急求数学题， 总共北京积分落户申请人员39662，12个前端人员，4个后台人员，7个助力人员
点击联系发帖人
时间：2017-11-20 11:08
&p&给亲推荐一系列数据库的免费学习课程，希望能够帮到亲。&/p&&p&先来个脑图&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-ba74dfabc00ceb0763ec9db_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&690& data-rawheight=&957& class=&origin_image zh-lightbox-thumb& width=&690& data-original=&https://pic4.zhimg.com/50/v2-ba74dfabc00ceb0763ec9db_r.jpg&&&/figure&&p&课程一：《MySQL数据库入门学习》&/p&&p&免费学习地址： &a href=&//link.zhihu.com/?target=http%3A//click.aliyun.com/m/46379/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&click.aliyun.com/m/4637&/span&&span class=&invisible&&9/&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&课程介绍：本课程通过最流行的开源数据库MySQL带你了解数据库的世界。&/p&&p&&br&&/p&&p&课程二：《Redis数据库入门》&/p&&p&免费学习地址： &a href=&//link.zhihu.com/?target=http%3A//click.aliyun.com/m/46380/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&click.aliyun.com/m/4638&/span&&span class=&invisible&&0/&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&课程介绍：Redis是一个开源的使用ANSI C语言编写、支持网络、可基于内存亦可持久化的日志型、Key-Value数据库，并提供多种语言的API。&/p&&p&Redis 是一个高性能的key-value数据库。Redis的出现，很大程度补偿了memcached这类key/value存储的不足，在部 分场合可以对关系数据库起到很好的补充作用。它提供了Java，C/C++，C#，PHP，JavaScript，Perl，Object-C，Python，Ruby，Erlang等客户端，使用很方便。&/p&&p&&br&&/p&&p&课程三：《分布式数据库技术与实现》 &/p&&p&免费学习地址：&a href=&//link.zhihu.com/?target=http%3A//click.aliyun.com/m/46381/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&click.aliyun.com/m/4638&/span&&span class=&invisible&&1/&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&课程介绍：本课程主要讲解分步式数据库系统的主要功能和实现方式，课程中首先阐述传统数据库所存在的问题，结合此问题说明分步式数据库系统如何解决这些问题，以及阿里云平台下分步式数据库系统如何优化这些问题。&/p&&p&&br&&/p&&p&课程四：《PostgreSQL数据库从入门到精通》&/p&&p&免费学习地址：&a href=&//link.zhihu.com/?target=http%3A//click.aliyun.com/m/46382/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&click.aliyun.com/m/4638&/span&&span class=&invisible&&2/&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&课程介绍：PostgreSQL被誉为“世界上功能最强大的开源数据库”，是以加州大学伯克利分校计算机系开发的POSTGRES 4.2为基础的对象关系型数据库管理系统。&/p&&p&PostgreSQL支持大部分 SQL标准并且提供了许多其他现代特性：复杂查询、外键、触发器、视图、事务完整性、MVCC。同样，PostgreSQL 可以用许多方法扩展，比如，通过增加新的数据类型、函数、操作符、聚集函数、索引。&/p&&p&开发者可以免费使用、修改、和分发 PostgreSQL，不管是私用、商用、还是学术研究使用。&/p&&p&&br&&/p&&p&课程五：《SQL Server on Linux入门教程》&/p&&p&免费学习地址： &a href=&//link.zhihu.com/?target=http%3A//click.aliyun.com/m/46383/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&click.aliyun.com/m/4638&/span&&span class=&invisible&&3/&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&课程介绍：SQL Server数据库一直只提供Windows下的版本。2016年微软宣布推出可运行在Linux系统下的SQL Server数据库，该版本目前还是早期预览版本。&/p&&p&本课程主要介绍SQLServer On Linux的基本知识。&/p&&p&&br&&/p&&p&课程六：《HBase入门教程》&/p&&p&免费学习地址： &a href=&//link.zhihu.com/?target=http%3A//click.aliyun.com/m/46384/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&click.aliyun.com/m/4638&/span&&span class=&invisible&&4/&/span&&span class=&ellipsis&&&/span&&/a&&/p&&p&课程介绍：HBase是一个分布式的、面向列的开源数据库，该技术来源于 Fay Chang 所撰写的Google论文“Bigtable：一个结构化数据的分布式存储系统”。就像Bigtable利用了Google文件系统（File System）所提供的分布式数据存储一样，HBase在Hadoop之上提供了类似于Bigtable的能力。&/p&&p&HBase是Apache的Hadoop项目的子项目。HBase不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。另一个不同的是HBase基于列的而不是基于行的模式。&/p&&p&&/p&
给亲推荐一系列数据库的免费学习课程，希望能够帮到亲。先来个脑图课程一：《MySQL数据库入门学习》免费学习地址： 课程介绍：本课程通过最流行的开源数据库MySQL带你了解数据库的世界。 课程二：《Redis数据库入门》免费学习地址： …
&figure&&img src=&https://pic1.zhimg.com/v2-e208aec438c_b.jpg& data-rawwidth=&755& data-rawheight=&502& class=&origin_image zh-lightbox-thumb& width=&755& data-original=&https://pic1.zhimg.com/v2-e208aec438c_r.jpg&&&/figure&&p&推荐12本深度学习相关的书籍，大家可以根据介绍，选择适合自己的书来读。 原文地址：&a href=&https://link.zhihu.com/?target=https%3A//www.bonkersabouttech.com/ai/best-deep-learning-books/494& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&12 Best Deep Learning Books In 2018 - Ranked In Order Of Awesomeness!&/a&&/p&&p&&br&&/p&&p&&b&《Hands-On Machine Learning with Scikit-Learn and TensorFlow》&/b&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-bbd0f48c6f2cacd_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&191& data-rawheight=&250& class=&content_image& width=&191&&&/figure&&p&
首先，在我看来，这是12本书中最好的一本书，它采用了一种“动手”的方法，利用流行的机器学习库Scikit - Learning和Google的Tensorflow进行深度学习实战。&br&
和许多“深度学习”相关的书一样，比如《Deep Learning》，本书中也有很多方程式，但它比《Deep Learning》少得多，可读性也更强。&br&
作者试图用一种几乎任何人都能理解的方式来解释复杂的问题，这在我看来是一大优势。&/p&&p&
我喜欢这本书的原因是，它会带你从头到尾完成一个完整机器学习项目。因此，你可以看到使用真实数据的感觉，如何可视化数据以获得直观感觉，以及更重要的是，如何为机器学习算法准备数据。&br&
在本书的后面，你将看到著名的MNIST分类器，模型是如何训练的，以及一些基本的机器学习分类器，如SVMs、决策树、随机森林等。&br&所有这一切都是为了本书的第二部分做准备，这本书涉及Tensorflow(包括安装)和一个基本的神经网络和深层神经网络。&/p&&p&
我认为这本书的结构非常好，并以正确的顺序介绍了主题。尽管这本书有很多公式，但书中的思想和具体例子都得到了很好的解释。&/p&&p&&br&&/p&&p&&b&《Deep Learning》&/b&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-6fe3bee54f425c2ea8f466_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&188& data-rawheight=&250& class=&content_image& width=&188&&&/figure&&p&
好的，接下来就是《Deep Learning》。可能是这12本书中最全面和完整的书。&br&
这本书是由这一领域的三位专家，Ian Goodfellow、Yoshua Bengio和Aaron Courville写的。&br&
这本书也是这12本书中唯一得到企业家Elon Musk认可的书。&/p&&p&
这本书被许多人认为是一本深度学习领域的圣经，这是正确的——它把多年来值得学习和专注研究的东西集中在一本书里。&br&
这本书并不是为胆小的人写的，可能更适合睡前阅读，因为它充满了方程式，而且是以典型的教科书方式写的，所以不是以最有趣的方式写的。然而，它确实适合于初学者，并介绍了基本数学，如线性代数，概率论，然后进入机器学习基础，最后深度网络和深度学习。&br&
因此，如果你是一个有抱负的学生，希望掌握这门学科，并深度学习研究，或者即使你想进行深度学习教学，那么这本书肯定会让你受益。这可能是目前关于这个主题最全面的书。&/p&&p&&br&&/p&&p&&b&《Deep Learning for the Layman》&/b&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-6b6e098b26af8fef1ee7ba1_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&167& data-rawheight=&250& class=&content_image& width=&167&&&/figure&&p&
我之所以把这本书包括在内，是因为正如书名所示，这本书是为一般读者写的。&br&
对于外行人来说，《Deep Learning for the Layman》首先介绍深度学习基础，特别是它是什么，以及为什么需要它。&br&
本书的下一部分解释了监督学习、非监督学习和强化学习之间的区别，并介绍了分类和聚类等主题。&br&
在本书的后面部分，将讨论人工神经网络，包括它们是如何构建的，以及构成网络中每个层的部分。&br&
最后讨论了深度学习，包括卷积神经网络，它构成了目前使用的许多计算机视觉算法的一部分。&br&
我把这本书看作是深度学习的入门书，并了解其中涉及的概念。虽然实际上，我不确定这本书会有什么好处，但如果你想要一本简明的英文指南，同时又能寻求一点突破，那么这本书可能适合你。&/p&&p&&br&&/p&&p&&b&《Make Your Own Neural Network》&/b&&/p&&figure&&img src=&https://pic1.zhimg.com/v2-d72baab2dc6bef6c51e45c3a55d839a1_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&193& data-rawheight=&250& class=&content_image& width=&193&&&/figure&&p&
严格来说，这并不是一本“深度学习”有关的书，但这本书将带你踏上一段完全理解神经网络及其工作原理的旅程，这将有助于你理解深度神经网络。&br&
在这本书里，你将被带领，通过神经网络的数学公式，并将使一个初学者完全理解神经网络是如何工作的。&br&
不仅指导你了解它们的工作方式，还将基于Python，实现两个神经网络示例，这将有助于加深你对该主题的理解。&br&
本书从机器学习相关的高级概述开始，然后深入研究神经网络的细节。所涉及的数学并不超出中学水平，但包括微积分的一小部分的介绍，解释的方式也是让尽可能多的人能理解。&br&
搭建自己的神经网络有两个部分，第一部分是关于思想和理论，第二部分是比较实用的部分。 在第二部分中，你将学习Python编程语言，并逐步独立建立能够识别手写数字的神经网络。&br&
作为奖励，你还将学习如何让你的神经网络运行在Raspberry Pi环境上！&br&
这是一本非常棒的书，对于那些希望了解基本神经网络的本质的人来说，这可能是这12本书中一个很好的先决选择。&/p&&p&&br&&/p&&p&&b&《Deep Learning for Beginners》&/b&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-29df0ee738a8abfbb5219c_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&167& data-rawheight=&250& class=&content_image& width=&167&&&/figure&&p&
