01【调研-数据分析（质量、ETL、可视化）】

ETL，是英文Extract-Transform-Load的缩写，用来描述将数据从来源端经过抽取（extract）、转换（transform）、加载（load）至目的端的过程。ETL一词较常用在数据仓库，但其对象并不限于数据仓库。

数据分析是指通过收集、清洗、整理和解释数据，以提取有价值的信息和洞察力的过程。在数据分析中，有几个重要的方面需要考虑，包括数据质量、ETL（抽取、转换和加载）和可视化。

数据质量：数据质量是确保数据准确、完整、一致和可靠的度量。在数据分析中，数据质量对于得出准确的结论和做出正确的决策至关重要。以下是一些确保数据质量的常见方法：
数据清洗：去除数据中的重复项、空值、异常值和错误数据。
数据验证：检查数据是否符合事先定义的规则和约束。
数据整合：将来自不同来源的数据整合在一起，确保数据的一致性和完整性。
数据审查：评估数据的准确性、完整性和一致性，并解决潜在的数据质量问题。
ETL（抽取、转换和加载）： ETL是指将数据从各种来源（如数据库、日志文件、API等）中抽取出来，进行必要的转换和清洗，然后加载到目标系统中进行分析的过程。以下是ETL过程的主要步骤：
数据抽取：从各种来源中提取数据，通常使用查询、API调用或文件导入等方法。
数据转换：对抽取的数据进行清洗、整合、转换和规范化，以便符合分析的需求。
数据加载：将转换后的数据加载到目标系统（如数据仓库、数据湖等）中，以便进行进一步的分析和可视化。
可视化：可视化是将数据转换为图表、图形和其他可视元素的过程，以便更好地理解和传达数据中的模式、趋势和洞察力。以下是可视化的一些常见方法和工具：
图表和图形：使用柱状图、折线图、饼图、散点图等图表类型来展示数据。
仪表板：通过将多个图表和指标组合在一起，提供对数据的全面和实时的可视化展示。
数据可视化工具：例如Tableau、Power BI、Matplotlib、D3.js等工具，提供丰富的可视化功能和交互性，帮助用户更好地探索和解释数据。

综上所述，数据分析过程涉及到确保数据质量、进行ETL以及进行数据可视化，以获得准确、可靠且有意义的结果和洞察力。

ETL常用的三种工具介绍及对比Datastage，Informatica和Kettle

ETL常用的三种工具介绍及对比Datastage，Informatica和Kettle

1.1【流程图】

1.2【架构图】

1.3【使用场景】

1.4【技术架构】

02【fhzn项目】

2.1【es多维度检索接口】

多维度检索方案设计，es多条件查询接口。

接口编写、git提交代码。

2.2【AI算法库资料整理】

第一阶段任务，参考两个推荐文献，抽象出 AI 领域的一个总体结构，包括内部包含的不同类别的算法和常用算法。这里可以参考分成四个部分总结。

第一部分：关于 AI 领域的发展历程、由一开始的专家系统到后面的神经网络做一个全局的说明和叙述。
第二部分：阐述 AI 领域内一些概念或术语上的解释，如训练、损失、评估器优化器之类的概念。
第三部分：是理论层面的，包括回归、分类等任务常见算法。
第四部分：列出不同目前工业领域 AI 火热的领域，如 NLP、视觉领域，再往下细分，列出一些更细的方向和每个方向下的常见算法，先把总体的资料库骨架抽象出来后续填充内容。