通常，对数据分析领域感兴趣的人会认为“数据分析就是处理数据”，这在一定程度上是正确的，但主要问题是“你将如何处理数据？”。

首先为了建立机器学习模型，我们需要了解数据中的底层模式，这将有助于决定应该使用哪种特定的 ML 算法来提供问题的解决方案。

为了理解，我们需要统计学的基础知识，所以下面我们就要来讨论一些非常基础和重要的统计学知识。

数据是事实和记录的集合，它提供了对“发生了什么”、“什么时候发生”和“正在发生什么”的理解。

在数据分析方法论的帮助下，我们使用可用的相关数据，并尝试预测“未来可能发生的事情”和“可能发生的时间”。为了得出这些结果，我们需要掌握大量的统计知识，这有助于理解数据代表什么。

例如，假设你被要求在一个研讨会上谈论全球变暖，你要做的第一件事是什么？

找出什么是全球变暖，它的历史，它对地球的影响，然后你需要拿出一些有用的信息，整合它，为演讲做准备。

这里，全球变暖是你拥有的数据，使用这些数据你需要提供信息，如果是主观数据，我们可以在互联网上浏览或阅读一些书籍来收集信息，但是，如果数据是分类数据或数字数据（分类指的是使用字符串值表示的数据，例如，狗的品种或猫的品种等；数字是指使用数字表示的数据，例如，过去两年的温度等），则需要统计数据，从这些数据中提取信息。

我们有两类统计数据：1. 描述性统计，2. 推断统计。

描述性统计：当有很多的数据时，我们会尝试用一些有代表性的数字来表示这些数据。通过计算平均值、中位数或众数，来反映总体的特征。比如，已知一个班级所有同学的身高，我们可以通过计算这些数据的平均值，然后得出该班级学生的平均身高是165cm，这就是描述性统计。

推断统计：当我们从数据中抽取样本，并试图从中推断出一些有用的信息，这些信息就代表了整个数据。简单来说，我们从整个数据中获取样本数据，并尝试将样本推断与整个数据联系起来。

假设我现在需要知道某个省的人口的身高，那么该如何表示这些数据呢？

计算总人口的算术平均值非常困难，因此我们可以考虑一个代表总体的样本。通过计算样本中身高的算术平均值来得出结论。

总体均值用 μ 表示，样本均值用 x̄ 表示。