《Deep learning for beginners》并不太关注深度学习的数学公式，而是使用图形来帮助你理解深度学习的基本概念和算法。&br&
本书采用了一种不同于其他许多书的写作的方法，提供了深度学习算法如何工作的简单示例，然后逐步构建这些示例，并逐步介绍算法中更复杂的部分。&br&
这本书的目标读者是多种多样的，从计算机科学的新手，到数据科学的专业人员和导师，他们希望以最简单的方式向学生解释这一主题。&br&
在本书的结构方面，你将首先学习人工神经网络的基础知识，并了解机器学习和深度学习之间的区别。&br&
接下来，你将学习所有关于多层感知器( MLP )的知识，然后再学习卷积神经网络( CNN )和其他深度学习算法。&br&
这是一本适合与初学者的书，很好地解释了这些概念，但是如果你正在寻找一个更实用的东西，那么你可能应该看看其他的书。&/p&&p&&br&&/p&&p&&b&《Neural Networks and Deep Learning: Deep Learning explained to your granny》&/b&&/p&&figure&&img src=&https://pic1.zhimg.com/v2-fff1073ef00_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&157& data-rawheight=&250& class=&content_image& width=&157&&&/figure&&p&
一本书，解释事情如此简单，以至于你的奶奶都可以理解，在我看来，必须推荐给大家！&br&《Neural Networks and Deep Learning》将带你逐步了解神经网络和深度学习的基础知识，对于那些想了解这个主题但不一定想深入了解它背后的所有数学知识的人来说，这是一本很好的书。&br&
因此，在简要介绍了机器学习之后，你将了解有监督和无监督学习，然后深入研究神经元、激活函数和不同类型的网络体系结构等内容。&br&
最后，你将了解深度学习实际上是如何工作的，深度神经网络的主要类型是什么(包括卷积神经网络)，如何赋予神经网络Memory，并讨论了各种可用的框架和库。&/p&&p&&br&&/p&&p&&b&《Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms》&/b&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-bb68ed6aa3d600cb271442c_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&191& data-rawheight=&250& class=&content_image& width=&191&&&/figure&&p&
这本书由Nikhil Buduma和Nicholas Locascio的所写，旨在针对那些熟悉Python和有微积分背景的人，开始学习深度学习，。&br&
尽管如此，深度学习的基础知识确实涵盖了机器学习和神经网络的基础，并教你如何训练前馈神经网络。&br&
在我看来，这本书的亮点之一是它大量使用了Tensorflow，这是谷歌构建神经网络的API。事实上有整整一章专门讨论这个问题，在我看来这是一个很大的加分点。&br&
在本书的其余部分，它讨论了一些相当先进的特点，如梯度下降问题，卷积滤波器，深度强化学习等。然而，这本书的包含了一些很好的图表，尽量少设计数学相关的东西，也有一些优秀的解释。&/p&&p&&br&&/p&&p&&b&《Learning TensorFlow: A Guide to Building Deep Learning Systems》&/b&&/p&&figure&&img src=&https://pic1.zhimg.com/v2-adf70d20e60f7e20e1efa8a84cee4be0_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&191& data-rawheight=&250& class=&content_image& width=&191&&&/figure&&p&
下一步是一本书，重点放在Tensorflow上一个端到端的指南。这本书从实践的角度来讲解Tensorflow，面向从数据科学家到工程师、学生和研究者等广泛的技术受众。&br&
这本书一开始讲得很慢，提供了一些Tensorflow的基本示例，但随后转向更深入的主题，如卷积神经网络等神经网络体系结构、如何处理文本和序列、Tensorboard可视化、Tensorflow抽象库和多线程输入管道。&br&
《Learning TensorFlow》的最终目标是教你如何通过保存和导出模型以及如何使用TensorFlow服务API在TensorFlow中构建和部署深度学习系统。&/p&&p&&br&&/p&&p&&b&《Deep Learning with Python》&/b&&/p&&figure&&img src=&https://pic1.zhimg.com/v2-6baa58d0fecde_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&199& data-rawheight=&250& class=&content_image& width=&199&&&/figure&&p&
《Deep learning with python》(如标题所示)介绍了使用Python做为编程语言，基于开源Keras库来进行深度学习研究，该库可以轻松快速地进行原型开发。&br&
这本书最大的优点是非常引人入胜，这使得这本书非常易读。因此，人工智能和深度学习的一些更具挑战性的方面被简单地列出，这使得理解变得更容易。&br&
这本书也避免大量使用数学符号，着重于通过代码片段来解释概念(其中有30多个代码片段)。&br&
在《Deep learning with python》中，你将从一开始就了解深度学习，学习所有关于图像分类模型、如何对文本和序列使用深度学习等知识，甚至还将学习如何使用神经网络生成文本和图像。&br&
这本书是为那些有中级Python技能的人写的，但是你不需要有任何以前的机器学习经验，Tensorflow或Keras。&br&
哦，你也不需要一个高等数学背景，仅仅是基础高中水平的数学应该让你跟随和理解核心思想。&/p&&p&&br&&/p&&p&&b&《Deep Learning: A Practitioner's Approach》&/b&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-aaa5aedf01b5e5d0bfbf1d5ce74def78_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&386& data-rawheight=&508& class=&content_image& width=&386&&&/figure&&p&
我名单上的第十本书是《Deep Learning: A Practitioner's Approach》。&br&
与这12本书中的其他书籍不同，本书侧重于将深度学习与Java结合 ( DL4J )，这是一个用于训练和实现深层神经网络的Java框架/库。&br&现在，大多数人工智能研究都是在Python中进行的，因为快速原型制作通常更快，但是随着更多的组织(其中许多组织使用Java )采用人工智能，我们可能会看到更多的人工智能算法转向像DL4J这样的Java框架。&br&
这本书首先是一本关于深度学习的入门书，但是如果你已经有Java或深度学习的经验，那么你可以直接去看看例子。&br&
如果你没有深度学习的经验，但有很强的Java经验，那么你应该从头到尾阅读它。&br&如果你根本不懂Java，那么我强烈建议你读一本Java初学者的书。&br&
通过阅读这本书，你将了解机器学习的一般概念，特别是关于深度学习。你将了解深层神经网络是如何从基本神经网络演变而来的，还将了解一些深层网络体系结构，如卷积和递归神经网络。&br&如果你熟悉Hadoop和Spark，那么你将能够了解如何在DL4J中本机使用这些技术。&/p&&p&&br&&/p&&p&&b&《Pro Deep Learning with TensorFlow》&/b&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-08aaadf16ca9e7ae5b852da_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&363& data-rawheight=&515& class=&content_image& width=&363&&&/figure&&p&
本书将以实践的方式教你如何使用Tensorflow，使你能够从头开始学习深度学习，快速掌握Tensorflow API，并了解如何优化各种深度学习网络体系结构。&/p&&p&
《pro Deep Learning》将帮助你培养所需的数学知识和直觉，以调整现有的神经网络结构，甚至发明全新的体系结构来挑战最先进的网络结构&br&
本书中的所有代码都以iPython笔记本的形式提供，并且在过去使用过Tensorflow之后，我发现在开发过程中使用iPython笔记本非常有用。&br&
本书面向数据科学家和机器学习专业人员、软件开发人员、研究生和开源爱好者，将为你提供数学基础和机器学习原理，使你能够开展研究，并在生产中进行部署等更深入的解决方案。&/p&&p&&br&&/p&&p&&b&《TensorFlow for Deep Learning》&/b&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-fddff1e5ba1b7fbb20af_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&383& data-rawheight=&502& class=&content_image& width=&383&&&/figure&&p&
在撰写本文章时，《TensorFlow for Deep Learning》尚未发布，但可以预订。&br&这本书将通过实际例子从头开始教你深度学习的概念，是为那些有构建软件系统经验，但没有深度学习体系结构经验的开发人员设计的。&br&因此，本书将向你展示如何设计能够执行目标检测、翻译人类语音、分析视频甚至预测潜在药物性能的系统！&br&
你将深入了解TensorflowAPI、如何在大型数据集上训练神经网络以及如何将Tensorflow与卷积网络、递归网络、LSTMs和强化学习结合使用。&br&
这本书需要一些基本线性代数和微积分的背景知识，但这是一本实用的书，旨在教你如何创建可以学习的系统。&/p&&p&&br&&/p&&p&&b&全文总结&/b&&br&
这就是我们，目前最好的一些深度学习书籍。人工智能，特别是深度学习，已经非常有用，并且已经用这种技术取得了非凡的成就。然而，它仍处于初级阶段，许多组织尚未接受它。但这为那些愿意学习这门学科的人提供了机会。&br&
深度学习有能力改变许多行业，还有很多创业的想法还没有被想象出来。我觉得我们才刚刚开始革命。作为一名深度学习研究人员，我有一些深度学习的经验，但我知道我的许多同事尚未学习这个主题。&br&
那么，为什么不借此机会脱颖而出，尽你所能学习有关深度学习的知识，或许你可以把下一个大型人工智能初创企业带到硅谷？即使你没有创建一个创业公司，这是一个了不起的经历以附加到任何简历中。&/p&&p&&b&往期内容推荐：&/b&&/p&&p&&a href=&https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIxNDgzNDg3NQ%3D%3D%26mid%3D%26idx%3D1%26sn%3D510fb087e5a851cd99a0d%26chksm%3D97a0cfc4a0d746d276abd55cb9abbac2f1636034ebcaad79c83a58%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&历史最全GAN网络及其各种变体整理（附论文及代码实现）&/a& &/p&&p&&a href=&https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIxNDgzNDg3NQ%3D%3D%26mid%3D%26idx%3D1%26sn%3Df1c55919%26chksm%3D97a0c813a0dcdc02d0d382e9e13c1a2d925b1b2b232%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&英特尔免费精品课程推荐-深度学习基础&/a& &/p&&p&&a href=&https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIxNDgzNDg3NQ%3D%3D%26mid%3D%26idx%3D1%26sn%3D94acd441d2a6%26chksm%3D97a0c8a3a0d741b51ddc5b6df987b4fcec7ad61ce4a7a4b96d9ad9ce3f14e26ace%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深度学习中如何选择一款合适的GPU卡的一些经验和建议分享&/a& &/p&&p&&a href=&https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIxNDgzNDg3NQ%3D%3D%26mid%3D%26idx%3D1%26sn%3D2ac6eb322fca7ea22b1b%26chksm%3D97a0c89ea0dff97ef9e004d79f9%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&模型汇总23 - 卷积神经网络中不同类型的卷积方式介绍&/a& &/p&&p&&a href=&https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIxNDgzNDg3NQ%3D%3D%26mid%3D%26idx%3D1%26sn%3Dcc3891ffbd94b5a87fd9dc9ab41849dd%26chksm%3D97a0c8b2a0d741a40961bdbcade710beb2feeedaea467a260b48a%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&AI、神经网络、机器学习、深度学习和大数据的核心知识备忘录分享&/a& &/p&&p&&a href=&https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIxNDgzNDg3NQ%3D%3D%26mid%3D%26idx%3D2%26sn%3Dccd8d2e7186ddd0fd2ee5a%26chksm%3D97a0c8f3a0d741e5ef78b7f4e49bcd4d%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深度学习（AI）在医疗领域应用、需求及未来发展概述&/a& &/p&&p&&a