如何从零开始写好论文
如何在有限时间内，通过书籍，搭建出自己感兴趣领域的知识体系呢？
如何在有限时间内，通过书籍，搭建出自己感兴趣领域的知识体系呢？
分析题目，我们获得了3个关键字：（1）短时间（2）新领域（3）知识体系，要短时间内通过系统学习建立一个新领域的知识体系，最适合的方法恐怕就是思维导图拆书了。
一、思维导图拆书，拆的是纯干货，解决了“短时间”的问题一本书，真正的观点或重点部分，不超过20，剩余80都是论据或示例，如果一本书全是重点或干货，那么只能说明这本书没有重点。上学时老师告诉我们，到处都是重点就是没有重点，所以，要想快速掌握一个新领域知识，最高效的读书方法就是思维导图。
比如下面是《学的少，考的好》的拆书笔记。
第一步，我们将书的核心主线画出导图，通过制定目标、培养习惯、克服障碍、学习方法4个维度，给出书中精髓，回答了为什么学的少反而考的好。
第二步，我们梳理所有二级观点的支持或进一步展开，比如，定期总结回顾的方法和好处，通过这样进一步的知识点延伸，整本书的核心内容就差不多了解了。
第三步，补全、完善，形成整本书的关键点的导图结构，进一步确认书中的逻辑（有些内容，书中的逻辑未必正确），通过这种批判性思维，对一本书其实至少阅读了2到3遍，而且是快速阅读，是基于关键点的阅读。
二、思维导图的结构化特点，适合解决“新领域”问题我们要学习一个新领域的知识，期初的重点不是在于“精”而在于“广”，所以，可以用思维导图快速绘制新领域的方方面面知识点，从而实现新领域知识的快速学习。
比如我们想研究麦肯锡咨询方法，第一步，我们将麦肯锡的相关书籍和方法分为“极品”、“指导书”、“必备宝典”、“精品”四类。
第二步，我们按自己的分类将所有书籍和方法归类，比如：
（1）极品
（2）指导书
（3）麦肯锡咨询顾问必备宝典
（4）麦肯锡咨询顾问必备宝典2
（5）精品
第三步，基于上述结构化思维，找齐相互书籍教程，然后利用思维导图拆书的方法，快速学习、快速入门新领域。
三、思维导图的发散性，适合解决“知识体系的完整性”问题思维导图的本质是发散思维，表现形式是树形化、图形化，知识节点就像一个神经元，每个节点可以生出更多神经元。
发散性思维非常重要，这是完善我们知识体系的关键，否则，我们所知的知识点会比较孤立，相互之间缺乏关联，而通过关联，我们很容易识别出知识点之间的冲突部分和遗漏部分，从而优化和完善我们的知识体系。
四、简单回顾一下（1）利用思维导图拆书，解决了“短时间”的问题
（2）利用思维导图的结构化特点，解决“新领域”的学习需求问题。
（3）利用思维导图的发散性，确保知识体系的深度和广度。
五、工具分享我分享了一个2G的资源包，包括工具、教程、模板，获取方法：
（1）点赞 转发 关注 （关注是方便你获得后续更多干货）。
（2）私信发：思维导图大礼包。
今天就分享到这里，关注【思维导图PPT】，每天分享一篇思维导图、PPT、职场技巧干货，希望你的每次来访都有所收获，助您早日升职加薪！
从零开始，如何学习数据挖掘？
作为有着两三年数据科学从业经验的过来人，我想结合自己一些数据科学浅薄的经验来回答这个问题。
从零开始学习数据挖掘，首先需要明白数据挖掘是做什么的？
百度百科中的定义为：数据挖掘是指从大量的数据中通过算法搜索隐藏于其中信息的过程，并且数据挖掘横跨多个领域，涵盖了统计学、数学、机器学习和数据库等，是一个交叉学科。
所以，学习数据挖掘需要学习多种知识。
如果是已毕业工作中的小伙伴，建议先从编程能力实现一些数据分析需求来入手。因为工作中可能没有太大块的学习时间，想在工作的同时学习，就要有一定工程能力满足老板的一些数据分析需求。适合数据挖掘的语言有编程语言python，以及偏统计的语言R，sas，数据采集语言sql等。python的优点是工作中懂的开发人员比较多，比较好沟通，近年来也是很火的语言。推荐的书籍：《跟老齐学python》，《笨方法学python》，《利用Python进行数据分析》等，网上的课程：
等。关于R语言我的经验比较少，不好推荐。sas语言是金融机构用得比较多，因为是闭源的，从信息安全角度看比较合适。推荐的书：《The Little sas book》、《深入解析SAS》等。sql语言相对比较简单，可以在工作中学习，就不作推荐了。
刚才提到实现一些数据分析需求也能有助于数据挖掘，因为数据挖掘除了刚才提到是交叉学科外，为了能让项目落地产生价值还需要学习我们的业务，例如我们的数据挖掘是基于金融业务的或者电商业务的，那么就要学习金融业务或电商业务的相关知识。那么数据分析就是一个锻炼业务敏感度的一个很好的方式。为了让数据挖掘产生价值，业务经验很重要，这是很多从业人员比较容易忽略的一个点。
后面进阶的话就必须需要数学基础和机器学习算法了，因为很多的机器学习算法乃至深度学习都是以数学、统计学理论为基础。这也是市场上招聘数据挖掘工程师、算法工程师、数据分析师比较青睐数学相关专业的人士原因。数学推荐书籍：《高等数学》，《高等代数》，《概率论与数理统计》等。算法推荐书籍：《统计学习方法》，周志华的《机器学习》
至于大数据方面知识的学习也是比较重要的，在公司发展到后期阶段积累了比较大数据量的时候，也是要学一些大数据挖掘的框架如hadoop和spark等。所以最近也有新的一个岗位大数据算法工程师也是要求大数据方面的从业经验。
所以总的路线就是：编程语言》数据分析实践积累业务经验〉数学基础和机器学习算法》大数据框架。
当然每个人背景不一样，所以学习路线都可能不同，但提到的这几点是个人觉得比较重要的。有不同看法的大牛也欢迎来讨论讨论。