中级经济师监督学习和非监督学习

目前距离2021年中级经济师考试还有53天，在考前阶段要想突破自我，如何高效备考是前提条件，那么大家在备考中级经济师过程中要注意什么?我们来看看吧。一、保持自觉，进行自我监督从前，在学校学习时，大家总会受到老师、家长乃至班干部的监督;在职场上，大家每时每刻也都在受到领导的监督。但在备考中级经济师这件事情上，几乎不会有人来监督大家，大家如何才能坚持下去呢?那就是必须要保持高度的自觉性，根据个人的实际情况制定计划，按照计划一步一步来。二、筛选重难点，进行针对性学习在中级经济师考试中，涉及到的知识点还是非常多的。初看教材时，大家自然不能放过任何一个知识点。但随着备考的深入，大家就需要筛选出其中的重难点来，进行针对性的学习与练习。这点主要可以结合考试大纲和历年真题来进行。三、循序渐进，合理安排备考进度因为中级经济师考生通常都处于在职状态，时间、精力有限，所以大家一定要在备考时合理安排好时间，不能操之过急，而要坚持循序渐进，先认真看书，理解各个知识点，再进行章节练习，最后再做模拟试卷，进行查漏补缺等。四、熟悉教材教材才是根本，那怎样才能最有效率的看教材就是重中之重。我建议考生首先看下教材大纲，根据教材大纲看每个章节的知识点，看每章节历年分值比例，确认知识点是要了解还是重点理解，初步确定下要学多深。第二，站在命题老师的角度找考点，换位思考，到底会考什么。第三，理解考点，实在无法理解就要记住。实际学习中，真正不好理解的考点其实不多，考点都是对社会生活或者工作实际中的一些规律的总结。对于具体考点，我们要擅长于借鉴生活中的例子来理解。如果有的考点实在难以理解，那我们就先分析该考点中可能会出题的是哪几句话，单独记在一个笔记本，考前再集中背一遍。

1.尽早准备，多轮复习

中级经济师需要考《经济基础知识》与《专业知识和务实》两个科目，考察的知识内容是很多的，需要考生花费较多的时间来通读一遍教材。小编建议各位考生制定4-5个月的复习计划，多轮复习。

第一轮复习占时1个半月左右的时间，需要考生将整本教材过一遍，做到以教材为本，认真归纳总结知识点，对书本内容理解记忆，在脑海中构建出整体的知识体系。还要做到理论与实践相结合，每学完一章后，做对应的练习题，检验看书效果的同时加深巩固知识点。

第二轮花费1个半月时间，重点在复习和练习，对知识点复习时建议结合考试大纲制成思维导图、利用空闲时间不断对内容加强理解和认识。

第三轮花费1个半月时间，即考前冲刺时间，多做模拟试题以及往年真题，自己分析总结出题技巧和偏好，同时训练自己的做题速度，让自己适应考场氛围。

2.保证学习时间，养成学习习惯

大部分报考中级经济师考试的人都是上班族，每天学习的时间有限，所以如果有心备考的话最好提早准备，建议提前半年左右的时间准备，不要等到报名了才开始准备复习。另外学习计划要落实要每一天，每天固定两三个小时的学习时间，让自己养成学习的习惯。

3.坚定选择一个适合自己的老师

第一次备考的考生建议买一个网课听听，选择一个适合自己的老师，注意不要随意更换老师，每个老师的教学方式、风格都不一样，建议前期多花点时间在选择网课老师上，不要中途更换。跟网课的好处还是很多的，例如：知识点有人帮忙总结、有人监督学习、有其他同学一起学习……学习的氛围和效果会比较好，也省时省力。

4.保持良好心态

建议考生平常多给自己一些积极的心理暗示，保持一个良好的心态。不要小看心态，一个好的心态可以让原本不好的事情变得美好。在职备考的考生压力是比较大的，一边复习，一边备考，时间、精力上的压力都会很大。考生可以通过听音乐、运动等方式排解自己的压力。

更多中级经济师考试相关问题请访问来源页面：

考试马上就要来了，为了做好考前的备考准备，下面由我为你精心准备了“2020中级经济师经济基础备考知识点：数据挖掘”，持续关注本站将可以持续获取更多的考试资讯！

2020中级经济师经济基础备考知识点：数据挖掘

数据挖掘

数据挖掘的相关概念如下：

1.含义： 从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐藏在其中但又有潜在价值的信息和知识的过程。包含以下几层含义：

（1）数据源必须是真实的、大量的、有噪声的。

（2）发现的是用户感兴趣的知识。

（3）发现的知识是可接受的、可理解、可运用的。

（4）并不要求发现放之四海而皆准的知识，只支持特定的发现问题。

2.出发点和核心任务： 数据挖掘以解决实际问题为出发点；核心任务是对数据关系和特征进行探索。

3.类型

（1）指导学习或监督学习

监督学习是对目标需求的概念进行学习和建模，通过探索数据和建立模型来实现从观察变量到目标需求的有效解释。

（2）无指导学习或非监督学习

无监督学习没有明确的标识变量来表达目标概念，主要任务是探索数据之间的内在联系和结构。

4.常用的算法

（1）分类

1）含义：确定目标对象属于哪个预定类别，以实现对未来潜在的预测需求。分类技术属于一种监督学习，即使用已知类别的训练数据建立分类模型的方法。

2）实际应用：在邮件系统中区分出垃圾邮件，在贷款客户中判断出有风险客户等。

3）常用方法：决策树分类法、贝叶斯分类法、关联分类法、支持向量机、神经网络等。

（2）聚类分析

1）含义：把一组数据按照差异性和相似性分为几个类别，使得同类的数据相似性尽量大，不同类的数据相似性尽可能小，跨类的数据关联性尽可能低。聚类是一种无监督学习。其要划分的类是未知的，聚类分析是根据观察学习来确定数据之间的关系。

2）实际应用：用于客户细分、文本归类、结构分组、行为跟踪等问题。

3）常用方法：基于划分的方法、基于分层的方法、基于密度的方法、基于网格的方法和基于模型的方法。

（3）关联分析

1）含义：是对数据集中反复出现的相关关系和关联性进行挖掘提取，从而可以根据一个数据项的出现预测其他数据项的出现。

2）实际应用：啤酒尿布案例，数据挖掘发现大型超市中购买啤酒的男士经常同时购买小孩纸尿裤，基于这一发现，超市把啤酒和纸尿裤摆放在一起，结果两种商品的销售量明显提升。

3）常用方法：购物篮分析，目的是发现交易数据中不同商品之间的联系规则，让营销商制定更好的营销策略。

（4）趋势与演化分析

趋势与演化分析包括数据变化趋势、序列模式分析、周期性分析以及相似程度分析等内容。统计学的回归分析方法经常用于这类问题的分析。