href=&https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIxNDgzNDg3NQ%3D%3D%26mid%3D%26idx%3D1%26sn%3D34fda2ee9c43c77ad193%26chksm%3D97a0c8f5a0d741e3dbaea14e7ba02ba0c5bd9c3da3118cceed7b2df6b17d3b548%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&麻省理工学院-2017年-深度学习与自动驾驶视频课程分享&/a& &/p&&p&&a href=&https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIxNDgzNDg3NQ%3D%3D%26mid%3D%26idx%3D1%26sn%3D157d5a82cfccchksm%3D97a0c8f3a0d741e5b3971faaef8c23adec1aadeca4acab4%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&神经机器翻译（NMT）的一些重要资源分享&/a& &/p&&p&&a href=&https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIxNDgzNDg3NQ%3D%3D%26mid%3D%26idx%3D1%26sn%3D2871fa98abebc102bd832%26chksm%3D97a0c8e4a0d741f25bf4c5fd942e734cad3a9ad7cbacd648aacd9d98e1ef4343%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&斯坦福大学2017年-Spring-最新强化学习（Reinforcement Learning）课程分享&/a& &/p&&p&&a href=&https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIxNDgzNDg3NQ%3D%3D%26mid%3D%26idx%3D1%26sn%3Dfff812eeefbf7%26chksm%3D97a0c906a0d74010b9bef54fc38beb26cb229231cec34a5282cb3bcfaea3c130%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&模型汇总20-TACOTRON一种端到端的Text-to-Speech合成模型&/a&&/p&
推荐12本深度学习相关的书籍，大家可以根据介绍，选择适合自己的书来读。 原文地址： 《Hands-On Machine Learning with Scikit-Learn and TensorFlow》 首先，在我看来，这是12本书…
明确你学爬虫是为了什么。&br&&br&为了好玩，那就Python3，妥妥的。&br&话说Python2.7到2020年就停止维护了，并且Python3现在有很多新特性，至于学爬虫需要的第三方库比如Requests、BeautifulSoup也都支持Python3了，这点不用担心。话说现在连Scrapy这个写爬虫的大杀器也支持Python3了吧。&br&&br&为了工作，那还是Python2.7吧。&br&之前知乎上有位网易的工程师统计过身边各大互联网公司使用Python版本的情况，70%的人都用的是Python2.7。所以找工作的话，最好还是先学Python2。&br&&br&至于咋学呢？&br&&br&基础语法的话，&br&&br&廖雪峰的教程就挺好（&a href=&//link.zhihu.com/?target=http%3A//www.liaoxuefeng.com/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Home - 廖雪峰的官方网站&/a&），2.7和3都有。&br&&br&实在想看书，那就&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject/6049132/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python学习手册（第4版） (豆瓣)&/a&和&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject/4866934/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python基础教程 (豆瓣)&/a&二选一。&br&&br&你要是觉得这两本书太旧，并且都是讲python2的，那你就看这本，&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python编程：从入门到实践 (豆瓣)&/a&，最新的python3，很新很良心的一本书，16年出版，内容详实，布置合理，绝对是初学者入门的首选。&br&&br&&br&&br&爬虫部分的学习，想看书的话，&br&&br&Python2.7的话，看这本，&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&用Python写网络爬虫 (豆瓣)&/a&，16年8月出版的，不用担心过时，很良心的一本书。由浅入深，一步步地带你实现并完善一个爬虫。&br&&br&&figure&&img src=&https://pic1.zhimg.com/50/v2-81f85922b3ddfb7e8fa57a1a0b70e48c_b.jpg& data-rawwidth=&327& data-rawheight=&405& class=&content_image& width=&327&&&/figure&&br&&br&Python3的话，看这本，&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python网络数据采集 (豆瓣)&/a&，也是16年出版，同样也是介绍的很全面的一本书，urllib，正则，BeautifulSoup，Requests，正则，Scrapy，数据库等等你日后能用到的东西都讲到了，还有数据清洗和自然语言处理等比较高级的知识。&br&&figure&&img src=&https://pic2.zhimg.com/50/v2-b36e6674a5_b.jpg& data-rawwidth=&318& data-rawheight=&417& class=&content_image& width=&318&&&/figure&&br&&br&&br&&br&不想看书，也可以直接看文档：&br&&a href=&//link.zhihu.com/?target=https%3A//docs.python.org/2/library/urllib.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&20.5. urllib - Open arbitrary resources by URL - Python 2.7.13 documentation&/a&&br&&a href=&//link.zhihu.com/?target=http%3A//www.python-requests.org/en/master/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Requests: HTTP for Humans&/a&&br&&a href=&//link.zhihu.com/?target=https%3A//www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Beautiful Soup 4.2.0 文档&/a&&br&&a href=&//link.zhihu.com/?target=http%3A//scrapy-chs.readthedocs.io/zh_CN/0.24/intro/tutorial.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Scrapy入门教程 - Scrapy 0.24.6 文档&/a&&br&谷歌一搜一大堆，不会翻墙的话，百度搜也行。&br&&br&额，收藏数是点赞数的三倍......&br&&br&感觉写的好，对你有帮助，就点个赞呗，别光只收藏哈.~(￣▽￣)~
明确你学爬虫是为了什么。 为了好玩，那就Python3，妥妥的。 话说Python2.7到2020年就停止维护了，并且Python3现在有很多新特性，至于学爬虫需要的第三方库比如Requests、BeautifulSoup也都支持Python3了，这点不用担心。话说现在连Scrapy这个写爬虫的大杀…
对于大部分人来说，数据分析基本上都是靠着自学完成，比如我就是一个典型的案列。题主是计算机出生，上手数据分析应该比较容易一点。我没接触过什么编程，目前也在搞SPARK,HADOOP等，也没觉得自己比别人差多少~~&br&&br&我给出的这个回答基于我自己的学习路径，并且主要是以书本为主，尝试回答一下：&b&一个新手如何系统的学习数据分析&/b&&br&下面我先给出书单：&br&&figure&&img src=&https://pic4.zhimg.com/50/b9904e2bbca6dcd353d359_b.jpg& data-rawwidth=&1212& data-rawheight=&1258& class=&origin_image zh-lightbox-thumb& width=&1212& data-original=&https://pic4.zhimg.com/50/b9904e2bbca6dcd353d359_r.jpg&&&/figure&&br&这些书籍都有对应的中文版本。我喜欢将学习分阶段进行，这样学习起来有目标并且不会太累，每个阶段完成各自的任务就好。后面的星星代表每本书籍的重要度，星星越多表示该书越值得阅读。&br&&br&&b&初级阶段：&/b&&br&首先，我是赞成PYTHON ROCKS这句话。说多了你可能不理解，但是当你正真在工业上应用的时候，你就会发现PYTHON能做很多R不能做的事情。 因此强烈建议第一阶段以打基础，学习PYTHON为主。 那么怎么学？&br&《深入浅出数据分析》 是可以学习到最基础的统计、概率等理论知识，这些知识是你前进的基石，而且此书延续了head first系列的一贯作风，非常的有趣味，读起来不会感觉枯燥乏味！&br&&br&接下来你应该好好的学一学PYTHON这门语言。我们说PYTHON可以做的事情太多了，数据分析只是它的一个功能而已。因此锁定目标，只学习有关数据分析部分的知识就行，其它涉及到什么WEB开发，网络编程的一律跳过，一定要集中精力去攻克你的目标，不要分神，有时候摊子铺大了就回不来了！！
那么《利用PYTHON进行数据分析》绝对是你学习PYTHON的不二之选（我指的是数据分析），这本书的作者是大名鼎鼎的pandas的作者，你可以想象这本书的权威性。因此去买一本，好好的研究一番，基本上你的数据处理能力能上好几个台阶。一定要重点学习numpy,pandas,matplotlib.
&br&&br&然后，SQL是你逃不掉的命，一定要写好，你既然是计算机专业，应该不需要我强调太多~&br&最后一本书你就当着小说读读就行，改善一下你程序员的思维，学会一点怎么在真实业务中应用数据分析技巧！记住：这是趣味书！&br&&br&以上就是初级阶段，主要以看书为主，让自己对数据分析有一个初步的认识。&br&下面的中级，高级就需要配合视频和书本一起来学习了~&br&&br&&b&中级进阶：&/b&&br&这一部分是核心的地方，也是你能够和别人拉开距离的阶段。学的好，薪资蹭蹭的往上涨，学不好，那就多学几遍。&br&在这个阶段的核心任务就是：撸的了代码，算的上公示，看得懂业务！
&b&中级阶段会涉及到大量的使用代码和模型去解决实际业务问题！&br&&/b&&br&看清楚三点：代码、模型、案列&br&你要边学边用，这样才能学的更快，收货更多！ 那么怎么学？&br&第一步，《数据挖掘导论》这本书先花一个月的时间好好的阅读下，知道数据挖掘的一个雏形，能够认识一些常用的模型和算法。能够搞清楚常用的监督和非监督学习，提到模型要能说出它的应用场景和优缺点。回答几个关于这本书的常见问题？&br&1. 阅读这本书是否需要一点课前知识？ &br& 答：要，但是不多。&br&2. 都有哪些课前知识？&br&答：微积分，概率论，线性代数，运筹学等等&br&3. 我的天！那我是不是先要去学习一下这些知识后再来看这本书？&br&答：千万别！！！ 记得我前面说过：摊子铺大了你有时候就回不来了。 &br&4. 那我怎么学？&br&答：很简单。直接看书，看不明白的就去google。比如说你看到SVM那里，不知道什么是拉格朗日，那么就去Google（其实这本书的附录也讲了什么是朗格朗日，甚至还讲解了怎么进行矩阵计算）。 总之，不要兜圈子，遇到什么就去补什么。&br&&br&同时，在这里我强烈建议你去学习一下coursera上面的机器学习课程，你会对算法有一个更深的认识，关键是你能学会矩阵计算，梯度下降等常用技能：&br&&a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/learn/machine-learning& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&coursera.org/learn/mach&/span&&span class=&invisible&&ine-learning&/span&&span class=&ellipsis&&&/span&&/a&&br&&br&&br&&br&第二步，使用PYTHON结合数据挖掘知识进行实际案列操作。请使用《集体智慧编程》，这本书的评价我也给你们贴出来，豆瓣评分9分，质量自然不用我说。我唯一想强调的是：请你一定要全部代码自己写一遍，不要复制粘贴！！！！！！&br&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject/3288908/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&集体智慧编程 (豆瓣)&/a&&br&&br&如果有时间，请去学习一下关于PYTHON的课程：&a href=&//link.zhihu.com/?target=https%3A//www.edx.org/course/introduction-computer-science-mitx-6-00-1x-0& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Introduction to Computer Science and Programming Using Python&/a&&br&&br&第三步，欢迎使用《机器学习系统设计》这本书，你会接触到PYTHON里面最niubility的SCIKIT-LEARN机器学习包。虽然官网文档阅读性已经很佳，但是缺少一个系统的过程。而这本书就是教会你如何从真实的业务角度去思考运用机器学习模型。 同样的，请你自己敲代码，不懂的就去看官方文档，还是不懂的就去google。&br&&br&第四步，想知道为什么豆瓣和亚马逊的推荐那么准确？
