动】确定学习目标、学习并解释、记录和思考、输出给他人。搜了下百度：费曼学习法可以简化为四个单词：Concept （概念）、Review （回顾）、Simplify （简化）、Teach （教给别人）。实践起来。
- 8日
商业模式是指公司如何创造、传递和捕获价值的方法。简而言之，商业模式描述了公司如何赚钱，包括其商品或服务的提供方式、客户群体、收入来源以及成本结构。
【触动】理解公司的商业模式，无论是公司哪个岗位，对于自身业务的开展和职业的规划，都很重要。
- 9日
真正有效的学习并不在于大量吸收信息，而在于对信息的深入思考、总结和实践。
【触动】我们总以为我们应该大量吸收信息，却缺少了对信息的总结、思考和实践，从而造成我们懂得很多道理，但却依旧过不好这一生的原因吧。
- 10日
马斯克在介绍Space X鹰隼发动机时说，"很显然，直接删除一些东西，总是比花时间去优化它更好。
【触动】这是一个相对来说违反大部分人常识的处置方式。日常我们对待很多问题的处理角度，就是不断的缝缝补补，不断的去优化。从第一性原理考虑，时刻保持清零状态，才会从根本上解决问题，达到最优效果。 如此去除不必要的复杂性，更加专注于核心问题。
- 11日
斯皮尔曼等级相关分析是一种非参数的统计方法，用于评估两个变量的等级（或排序）之间的单调关系。与皮尔逊相关系数评估线性关系不同，斯皮尔曼等级相关系数不假设数据服从正态分布，也不假设变量之间存在线性关系，因此它特别适合用于分析顺序变量或存在非线性关系的连续变量。
【触动】相关性分析，在可以说在数据分析的场景中，是一个通用的基础方法，应用面十分广泛。简单记忆：皮尔逊处理服从正态分布的连续变量的线性关系判定，不满足该场景的就使用斯皮尔曼相关分析来处理。
- 12日
我们要建设的是以人为本的人性的社会，这是人类社会的基础。
【触动】"我们要建设的是以人为本的人性社会。"之前也看到过一篇类似的博文有这样的说法，我们需要的是让这个社会有有人情味。AI的接入仿佛背道而驰，诸如外卖配送接入AI算法后，让配送时间越来越短，不断的压榨外卖小哥的劳力，机器看到的最优却是人类身上的大山。有句话说的好："时代的一粒灰尘，落在个人身上都是一座大山。"所以总体上，需要靠体制、机制和社会协同，避免时代的灰尘！
- 14日
正交概念解释示例图:
【触动】果然，图形化的表达还是容易理解。"正交"这个概念学了很长时间，听了很多次，恍惚间感觉看了这个图才如梦初醒！
- 16日
我们在做A/B实验，甚至在做任何决策时，都得意识到这个问题。不要只看到眼前的小波动，要从长期和大量数据来看问题。
【触动】机器或者说算法需要大量数据来验证某个数字规律，但作为人我们有举一反三的能力。因此从另一个角度，我们的视野也要不断拓展，透过现象看本质，不要由于短期的波动或者信息冲击而迷失自我。
- 17日
大数定律和小数陷阱在生活中也能给我们很多启示。首先，大数定律告诉我们，只有经历足够多的尝试，结果才会趋于稳定。这意味着，一时的成功并不能代表长期的趋势。同理，遇到很多不好的事情时也无须气馁，只不过是这个时候你正好遭遇了许多不好的事，接着努力去做，最后就能得到好的结果。
【触动】有人可能老有所成，有人可能少年得志。所有坚持所有，持续前行，终将所成，早晚而已，只是每个小个体兑现的时间有差异。
- 18日
不妨把心之所向和才之所长放在首位，追求那些既"想做"又"能做"的事情，这正是我们潜力圈的所在。
【触动】心之所向，才之所长。在自己喜欢的领域做自己擅长的事情。因此提升自己的长板，其他大概终归自来！
- 21日
分析师确实不能"躲"在数据后面，而需要了解业务、梳理业务流程。
【触动】脱离了业务范畴，而单纯从数据洞察业务，大概就是纸上点兵。
24日
《高效能人士的7个习惯》的作者史蒂芬·柯维说过一句话："想法产生行动，行动养成习惯，习惯变成性格，性格决定命运。"首先，把时间管理变成一种习惯很关键。你可以将一天划分为多个时间块，在不同时间块专注于特定的任务。其次，要做正确的事情，你需要时刻评估哪些任务对你的长期目标最有意义，优先处理这些任务，可以用第一性原理进行思考与分析。最后是学会取舍，并不是所有任务都值得全力以赴，决定不做什么也很重要，那些不做损失也不大的事情就是不重要的事情。
【触动】要进行时间管理，要坚持持续的做正确的事，要会选择取舍。
25日
AI时代下如何塑造自我（构建个人品牌）：
首先，要不断思考自己的特点和优势在哪里。
实现路径：
1）通过自我探索，尝试新事物，通过不同的经历发现自己的潜力和兴趣。
2）倾听他人的反馈，有时别人能从外部的角度看到我们自己没发现的优势。
其次，在学习和工作中，要激发自己的想象力 。
实现路径：
1）利用休息时间发散思维；
2）利用通勤时间阅读非专业书籍，拓宽知识领域；
3）进行团队讨论。
再次，培养自己的直觉。
最后，要培养自己的批判性思维 。
实现路径：
1）勇于问"为什么"，并形成自己的见解；
2）需定期自省，审视自己的思维方式，认识到潜在的偏见，并努力克服其影响。
3）阅读经典著作。
4）通过写作来锻炼。
自我塑造=自身优势+想象力+直觉+人际交往+批判性思维。
- 26日
自律包含的四个原则：
1）延迟满足
2）承担责任
3）尊重事实
4）保持平衡
【触动】诚然，对于自律自己的理解确实是太过于片面了。自律不是单纯的按照既定计划严格执行，而是动态调整，直面问题，实践知行。
- 28日
在这个算法重构商业逻辑的时代，数据分析师的价值锚点正在从"解释过去"转向"塑造未来"。保持对技术演进的敏锐度，深挖业务本质需求，培养人机协同的创新能力，将是构建职业护城河的关键。建议定期进行技能差距分析，建立动态的能力演进框架。
【触动】数据分析师，除了保持对业务深度的挖掘，对技术演进也要敏锐。AI时代，营造自个是AI产品负责人的角色转换，这样，对于技术、对于业务、对于思考的深度，都会有完全不一样的见解和求知欲。