那么《推荐系统实战》绝对是一本最佳的书籍，作者将全部的算法使用PYTHON实现，无论是基于业务的推送还是基于协同过滤算法的推送都讲解的非常清楚！！如果你有兴趣了解，请毫不犹豫的上马拉弓~&br&&br&第五步，你一定听说过R，一定也纠结过到底学习R还是PYTHON。那么我就粗暴的回答一下：都要学！，前期已PYTHON为主，后期一起学习R语言，不要问我为什么，纯属个人感觉。 &br&《R IN ACTION》绝对绝对是入门的最好参考书，没有之一。跟着书上的代码敲一遍，模型计算都自己搞清楚（你有了前面的基础，这些学起来很轻松）。&br&最后，COURSERA上面的R语言课程很糟，谁听谁倒霉，不信你去试试？&br&&br&高级部分下次再敲，累~~~
对于大部分人来说，数据分析基本上都是靠着自学完成，比如我就是一个典型的案列。题主是计算机出生，上手数据分析应该比较容易一点。我没接触过什么编程，目前也在搞SPARK,HADOOP等，也没觉得自己比别人差多少~~ 我给出的这个回答基于我自己的学习路径，并…
&Data Science = statistics who uses python and lives in San Francisco&&br&&br&恰好我马上启程到Twitter的data science team，而且恰巧懂一点点统计和住在旧金山，所以冲动地没有邀请就厚脸回答了:D&br&&br&我认为有几个大方面&br&&br&1）学好python。&br&现在几乎所以公司的数据都可以api给你，而python的数据处理能力强大且方便。加之在machine learning的很多算法上，python也独俏一方。另外，它的简明方便迅速迭代开发，15分钟写完个算法就可以看效果了。&br&&br&除此之外，py还有点酷酷的感觉。任何程序拿matlab和c++都是可以写的，不过我真没认识过哪个d愿意自己把自己扔那个不酷的框框里:D&br&&br&对不规则输入的处理也给python一个巨大的优势。通常来说，在我现在日常的工作里，所有的数据都是以纯文本但是非格式的形式存储的（raw text, unstructured data)。问题在于，这些文本不可以直接当作各种算法的输入，你需要&br&&ol&&li&分词，分句&/li&&li&提取特征&/li&&li&整理缺失数据&/li&&li&除掉异类（outlier）&/li&&/ol&在这些时候，python可谓是神器。这里做的1-4都可以直接在scikit-learn里面找到对应的工具，而且，即使是要自己写一个定制的算法处理某些特殊需求，也就是一百行代码的事情。&br&&br&简而言之，对于数据科学面临的挑战，python可以让你短平快地解决手中的问题，而不是担心太多实现细节。&br&&br&2）学好统计学习&br&略拗口。统计学习的概念就是“统计机器学习方法”。&br&统计和计算机科学前几十年互相平行着，互相造出了对方造出的一系列工具，算法。但是直到最近人们开始注意到，计算机科学家所谓的机器学习其实就是统计里面的prediction而已。因此这两个学科又开始重新融合。&br&&br&为什么统计学习很重要？&br&&br&因为，纯粹的机器学习讲究算法预测能力和实现，但是统计一直就强调“可解释性”。比如说，针对今天微博股票发行就上升20%，你把你的两个预测股票上涨还是下跌的model套在新浪的例子上，然后给你的上司看。&br&Model-1有99%的预测能力，也就是99%的情况下它预测对，但是Model-2有95%，不过它有例外的一个附加属性——可以告诉你为什么这个股票上涨或者下跌。&br&&br&试问，你的上司会先哪个？问问你自己会选哪个？&br&&br&显然是后者。因为前者虽然有很强的预测力（机器学习），但是没有解释能力（统计解释）。&br&&br&而作为一个数据科学家，80%的时间你是需要跟客户，团队或者上司解释为什么A可行B不可行。如果你告诉他们，“我现在的神经网络就是能有那么好的预测力可是我根本就没法解释上来”，那么，没有人会愿意相信你。&br&&br&具体一些，怎么样学习统计学习？&br&&ul&&li&先学好基本的概率学。如果大学里的还给老师了（跟我一样），那么可以从MIT的概率论教材【1】入手。从第1章到第9章看完并做完所有的习题。（p.s.面试Twitter的时候被问到一个拿球后验概率的问题，从这本书上抓来的）。&/li&&li&了解基本的统计检验及它们的假设，什么时候可以用到它们。&/li&&li&快速了解统计学习有哪些术语，用来做什么目的，读这本【5】。&/li&&li&学习基本的统计思想。有frequentist的统计，也有bayesian的统计。前者的代表作有【2】，后者看【3】。前者是统计学习的圣书，偏frequentist，后者是pattern recognition的圣书，几乎从纯bayesian的角度来讲。注意，【2】有免费版，作者把它全放在了网上。而且有一个简易版，如果感觉力不从心直接看【2】，那么可以先从它的简易版开始看。简易版【4】是作者在coursera上开课用的大众教材，简单不少（不过仍然有很多闪光点，通俗易懂）。对于【3】，一开始很难直接啃下来，但是啃下来会受益匪浅。&/li&&/ul&注意，以上的书搜一下几乎全可以在网上搜到别人传的pdf。有条件的同学可以买一下纸制版来读，体验更好并且可以支持一下作者。所有的书我都买了纸制版，但是我知道在国内要买本书有多不方便（以及原版书多贵）。&br&&br&读完以上的书是个长期过程。但是大概读了一遍之后，我个人觉得是非常值得的。如果你只是知道怎么用一些软件包，那么你一定成不了一个合格的data scientist。因为只要问题稍加变化，你就不知道怎么解决了。&br&&br&如果你感觉自己是一个二吊子数据科学家（我也是）那么问一下下面几个问题，如果有2个答不上来，那么你就跟我一样，真的还是二吊子而已，继续学习吧。&br&&ul&&li&为什么在神经网络里面feature需要standardize而不是直接扔进去&/li&&li&对Random Forest需要做Cross-Validatation来避免overfitting吗？&/li&&li&用naive-bayesian来做bagging，是不是一个不好的选择？为什么？&/li&&li&在用ensembe方法的时候，特别是Gradient Boosting Tree的时候，我需要把树的结构变得更复杂（high variance, low bias)还是更简单（low variance, high bias)呢？为什么？&/li&&/ul&如果你刚开始入门，没有关系，回答不出来这些问题很正常。如果你是一个二吊子，体会一下，为什么你跟一流的data scientist还有些差距——因为你不了解每个算法是怎么工作，当你想要把你的问题用那个算法解决的时候，面对无数的细节，你就无从下手了。&br&&br&&br&说个题外话，我很欣赏一个叫Jiro的寿司店，它的店长在（东京？）一个最不起眼的地铁站开了一家全世界最贵的餐馆，预订要提前3个月。怎么做到的？70年如一日练习如何做寿司。70年！除了丧娶之外的假期，店长每天必到，8个小时工作以外继续练习寿司做法。&br&&br&其实学数据科学也一样，沉下心来，练习匠艺。&br&&br&&br&3）学习数据处理&br&这一步不必独立于2）来进行。显然，你在读这些书的时候会开始碰到各种算法，而且这里的书里也会提到各种数据。但是这个年代最不值钱的就是数据了（拜托，为什么还要用80年代的“加州房价数据”？），值钱的是数据分析过后提供给决策的价值。那么与其纠结在这么悲剧的80年代数据集上，为什么不自己搜集一些呢？&br&&br&&ul&&li&开始写一个小程序，用API爬下Twitter上随机的tweets（或者weibo吧。。。）&/li&&li&对这些tweets的text进行分词，处理噪音（比如广告）&/li&&li&用一些现成的label作为label，比如tweet里会有这条tweet被转发了几次&/li&&li&尝试写一个算法，来预测tweet会被转发几次&/li&&li&在未见的数据集上进行测试&/li&&/ul&如上的过程不是一日之功，尤其刚刚开始入门的时候。慢慢来，耐心大于进度。&br&&br&4）变成全能工程师（full stack engineer）&br&在公司环境下，作为一个新入职的新手，你不可能有优待让你在需要写一个数据可视化的时候，找到一个同事来给你做。需要写把数据存到数据库的时候，找另一个同事来给你做。&br&&br&况且即使你有这个条件，这样频繁切换上下文会浪费更多时间。比如你让同事早上给你塞一下数据到数据库，但是下午他才给你做好。或者你需要很长时间给他解释，逻辑是什么，存的方式是什么。&br&&br&最好的变法，是把你自己武装成一个全能工作师。你不需要成为各方面的专家，但是你一定需要各方面都了解一点，查一下文档可以上手就用。&br&&br&&ul&&li&会使用NoSQL。尤其是MongoDB&/li&&li&学会基本的visualization，会用基础的html和javascript，知道d3【6】这个可视化库，以及highchart【7】&/li&&li&学习基本的算法和算法分析，知道如何分析算法复杂度。平均复杂度，最坏复杂度。每次写完一个程序，自己预计需要的时间（用算法分析来预测）。推荐普林斯顿的算法课【8】（注意，可以从算法1开始，它有两个版本）&/li&&li&写一个基础的服务器，用flask【9】的基本模板写一个可以让你做可视化分析的backbone。&/li&&li&学习使用一个顺手的IDE，VIM， pycharm都可以。&/li&&/ul&&br&4）读，读，读！&br&除了闭门造车，你还需要知道其它数据科学家在做些啥。涌现的各种新的技术，新的想法和新的人，你都需要跟他们交流，扩大知识面，以便更好应对新的工作挑战。&br&&br&通常，非常厉害的数据科学家都会把自己的blog放到网上供大家参观膜拜。我推荐一些我常看的。另外，学术圈里也有很多厉害的数据科学家，不必怕看论文，看了几篇之后，你就会觉得：哈！我也能想到这个！&br&&br&读blog的一个好处是，如果你跟他们交流甚欢，甚至于你可以从他们那里要一个实习来做！&br&&br&betaworks首席数据科学家，Gilad Lotan的博客，我从他这里要的intern :D &a href=&//link.zhihu.com/?target=http%3A//giladlotan.com/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Gilad Lotan&/a&&br&Ed Chi，六年本科硕士博士毕业的神人，google data science &a href=&//link.zhihu.com/?target=http%3A//edchi.blogspot.com/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&edchi.blogspot.com/&/span&&span class=&invisible&&&/span&&/a&&br&Hilary Mason，bitly首席科学家，纽约地区人尽皆知的数据科学家：&a href=&//link.zhihu.com/?target=http%3A//www.hilarymason.com/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&hilarymason.com&/a&&br&&br&在它们这里看够了之后，你会发现还有很多值得看的blog（他们会在文章里面引用其它文章的内容），这样滚雪球似的，你可以有够多的东西早上上班的路上读了：）&br&&br&&br&5）要不要上个研究生课程？&br&先说我上的网络课程：&br&&a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/ml& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Coursera.org&/a&&br&&a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/machlearning& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&coursera.org/course/mac&/span&&span class=&invisible&&hlearning&/span&&span class=&ellipsis&&&/span&&/a&&br&前者就不说了，人人都知道。后者我则更喜欢，因为教得更广阔，上课的教授也是世界一流的机器学习学者，而且经常会有一些很妙的点出来，促进思考。&br&&br&&br&&br&对于是不是非要去上个研究生（尤其要不要到美国上），我觉得不是特别有必要。如果你收到了几个著名大学数据科学方向的录取，那开开心心地来，你会学到不少东西。但是如果没有的话，也不必纠结。我曾有幸上过或者旁听过美国这里一些顶级名校的课程，我感觉它的作用仍然是把你领进门，以及给你一个能跟世界上最聪明的人一个交流机会（我指那些教授）。除此之外，修行都是回家在寝室进行的。然而现在世界上最好的课程都摆在你的面前，为什么还要舍近求远呢。&br&&br&&br&总结一下吧&br&我很幸运地跟一些最好的数据科学家交流共事过，从他们的经历看和做事风格来看，真正的共性是&br&&br&他们都很聪明——你也可以&br&他们都很喜欢自己做的东西——如果你不喜欢应该也不会看这个问题&br&他们都很能静下心来学东西——如果足够努力你也可以&br&&br&&br&&br&&br&【1】&a href=&//link.zhihu.com/?target=http%3A//ocw.mit.edu/courses/mathematics/18-05-introduction-to-probability-and-statistics-spring-2005/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Introduction to Probability and Statistics&/a&&br&【2】Hastie, Trevor, et al. &i&The elements of statistical learning&/i&. Vol. 2. No. 1. New York: Springer, 2009. 免费版&br&【3】Bishop, Christopher M. &i&Pattern recognition and machine learning&/i&. Vol. 1. New York: springer, 2006.&br&【4】&a href=&//link.zhihu.com/?target=http%3A//www-bcf.usc.edu/%7Egareth/ISL/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Introduction to Statistical Learning&/a& 免费版&br&【5】Wasserman, Larry. &i&All of statistics: a concise course in statistical inference&/i&. Springer, 2004.&br&【6】&a href=&//link.zhihu.com/?target=http%3A//d3js.org/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&d3js.org/&/span&&span class=&invisible&&&/span&&/a&&br&【7】&a href=&//link.zhihu.com/?target=http%3A//www.highcharts.com/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&highcharts.com/&/span&&span class=&invisible&&&/span&&/a&&br&【8】&a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/algs4partII& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Coursera.org&/a&&br&【9】&a href=&//link.zhihu.com/?target=http%3A//flask.pocoo.org/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&flask.pocoo.org/&/span&&span class=&invisible&&&/span&&/a&
"Data Science = statistics who uses python and lives in San Francisco" 恰好我马上启程到Twitter的data science team，而且恰巧懂一点点统计和住在旧金山，所以冲动地没有邀请就厚脸回答了:D 我认为有几个大方面 1）学好python。 现在几乎所以公司的数…
&p&说来我正式接触数据分析也快一年，对速成还是有一些心得。优秀的数据分析师是不能速成的，但是零经验也有零经验的捷径。&/p&&p&&br&&/p&&p&以上的前提针对入门，目的是达到数据分析师的门槛，顺利拿到一份offer，不涉及数据挖掘等高级技巧。我的方法倾向互联网领域，不论是分析师这个职位，还是运营、产品的能力发展都是适用的。其他领域就仁者见仁了。&/p&&p&&br&&/p&&p&市面上有《七周七数据库》，《七周七编程语言》。今天我们就《七周七学习成为数据分析师》。&/p&&p&&br&&/p&&p&没错，七周。&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&第一周：Excel学习掌握&/b&&/p&&p&&br&&/p&&p&如果Excel玩的顺溜，你可以略过这一周。不过介于我入行时也不会vlookup，所以有必要讲下。&/p&&p&&br&&/p&&p&重点是了解各种函数，包括但不限于sum，count，sumif，countif，find，if，left/right，时间转换等。&/p&&p&&br&&/p&&p&Excel函数不需要学全，&b&重要的是学会搜索&/b&。即如何将遇到的问题在搜索引擎上描述清楚。&/p&&p&&br&&/p&&p&我认为掌握vlookup和数据透视表足够，是最具性价比的两个技巧。
学会vlookup，SQL中的join，Python中的merge很容易理解。
学会数据透视表，SQL中的group，Python中的pivot_table也是同理。
&/p&&p&&br&&/p&&p&这两个搞定，基本10万条以内的数据统计没啥难度，80%的办公室白领都能秒杀。&/p&&p&&br&&/p&&p&Excel是熟能生巧，多找练习题。还有需要养成好习惯，不要合并单元格，不要过于花哨。表格按照原始数据（sheet1）、加工数据（sheet2），图表（sheet3）的类型管理。&/p&&p&&br&&/p&&p&专栏上写了三篇Excel的文章，比较简单，大体介绍了Excel应用，可以作为职场新人的指南。&/p&&p&&br&&/p&&p&第一篇&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&数据分析—函数篇&/a&。主要简单讲解常用的函数，以及与之对应的SQL/Python函数。&/p&&p&&br&&/p&&p&第二篇&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&数据分析—技巧篇&/a&。主要简单讲解我认为很有新价比的功能，提高工作效率。&/p&&p&&br&&/p&&p&第三篇&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&数据分析—实战篇&/a&。主要将前两篇的内容以实战方式进行，简单地进行了一次数据分析。数据源采用了真实的爬虫数据，是5000行数据分析师岗位数据。&/p&&p&&br&&/p&&p&下面是为了以后更好的基础而附加的学习任务。&/p&&p&&br&&/p&&p&了解单元格格式，后期的数据类型包括各类timestamp，date，string，int，bigint，char，factor，float等。&/p&&p&&br&&/p&&p&了解数组，以及怎么用（excel的数组挺难用），Python和R也会涉及到 list。&/p&&p&&br&&/p&&p&了解函数和参数，当进阶为编程型的数据分析师时，会让你更快的掌握。&/p&&p&&br&&/p&&p&了解中文编码，UTF8和ASCII，包括CSV的delimiter等，以后你会回来感谢我的。&/p&&p&&br&&/p&&p&养成一个好习惯，不要合并单元格，不要过于花哨。表格按照原始数据、加工数据，图表的类型管理。&/p&&p&&br&&/p&&p&如果时间还有剩余，可以看&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&大数据时代 (豆瓣)&/a&，培养职业兴趣。&/p&&p&&br&&/p&&p&再来一道练习题，我给你1000个身份证号码，告诉我里面有多少男女，各省市人口的分布，这些人的年龄和星座。（身份证号码规律可以网上搜索）&/p&&figure&&img src=&https://pic2.zhimg.com/50/e48d25ababf941e4afacc1_b.jpg& data-rawwidth=&425& data-rawheight=&247& class=&origin_image zh-lightbox-thumb& width=&425& data-original=&https://pic2.zhimg.com/50/e48d25ababf941e4afacc1_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&&b&第二周：数据可视化&/b&&/p&&p&&br&&/p&&p&数据分析界有一句经典名言，字不如表，表不如图。数据可视化是数据分析的主要方向之一。除掉数据挖掘这类高级分析，不少数据分析就是监控数据观察数据。&/p&&p&&br&&/p&&p&数据分析的最终都是要兜售自己的观点和结论的。兜售的最好方式就是做出观点清晰数据详实的PPT给老板看。如果没人认同分析结果，那么分析也不会被改进和优化，不落地的数据分析价值又在哪里？&/p&&p&&br&&/p&&p&首先要了解常用的图表：&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/50/v2-15e812e7de4c1ddd26cf0_b.jpg& data-rawwidth=&1280& data-rawheight=&959& class=&origin_image zh-lightbox-thumb& width=&1280& data-original=&https://pic2.zhimg.com/50/v2-15e812e7de4c1ddd26cf0_r.jpg&&&/figure&&p&&br&&/p&&p&各类图表的详细介绍可以查看第四篇文章：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&数据可视化：你想知道的经典图表全在这&/a&&/p&&p&&br&&/p&&p&了解图表后，还应该学会报表制作，这里准备了第五篇：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&数据可视化：打造高端的数据报表&/a&。将教会大家Excel的高级图表用法。&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-90e7cf2f3977c66c6821e_b.jpg& data-rawwidth=&950& data-rawheight=&1118& class=&origin_image zh-lightbox-thumb& width=&950& data-original=&https://pic4.zhimg.com/50/v2-90e7cf2f3977c66c6821e_r.jpg&&&/figure&&p&&br&&/p&&p&如果还不过瘾，我们得掌握信息图和BI，下图就是微软的Power BI：&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-f79c7d413fd311e4dc105b7f_b.jpg& data-rawwidth=&600& data-rawheight=&350& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&https://pic4.zhimg.com/50/v2-f79c7d413fd311e4dc105b7f_r.jpg&&&/figure&&p&&br&&/p&&p&BI（商业智能）和图表的区别在于BI擅长交互和报表，更擅长解释已经发生和正在发生的数据。将要发生的数据是数据挖掘的方向。&/p&&p&&br&&/p&&p&BI的好处在于很大程度解放数据分析师的工作，推动全部门的数据意识，另外降低其他部门的数据需求（万恶的导数据）。&/p&&p&&br&&/p&&p&BI市面上的产品很多，基本都是建立仪表盘Dashboard，通过维度的联动和钻取，获得可视化的分析。第六篇：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&数据可视化：深入浅出BI&/a& 将以第一周的实战数据学习BI，上图的就是学习后的成果。&/p&&p&&br&&/p&&p&数据可视化的学习就是三个过程，了解数据（图表），整合数据（BI），展示数据（信息化）。&/p&&p&&br&&/p&&p&可视化也和审美息息相关，很多直男代表并不擅长做图，没关系，抽空可以看书：&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&数据之美 (豆瓣)&/a&&/p&&p&&br&&/p&&p&PPT也别落下，Excel作图多练习，不会有坏处的。&/p&&p&&br&&/p&&p&&a href=&https://www.zhihu.com/topic//hot& class=&internal&&PPT - 热门问答&/a&&/p&&p&&br&&/p&&p&&a href=&https://www.zhihu.com/topic//hot& class=&internal&&Excel 图表绘制 - 热门问答&/a&&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&第三周：分析思维的训练&/b&&/p&&p&&br&&/p&&p&这周我们轻松一下，学学理论知识。&/p&&p&&br&&/p&&p&分析思维首推大名鼎鼎的&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&金字塔原理 (豆瓣)&/a&，帮助数据分析师结构化思维。如果金字塔原理让你醍醐灌顶，那么就可以学思维导图，下载一个&a href=&//link.zhihu.com/?target=http%3A//www.xmindchina.net/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&XMind中文网站&/a&，或者在线用百度脑图（百度难得不被骂的产品）。&/p&&p&&br&&/p&&p&如果不想看金字塔原理，那么就看第七篇文章：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&如何培养麦肯锡式的分析思维&/a&。将书本的内容提炼了大部分。&/p&&p&&br&&/p&&p&再了解SMART、5W2H、SWOT、4P理论、六顶思考帽等框架。这些框架都是大巧不工的经典。你要快速成为数据分析师，思考方式也得跟着改变。网上搜咨询公司的面试题，搜Case Book。题目用新学的思维导图做，先套那些经典框架，做一遍，然后去看答案对比。&/p&&p&&br&&/p&&p&等思维框架建立好，我们应该往里面塞点数据分析的思维了，&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&如何建立数据分析的思维框架&/a&。两篇文章相结合，就能出师了。&/p&&p&&br&&/p&&p&这里送三条金句：&/p&&p&&br&&/p&&p&一个业务没有指标，则不能增长和分析&/p&&p&&br&&/p&&p&好的指标应该是比率或比例&/p&&p&&br&&/p&&p&好的分析应该对比或关联。&/p&&p&&br&&/p&&p&举一个例子：我告诉你一家超市今天有1000人的客流量，你会怎么分析？&/p&&p&&br&&/p&&p&这1000人的数量，和附件其他超市比是多是少？（对比）&/p&&p&&br&&/p&&p&这1000人的数量比昨天多还是少？（对比）&/p&&p&&br&&/p&&p&1000人有多少产生了实际购买？（转化比例）&/p&&p&&br&&/p&&p&路过超市，超市外的人流是多少？（转化比例）&/p&&p&&br&&/p&&p&这是一个快速搭建分析框架的方法。如果只看1000人，是看不出分析不出任何结果。&/p&&p&&br&&/p&&p&优秀的数据分析师会拷问别人的数据，而他本身的分析也是经得起拷问，这就是分析思维能力。需要确切明白的是，一周时间锻炼不出数据思维，只能做到了解。&b&数据思维是不断练习的结果&/b&，我只是尽量缩短这个过程。&/p&&p&&br&&/p&&p&&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject/5257905/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深入浅出数据分析 (豆瓣)&/a&&/p&&p&这本书太啰嗦了，我看到一半放弃了…但推荐人不少，可以快速翻看一下。&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&第四周：数据库学习&/b&&/p&&p&&br&&/p&&p&Excel对十万条以内的数据处理起来没有问题，但是互联网行业就是不缺数据。但凡产品有一点规模，数据都是百万起。这时候就需要学习数据库。&/p&&p&&br&&/p&&p&数据库入门看这篇文章：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&写给新人的数据库指南&/a&&/p&&p&&br&&/p&&p&越来越多的产品和运营岗位，会在招聘条件中，将会SQL作为优先的加分项。&/p&&p&&br&&/p&&p&SQL是数据分析的核心技能之一，从Excel到SQL绝对是数据处理效率的一大进步。&/p&&p&&br&&/p&&p&学习围绕Select展开。增删改、约束、索引、数据库范式均可以跳过。SQL学习不需要买书，W3C学习就行了，&a href=&//link.zhihu.com/?target=http%3A//www.w3school.com.cn/sql/index.asp& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&SQL 教程&/a&。大多数互联网公司都是MySQL，我也建议学，性价比最高。&/p&&p&&br&&/p&&p&主要了解where，group by，order by，having，like，count，sum，min，max，distinct，if，join，left join，limit，and和or的逻辑，时间转换函数等。&/p&&p&&br&&/p&&p&如果想要跟进一步，可以学习row_number，substr，convert，contact等。另外不同数据平台的函数会有差异，例如Presto和phpMyAdmin。&/p&&p&&br&&/p&&p&你看，和Excel的函数都差不多。按照&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&SQL，从入门到熟练&/a&&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&SQL，从熟练到掌握&/a&这两篇的内容学习。虽然没有实战的打磨，但是了解一个大概够了。&/p&&p&&br&&/p&&p&期间你不需要考虑优化和写法丑陋，查询几秒和几分钟对数据分析师没区别，跑数据时喝杯咖啡呗，以后你跑个SVM都能去吃饭了。&/p&&p&&br&&/p&&p&网上也能搜索SQL相关的练习题，刷一遍就行。也能自己下载数据库管理工具，找些数据练习。我用的是Sequel Pro。&/p&&p&&br&&/p&&p&&b&附加学习：&/b&&/p&&p&如果这周的学习充裕，可以了解MapReduce原理。&/p&&p&&br&&/p&&p&来一道练习题，表A是用户的注册时间表，表B是用户所在地，写出各地区每月新注册用户的查询SQL。掌握到这个程度，基本够用，虽然往后工作中会有更多变态数据需求。&/p&&figure&&img src=&https://pic2.zhimg.com/50/a52ede0cd1c809d9dba0cf_b.jpg& data-rawwidth=&428& data-rawheight=&196& class=&origin_image zh-lightbox-thumb& width=&428& data-original=&https://pic2.zhimg.com/50/a52ede0cd1c809d9dba0cf_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&&b&第五周：统计知识学习&/b&&/p&&p&很遗憾，统计知识是我最薄弱的地方，也是数据分析的基础之一。&/p&&p&&br&&/p&&p&统计知识会要求我们以另一个角度看待数据。当你知道AB两组的差异用平均值看是多傻的事情，你的分析技巧也会显著提高。&/p&&p&&br&&/p&&p&这一周努力掌握描述性统计，包括均值、中位数、标准差、方差、概率、假设检验、显著性、总体和抽样等概念。详细的数学推导不用细看，谁让我们是速成呢，只要看到数据，知道不能怎么样，而是应该这样分析即可。&/p&&p&&br&&/p&&p&Excel中有一个分析工具库，简单强大。对列1的各名词做到了解。如果是多变量多样本，学会各种检验。&/p&&figure&&img src=&https://pic2.zhimg.com/50/9cce8bdc0d228dd77822e_b.jpg& data-rawwidth=&475& data-rawheight=&331& class=&origin_image zh-lightbox-thumb& width=&475& data-original=&https://pic2.zhimg.com/50/9cce8bdc0d228dd77822e_r.jpg&&&/figure&&p&&br&&/p&&p&（图片网上找来的）&/p&&p&&br&&/p&&p&&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject/3595095/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&统计数字会撒谎 (豆瓣)&/a&&/p&&p&休闲读物，有趣的案例可以让我们避免很多数据陷阱。&/p&&p&&br&&/p&&p&&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject/7056708/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深入浅出统计学 (豆瓣)&/a&&/p&&p&还是经典的HeadFirst系列，适应它一贯的啰嗦吧。&/p&&p&&br&&/p&&p&多说一句，老板和非分析师不会有兴趣知道背后的统计学原理，通常要的是分析后的是与否，二元答案。不要告诉他们P值什么的，告诉他们活动有效果，或者没效果。&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&第六周：业务学习（用户行为、产品、运营）&/b&&/p&&p&&br&&/p&&p&这一周需要了解业务。对于数据分析师来说，&b&业务的了解比数据方法论更重要。&/b&当然很遗憾，业务学习没有捷径。&/p&&p&&br&&/p&&p&我举一个数据沙龙上的例子，一家O2O配送公司发现在重庆地区，外卖员的送货效率低于其他城市，导致用户的好评率降低。总部的数据分析师建立了各个指标去分析原因，都没有找出来问题。后来在访谈中发觉，因为重庆是山城，路面高低落差比较夸张，很多外卖人员的小电瓶上不了坡…所以导致送货效率慢。&/p&&p&&br&&/p&&p&这个案例中，我们只知道送货员的送货水平距离，数据上根本不可能知道垂直距离这个指标。这就是数据的局限，也是只会看数据的分析师和接地气分析师的最大差异。&/p&&p&&br&&/p&&p&对于业务市场的了解是数据分析师工作经验上最大优势之一。既然是零经验面试，公司肯定也知道刚入门分析师不会有太多业务经验，不会以这个卡人。所以简单花一周了解行业的各指标。&/p&&p&&br&&/p&&p&以知乎最多的互联网行业为例。至少了解活跃用户数，活跃用户率，留存率，流失率，传播系数等通用概念。&/p&&p&&br&&/p&&p&&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&增长黑客 (豆瓣)&/a&&/p&&p&数据驱动业务的典型，里面包含产品运营最经典的AAARR框架。部分非数据的营销案例，如果时间不够可以略过。此外产品和运营的入门读物也能看，这里就不推荐了。&/p&&p&&br&&/p&&p&&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&网站分析实战 (豆瓣)&/a&&/p&&p&如果应聘的公司涉及Web产品，可以了解流量的概念。书中案例以Google Analytics为主。其实现在是APP+Web的复合框架，比如朋友圈的传播活动肯定需要用到网页的指标去分析。&/p&&p&&br&&/p&&p&&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&精益数据分析 (豆瓣)&/a&&/p&&p&互联网数据分析的入门书籍，归纳总结了几个常用的分析框架。比较遗憾的是案例都是欧美。&/p&&p&&br&&/p&&p&还有一个小建议，现在有不少第三方的数据应用，囊括了不少产品领域的数据分析和统计。自学党们即使没有生产环境的数据，也可以看一下应用Demo，有好处的。&/p&&p&&br&&/p&&p&除了业务知识，业务层面沟通也需要掌握。另外建议在面试前几天收集该行业的业务强化一下。&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&第七周：Python/R 学习&/b&&/p&&p&&br&&/p&&p&终于到第七周，也是最痛苦的一周。这时应该学习编程技巧。&/p&&p&&br&&/p&&p&是否具备编程能力，是初级数据分析和高级数据分析的风水岭。数据挖掘，爬虫，可视化报表都需要用到编程能力。掌握一门优秀的编程语言，可以让数据分析师事半功倍，升职加薪，迎娶白富美。（SAS/SPSS我不了解，所以不做指导）&/p&&p&&br&&/p&&p&这里有两条支线，学习R语言或Python。速成只要学习一条，以后再补上另外一门。&/p&&p&&br&&/p&&p&我刚好两类都学过。R的优点是统计学家编写的，缺点也是统计学家编写。如果是各类统计函数的调用，绘图，分析的前验性论证，R无疑有优势。但是大数据量的处理力有不逮，学习曲线比较陡峭。Python则是万能的胶水语言，适用性强，可以将各类分析的过程脚本化。Pandas，sklearn等各包也已经追平R。&/p&&p&&br&&/p&&p&如果学习R，我建议看&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&R语言实战 (豆瓣)&/a&， 照着书本打一遍代码，一星期绰绰有余。另外还有一本 &a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&统计学 (豆瓣)&/a&
，偏知识理论，可以复习前面的统计学知识。&/p&&p&&br&&/p&&p&R学习和熟悉各种包。知道描述性统计的函数。掌握DataFrame。如果时间有余。可以再去学习ggplot2。&/p&&p&&br&&/p&&p&Python拥有很多分支，我们专注数据分析这块，入门可以学习 &a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject/6892016/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深入浅出Python（影印版） (豆瓣)&/a& 。也是把代码写一遍。&/p&&p&&br&&/p&&p&需要学会条件判断，字典，切片，循环，迭代，自定义函数等。知道数据领域最经典的包Pandas+Numpy。&/p&&p&&br&&/p&&p&在速成后的很长一段时间，我们都要做调包侠。&/p&&p&&br&&/p&&p&这两门语言最好安装IDE，R语言我建议用RStudio，Python我建议用 &a href=&//link.zhihu.com/?target=https%3A//www.continuum.io/downloads& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Anaconda&/a&。都是数据分析的利器。&/p&&p&&br&&/p&&p&Mac自带Python2.7，但现在Python 3已经比几年前成熟，而且没有编码问题。各类教程也足够多，不要抱成守旧了。Win的电脑，安装Python会有环境变量的问题，是个大坑（R的中文编码也是天坑）。&/p&&p&&br&&/p&&p&到这里，刚刚好是七周。如果还需要第八周+，则是把上面的巩固和融会贯通，毕竟速成是以转岗或拿offer为目的。&/p&&p&&br&&/p&&p&成为数据分析师后，坑才刚刚开始，努力吧。&/p&&p&&br&&/p&&p&所有内容都已经更新完毕了，因为知乎现在不允许帖链接，所以这里不放了。大家可以看专栏，或者关注公众号。&/p&&p&&br&&/p&&p&——我是无耻的软广——&/p&&p&欢迎关注我的公众号（tracykanc），粉丝稀少，急需关爱。更新内容以运营和数据为主。&/p&
说来我正式接触数据分析也快一年，对速成还是有一些心得。优秀的数据分析师是不能速成的，但是零经验也有零经验的捷径。 以上的前提针对入门，目的是达到数据分析师的门槛，顺利拿到一份offer，不涉及数据挖掘等高级技巧。我的方法倾向互联网领域，不论是分…
我和很多人一样，不太喜欢快速这个词，急于求成的结果是得不偿失。&br&在这里，我将题主的“快速”理解为如何&b&&u&在最短的时间内高效率&/u&&/b&的成为数据分析师。我想这才是题主的初衷吧！ &br&首先，成为任何一个技术型工作的从业者最需要的就是掌握相关的专业技能，因此也可以这么理解题主的话：&b&&u&如何在最短的时间内高效率的掌握数据分析知识从而达到找一份相关工作的资格！&/u&&/b&&br&&br&在长篇大论之前，我先给题主来一粒定心丸：&b&3个月零基础入门数据分析师是一件完全可能的事！&/b&&br&看清楚哦，我说的是入门。入门基本上就是懂得了常规的数据分析知识并且据此找到一份简单的工作！&br&知乎里面有很多关于学习数据分析的帖子，写的都很好。但是它们和快速没有任何关系，你要完成那些大神们的书单贴，至少需要3、5年才行。因为那是一个perfect 的数据分析师，而不是入门级别的！&br&&br&我简单的将学习数据分析的同学分为三种：&br&1.学过计算机但不会统计学（新手）&br&2.学过统计学但不会计算机（小白）&br&3.统计学和计算机都不会（菜鸟）&br&&br&他们的排名是： 菜鸟 & 小白 &= 新手。
无需置疑，菜鸟是最弱的级别，学习起来也是困难重重。小白和新手算是有一定的基础，学习起来会比较轻松一点。 从我个人角度来看，我觉得计算机技术要重于统计学知识，因此我认为学计算机的同学更容易入门。&br&&br&当然，无论处于哪一个级别你都需要做两件事：&br&&ol&&li&一份正确的学习计划&br&&/li&&li&一套正确的书籍&br&&/li&&/ol&废话不多说，先上书单：&br&&figure&&img data-rawheight=&497& src=&https://pic4.zhimg.com/50/5dde6b0d235c448fff2fd29_b.jpg& data-rawwidth=&831& class=&origin_image zh-lightbox-thumb& width=&831& data-original=&https://pic4.zhimg.com/50/5dde6b0d235c448fff2fd29_r.jpg&&&/figure&&br&上面这十本书，每一本都是经典。 &br&它完美的解决了一个初级数据分析师应该掌握的技能：&br&&ol&&li&统计学基础&br&&/li&&li&常用模型理论&br&&/li&&li&R和PYTHON&br&&/li&&li&网页分析&br&&/li&&li&数据库技术&br&&/li&&li&实战应用&/li&&/ol&简单的描述下：&br&&br&统计学无需置疑是一个数据分析师的核心功底，你只有学好了统计学才能谈得上数据分析。&br&但是统计学又常常是不够用的，我们还需要一些高级的模型来解决我们实际业务中的问题，比如：银行需要判断是否给某个客户发放信用卡
这就需要一个高级的二分类模型。这里我们的数据挖掘理论就派上用场了。&br&有了理论知识，我们需要用工具去实现我们的理论并加以应用。这个年代，已经没有人会去手工计算某个问题了，R和PYTHON就是最负盛名的数据分析工具。 关于R和PYTHON的地位，题主可以百度，谷歌，知乎等搜索一遍。
至于如何学习，请看上面的书单！&br&如果致力于在互联网领域发展，那么网页分析是你必看的一本书籍。这本是是大名鼎鼎的GA创始人著作，看一遍，做一遍会有一个不错的收获。&br&数据分析师是跟数据打交道的，我们的数据都是存储在数据库里面的，因此掌握必备的数据库技术是肯定要的！&br&以上就是对入门级别的数据分析师做的一个简单的描述！
&br&&br&那么，在对书籍有了一定的了解之后，具体的该怎么学习呢？&br&首先，我给大家推荐一个我们自己录制的视频《零基础指导学习数据分析》。下载地址如下：&br&&a href=&//link.zhihu.com/?target=http%3A//pan.baidu.com/s/1eQzWzsu& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&SOTON第一课1.zip_免费高速下载&/a&&br&内有讲义以及高清无码的视频。&br&&br&我们将三个月分为三个学习阶段，每个阶段请务必保持每天3个小时以上的学习时间。这个时间要求不过分，不管是对学生党还是上班族，三个小时总是抽的出来的。&br&&br&&b&第一阶段：初识数据分析&/b&&br&这个阶段是你学习数据分析的第一个月。核心的三本书就是：统计学、R IN ACTION、深入浅出数据分析。&br&第一星期：好好的阅读一下统计学这本教材。按照每天3个小时的时间，一个星期你至少能看完8章。踏踏实实的看完，课后习题不需要做，重点放在理解公式推导以及专业名字定义的理解上。&br&&br&第二星期：有了统计学基础，R语言学习起来就不会太费劲。《R in action》 是公认的R语言经典教材。跟着书上的代码仔细的敲一笔遍，你不需要全部看完这本书，只需要学会前8章左右就差不多了。
学完后你会对统计学有一个更深的认识～&br&&br&第三个星期：《深入浅出数据分析》这本书很大头，不是因为它内容多，而是因为它废话和插图多。很有意思的一本入门级别的教材，花一个星期好好的读一下，能学多少是多少。&br&&br&第四个星期：查漏补缺。经过前三个星期的学习，你一定有不少的疑惑或者遗忘了某些知识。不要着急，这个星期就是用来好好回顾一下你本月所学的东西，不懂的定义再看看，不会的代码再敲敲，不懂的知识再google一下～&br&&br&对了，再送你一个视频呗。讲的是如何利用EXCEL进行完整的数据分析流程：&br&&a href=&//link.zhihu.com/?target=http%3A//pan.baidu.com/s/1kTnAYoB& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&初识数据分析-720P.zip_免费高速下载&/a&&br&&br&&b&第二阶段：升级你的技能&/b&&br&&b&第一&/b&个月只是让你对数据分析有一个初步的认识，你已经可以秒杀20%左右的人了（我瞎猜的）&br&这个月就是要升级你的技能，在对已有的知识基础上做一个升华。本月任务较重，小伙伴需要动脑和动手的地方比较多。&br&&br&第一个星期：《数据挖掘导论》这本书绝对是一本良心教材。拿到手从第一章开始阅读，在一个星期之内能看多少就看多少。但是要尽量多看点，因为此书你可能要看一辈子的～～不要做笔记，因为你做的笔记大部分时间都是在抄书，没啥意思的。数据挖掘可不是记忆的东西，是要靠理解的！&br&&br&第二个星期：来来来，python大法学起来。正所谓 life is short, I use python. 不要问那种烂大街的问题：R和PYTHON哪个好。
等你都学了，你就再也不会问这个问题了。 《利用PYTHON进行数据分析》是你学习PYTHON的不二之选，对着书，着重学习numpy,pandas两个包！ 对了，也要学会怎么安装PYTHON这也是技术活！&br&&br&第三个星期：为毛感觉前两个星期啥也没学到？乱七八糟的！
没事，这是正常的，难道你指望两个星期就能学完数据挖掘吗？
在此，你已经有了一定的Python,统计学，数据挖掘基础知识，那么是不是能够讲它们组合起来用一用呢？
scikit-learn，你值得拥有。 看不懂没关系，先去看看它们的文档以及那些莫名的专业词语。 然后接着学你的数据挖掘和PYTHON。&br&&br&第四个星期：重复第三个星期的内容。对了，你是不是应该对R再做点事情呢？&br&&br&&b&第三阶段：准备一个小小的毕业吧&/b&&br&前两个月会过的很痛苦，很累，很烦躁！不用担心，你终于来到了第三个月，这个月与前两个月完全不一样，因为这个月会更加更加的痛苦！！&br&在这个月，我们需要开始学习sql的相关知识。SQL绝对是数据分析师的必备技能，没有之一。作为这个星球上一个通用的语言，它的存在使得我们进行数据处理时大大的提高了效率。既然SQL学了，那也就学学mysql吧，这是一个存储数据的东西，你说它重不重要呢？
这两个并不难学，稍微花点功夫就能入门了。&br&本月重点是重复第二个月的工作啊，继续研究统计学、数据挖掘、PYTHON还有那可爱的R语言。怎么研究？ 这个还要来问我吗？ 书单都在上面了～ 看着书复习就行。 不要忘了那个神技：scikit-learn&br&&br&对了，如果你想去互联网公司投份简历，记得要把《网页分析》这本书好好的过一遍，相信我，你只要看一遍，就能打败百分之80 的面试官。因为他们压根看不起GA。&br&&br&你看，三个月入门数据分析师，并不是不可能嘛～～ 我敢说，你这三个月学到的知识已经可以击败一大半的所谓的数据分析师们了～～ Do not ask why, Just do it !!&br&&br&我和我的一群英国小伙伴创建了一个微信公众号：&b&soton2014sky&/b&&br&就是和你们一起探索数据分析哇，现在好像已经有好几千人了，你难道不要来逛一圈么？&br&&br&扫一扫，即刻添加：&br&&p&&a href=&//link.zhihu.com/?target=http%3A//weixin.qq.com/r/t0xgeH-EQiI9rTsb9xml& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&weixin.qq.com/r/t0xgeH-&/span&&span class=&invisible&&EQiI9rTsb9xml&/span&&span class=&ellipsis&&&/span&&/a& (二维码自动识别)&/p&
我和很多人一样，不太喜欢快速这个词，急于求成的结果是得不偿失。 在这里，我将题主的“快速”理解为如何在最短的时间内高效率的成为数据分析师。我想这才是题主的初衷吧！ 首先，成为任何一个技术型工作的从业者最需要的就是掌握相关的专业技能，因此也可…
&p&喜收赞！来更新一波
by 18-02-19&/p&&p&&br&&/p&&p&一、前期&/p&&p&一系列的练习平台，大部分都有题解，实在十几天弄不出来可以看看题解。&/p&&p&SQL注入：&a href=&//link.zhihu.com/?target=https%3A//redtiger.labs.overthewire.org/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&RedTiger's Hackit&/a&&/p&&p&web:&a href=&//link.zhihu.com/?target=http%3A//hackinglab.cn/index.php& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&网络安全实验室|网络信息安全攻防学习平台&/a&&/p&&p&综合：&a href=&//link.zhihu.com/?target=http%3A//www.wechall.net/challs& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&[WeChall] Challenges&/a&&/p&&p&经典老平台：&a href=&//link.zhihu.com/?target=http%3A//ctf.nuptsast.com/challenges%23& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&南京邮电大学网络攻防训练平台&/a&&/p&&p&综合性新平台：&a href=&//link.zhihu.com/?target=http%3A//123.206.31.85/& class=& wrap external& target=&_blank& rel=}
给亲推荐一系列数据库的免费学习课程，希望能够帮到亲。先来个脑图课程一：《MySQL数据库入门学习》免费学习地址： 课程介绍：本课程通过最流行的开源数据库MySQL带你了解数据库的世界。 课程二：《Redis数据库入门》免费学习地址： …
&figure&&img src=&https://pic1.zhimg.com/v2-e208aec438c_b.jpg& data-rawwidth=&755& data-rawheight=&502& class=&origin_image zh-lightbox-thumb& width=&755& data-original=&https://pic1.zhimg.com/v2-e208aec438c_r.jpg&&&/figure&&p&推荐12本深度学习相关的书籍，大家可以根据介绍，选择适合自己的书来读。 原文地址：&a href=&https://link.zhihu.com/?target=https%3A//www.bonkersabouttech.com/ai/best-deep-learning-books/494& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&12 Best Deep Learning Books In 2018 - Ranked In Order Of Awesomeness!&/a&&/p&&p&&br&&/p&&p&&b&《Hands-On Machine Learning with Scikit-Learn and TensorFlow》&/b&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-bbd0f48c6f2cacd_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&191& data-rawheight=&250& class=&content_image& width=&191&&&/figure&&p&
首先，在我看来，这是12本书中最好的一本书，它采用了一种“动手”的方法，利用流行的机器学习库Scikit - Learning和Google的Tensorflow进行深度学习实战。&br&
和许多“深度学习”相关的书一样，比如《Deep Learning》，本书中也有很多方程式，但它比《Deep Learning》少得多，可读性也更强。&br&
作者试图用一种几乎任何人都能理解的方式来解释复杂的问题，这在我看来是一大优势。&/p&&p&
我喜欢这本书的原因是，它会带你从头到尾完成一个完整机器学习项目。因此，你可以看到使用真实数据的感觉，如何可视化数据以获得直观感觉，以及更重要的是，如何为机器学习算法准备数据。&br&
在本书的后面，你将看到著名的MNIST分类器，模型是如何训练的，以及一些基本的机器学习分类器，如SVMs、决策树、随机森林等。&br&所有这一切都是为了本书的第二部分做准备，这本书涉及Tensorflow(包括安装)和一个基本的神经网络和深层神经网络。&/p&&p&
我认为这本书的结构非常好，并以正确的顺序介绍了主题。尽管这本书有很多公式，但书中的思想和具体例子都得到了很好的解释。&/p&&p&&br&&/p&&p&&b&《Deep Learning》&/b&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-6fe3bee54f425c2ea8f466_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&188& data-rawheight=&250& class=&content_image& width=&188&&&/figure&&p&
好的，接下来就是《Deep Learning》。可能是这12本书中最全面和完整的书。&br&
这本书是由这一领域的三位专家，Ian Goodfellow、Yoshua Bengio和Aaron Courville写的。&br&
这本书也是这12本书中唯一得到企业家Elon Musk认可的书。&/p&&p&
这本书被许多人认为是一本深度学习领域的圣经，这是正确的——它把多年来值得学习和专注研究的东西集中在一本书里。&br&
这本书并不是为胆小的人写的，可能更适合睡前阅读，因为它充满了方程式，而且是以典型的教科书方式写的，所以不是以最有趣的方式写的。然而，它确实适合于初学者，并介绍了基本数学，如线性代数，概率论，然后进入机器学习基础，最后深度网络和深度学习。&br&
因此，如果你是一个有抱负的学生，希望掌握这门学科，并深度学习研究，或者即使你想进行深度学习教学，那么这本书肯定会让你受益。这可能是目前关于这个主题最全面的书。&/p&&p&&br&&/p&&p&&b&《Deep Learning for the Layman》&/b&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-6b6e098b26af8fef1ee7ba1_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&167& data-rawheight=&250& class=&content_image& width=&167&&&/figure&&p&
我之所以把这本书包括在内，是因为正如书名所示，这本书是为一般读者写的。&br&
对于外行人来说，《Deep Learning for the Layman》首先介绍深度学习基础，特别是它是什么，以及为什么需要它。&br&
本书的下一部分解释了监督学习、非监督学习和强化学习之间的区别，并介绍了分类和聚类等主题。&br&
在本书的后面部分，将讨论人工神经网络，包括它们是如何构建的，以及构成网络中每个层的部分。&br&
最后讨论了深度学习，包括卷积神经网络，它构成了目前使用的许多计算机视觉算法的一部分。&br&
我把这本书看作是深度学习的入门书，并了解其中涉及的概念。虽然实际上，我不确定这本书会有什么好处，但如果你想要一本简明的英文指南，同时又能寻求一点突破，那么这本书可能适合你。&/p&&p&&br&&/p&&p&&b&《Make Your Own Neural Network》&/b&&/p&&figure&&img src=&https://pic1.zhimg.com/v2-d72baab2dc6bef6c51e45c3a55d839a1_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&193& data-rawheight=&250& class=&content_image& width=&193&&&/figure&&p&
严格来说，这并不是一本“深度学习”有关的书，但这本书将带你踏上一段完全理解神经网络及其工作原理的旅程，这将有助于你理解深度神经网络。&br&
在这本书里，你将被带领，通过神经网络的数学公式，并将使一个初学者完全理解神经网络是如何工作的。&br&
不仅指导你了解它们的工作方式，还将基于Python，实现两个神经网络示例，这将有助于加深你对该主题的理解。&br&
本书从机器学习相关的高级概述开始，然后深入研究神经网络的细节。所涉及的数学并不超出中学水平，但包括微积分的一小部分的介绍，解释的方式也是让尽可能多的人能理解。&br&
搭建自己的神经网络有两个部分，第一部分是关于思想和理论，第二部分是比较实用的部分。 在第二部分中，你将学习Python编程语言，并逐步独立建立能够识别手写数字的神经网络。&br&
作为奖励，你还将学习如何让你的神经网络运行在Raspberry Pi环境上！&br&
这是一本非常棒的书，对于那些希望了解基本神经网络的本质的人来说，这可能是这12本书中一个很好的先决选择。&/p&&p&&br&&/p&&p&&b&《Deep Learning for Beginners》&/b&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-29df0ee738a8abfbb5219c_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&167& data-rawheight=&250& class=&content_image& width=&167&&&/figure&&p&
《Deep learning for beginners》并不太关注深度学习的数学公式，而是使用图形来帮助你理解深度学习的基本概念和算法。&br&
本书采用了一种不同于其他许多书的写作的方法，提供了深度学习算法如何工作的简单示例，然后逐步构建这些示例，并逐步介绍算法中更复杂的部分。&br&
这本书的目标读者是多种多样的，从计算机科学的新手，到数据科学的专业人员和导师，他们希望以最简单的方式向学生解释这一主题。&br&
在本书的结构方面，你将首先学习人工神经网络的基础知识，并了解机器学习和深度学习之间的区别。&br&
接下来，你将学习所有关于多层感知器( MLP )的知识，然后再学习卷积神经网络( CNN )和其他深度学习算法。&br&
这是一本适合与初学者的书，很好地解释了这些概念，但是如果你正在寻找一个更实用的东西，那么你可能应该看看其他的书。&/p&&p&&br&&/p&&p&&b&《Neural Networks and Deep Learning: Deep Learning explained to your granny》&/b&&/p&&figure&&img src=&https://pic1.zhimg.com/v2-fff1073ef00_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&157& data-rawheight=&250& class=&content_image& width=&157&&&/figure&&p&
一本书，解释事情如此简单，以至于你的奶奶都可以理解，在我看来，必须推荐给大家！&br&《Neural Networks and Deep Learning》将带你逐步了解神经网络和深度学习的基础知识，对于那些想了解这个主题但不一定想深入了解它背后的所有数学知识的人来说，这是一本很好的书。&br&
因此，在简要介绍了机器学习之后，你将了解有监督和无监督学习，然后深入研究神经元、激活函数和不同类型的网络体系结构等内容。&br&
最后，你将了解深度学习实际上是如何工作的，深度神经网络的主要类型是什么(包括卷积神经网络)，如何赋予神经网络Memory，并讨论了各种可用的框架和库。&/p&&p&&br&&/p&&p&&b&《Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms》&/b&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-bb68ed6aa3d600cb271442c_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&191& data-rawheight=&250& class=&content_image& width=&191&&&/figure&&p&
这本书由Nikhil Buduma和Nicholas Locascio的所写，旨在针对那些熟悉Python和有微积分背景的人，开始学习深度学习，。&br&
尽管如此，深度学习的基础知识确实涵盖了机器学习和神经网络的基础，并教你如何训练前馈神经网络。&br&
在我看来，这本书的亮点之一是它大量使用了Tensorflow，这是谷歌构建神经网络的API。事实上有整整一章专门讨论这个问题，在我看来这是一个很大的加分点。&br&
在本书的其余部分，它讨论了一些相当先进的特点，如梯度下降问题，卷积滤波器，深度强化学习等。然而，这本书的包含了一些很好的图表，尽量少设计数学相关的东西，也有一些优秀的解释。&/p&&p&&br&&/p&&p&&b&《Learning TensorFlow: A Guide to Building Deep Learning Systems》&/b&&/p&&figure&&img src=&https://pic1.zhimg.com/v2-adf70d20e60f7e20e1efa8a84cee4be0_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&191& data-rawheight=&250& class=&content_image& width=&191&&&/figure&&p&
下一步是一本书，重点放在Tensorflow上一个端到端的指南。这本书从实践的角度来讲解Tensorflow，面向从数据科学家到工程师、学生和研究者等广泛的技术受众。&br&
这本书一开始讲得很慢，提供了一些Tensorflow的基本示例，但随后转向更深入的主题，如卷积神经网络等神经网络体系结构、如何处理文本和序列、Tensorboard可视化、Tensorflow抽象库和多线程输入管道。&br&
《Learning TensorFlow》的最终目标是教你如何通过保存和导出模型以及如何使用TensorFlow服务API在TensorFlow中构建和部署深度学习系统。&/p&&p&&br&&/p&&p&&b&《Deep Learning with Python》&/b&&/p&&figure&&img src=&https://pic1.zhimg.com/v2-6baa58d0fecde_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&199& data-rawheight=&250& class=&content_image& width=&199&&&/figure&&p&
《Deep learning with python》(如标题所示)介绍了使用Python做为编程语言，基于开源Keras库来进行深度学习研究，该库可以轻松快速地进行原型开发。&br&
这本书最大的优点是非常引人入胜，这使得这本书非常易读。因此，人工智能和深度学习的一些更具挑战性的方面被简单地列出，这使得理解变得更容易。&br&
这本书也避免大量使用数学符号，着重于通过代码片段来解释概念(其中有30多个代码片段)。&br&
在《Deep learning with python》中，你将从一开始就了解深度学习，学习所有关于图像分类模型、如何对文本和序列使用深度学习等知识，甚至还将学习如何使用神经网络生成文本和图像。&br&
这本书是为那些有中级Python技能的人写的，但是你不需要有任何以前的机器学习经验，Tensorflow或Keras。&br&
哦，你也不需要一个高等数学背景，仅仅是基础高中水平的数学应该让你跟随和理解核心思想。&/p&&p&&br&&/p&&p&&b&《Deep Learning: A Practitioner's Approach》&/b&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-aaa5aedf01b5e5d0bfbf1d5ce74def78_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&386& data-rawheight=&508& class=&content_image& width=&386&&&/figure&&p&
我名单上的第十本书是《Deep Learning: A Practitioner's Approach》。&br&
与这12本书中的其他书籍不同，本书侧重于将深度学习与Java结合 ( DL4J )，这是一个用于训练和实现深层神经网络的Java框架/库。&br&现在，大多数人工智能研究都是在Python中进行的，因为快速原型制作通常更快，但是随着更多的组织(其中许多组织使用Java )采用人工智能，我们可能会看到更多的人工智能算法转向像DL4J这样的Java框架。&br&
这本书首先是一本关于深度学习的入门书，但是如果你已经有Java或深度学习的经验，那么你可以直接去看看例子。&br&
如果你没有深度学习的经验，但有很强的Java经验，那么你应该从头到尾阅读它。&br&如果你根本不懂Java，那么我强烈建议你读一本Java初学者的书。&br&
通过阅读这本书，你将了解机器学习的一般概念，特别是关于深度学习。你将了解深层神经网络是如何从基本神经网络演变而来的，还将了解一些深层网络体系结构，如卷积和递归神经网络。&br&如果你熟悉Hadoop和Spark，那么你将能够了解如何在DL4J中本机使用这些技术。&/p&&p&&br&&/p&&p&&b&《Pro Deep Learning with TensorFlow》&/b&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-08aaadf16ca9e7ae5b852da_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&363& data-rawheight=&515& class=&content_image& width=&363&&&/figure&&p&
本书将以实践的方式教你如何使用Tensorflow，使你能够从头开始学习深度学习，快速掌握Tensorflow API，并了解如何优化各种深度学习网络体系结构。&/p&&p&
《pro Deep Learning》将帮助你培养所需的数学知识和直觉，以调整现有的神经网络结构，甚至发明全新的体系结构来挑战最先进的网络结构&br&
本书中的所有代码都以iPython笔记本的形式提供，并且在过去使用过Tensorflow之后，我发现在开发过程中使用iPython笔记本非常有用。&br&
本书面向数据科学家和机器学习专业人员、软件开发人员、研究生和开源爱好者，将为你提供数学基础和机器学习原理，使你能够开展研究，并在生产中进行部署等更深入的解决方案。&/p&&p&&br&&/p&&p&&b&《TensorFlow for Deep Learning》&/b&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-fddff1e5ba1b7fbb20af_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&383& data-rawheight=&502& class=&content_image& width=&383&&&/figure&&p&
在撰写本文章时，《TensorFlow for Deep Learning》尚未发布，但可以预订。&br&这本书将通过实际例子从头开始教你深度学习的概念，是为那些有构建软件系统经验，但没有深度学习体系结构经验的开发人员设计的。&br&因此，本书将向你展示如何设计能够执行目标检测、翻译人类语音、分析视频甚至预测潜在药物性能的系统！&br&
你将深入了解TensorflowAPI、如何在大型数据集上训练神经网络以及如何将Tensorflow与卷积网络、递归网络、LSTMs和强化学习结合使用。&br&
这本书需要一些基本线性代数和微积分的背景知识，但这是一本实用的书，旨在教你如何创建可以学习的系统。&/p&&p&&br&&/p&&p&&b&全文总结&/b&&br&
这就是我们，目前最好的一些深度学习书籍。人工智能，特别是深度学习，已经非常有用，并且已经用这种技术取得了非凡的成就。然而，它仍处于初级阶段，许多组织尚未接受它。但这为那些愿意学习这门学科的人提供了机会。&br&
深度学习有能力改变许多行业，还有很多创业的想法还没有被想象出来。我觉得我们才刚刚开始革命。作为一名深度学习研究人员，我有一些深度学习的经验，但我知道我的许多同事尚未学习这个主题。&br&
那么，为什么不借此机会脱颖而出，尽你所能学习有关深度学习的知识，或许你可以把下一个大型人工智能初创企业带到硅谷？即使你没有创建一个创业公司，这是一个了不起的经历以附加到任何简历中。&/p&&p&&b&往期内容推荐：&/b&&/p&&p&&a href=&https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIxNDgzNDg3NQ%3D%3D%26mid%3D%26idx%3D1%26sn%3D510fb087e5a851cd99a0d%26chksm%3D97a0cfc4a0d746d276abd55cb9abbac2f1636034ebcaad79c83a58%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&历史最全GAN网络及其各种变体整理（附论文及代码实现）&/a& &/p&&p&&a href=&https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIxNDgzNDg3NQ%3D%3D%26mid%3D%26idx%3D1%26sn%3Df1c55919%26chksm%3D97a0c813a0dcdc02d0d382e9e13c1a2d925b1b2b232%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&英特尔免费精品课程推荐-深度学习基础&/a& &/p&&p&&a href=&https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIxNDgzNDg3NQ%3D%3D%26mid%3D%26idx%3D1%26sn%3D94acd441d2a6%26chksm%3D97a0c8a3a0d741b51ddc5b6df987b4fcec7ad61ce4a7a4b96d9ad9ce3f14e26ace%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深度学习中如何选择一款合适的GPU卡的一些经验和建议分享&/a& &/p&&p&&a href=&https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIxNDgzNDg3NQ%3D%3D%26mid%3D%26idx%3D1%26sn%3D2ac6eb322fca7ea22b1b%26chksm%3D97a0c89ea0dff97ef9e004d79f9%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&模型汇总23 - 卷积神经网络中不同类型的卷积方式介绍&/a& &/p&&p&&a href=&https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIxNDgzNDg3NQ%3D%3D%26mid%3D%26idx%3D1%26sn%3Dcc3891ffbd94b5a87fd9dc9ab41849dd%26chksm%3D97a0c8b2a0d741a40961bdbcade710beb2feeedaea467a260b48a%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&AI、神经网络、机器学习、深度学习和大数据的核心知识备忘录分享&/a& &/p&&p&&a href=&https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIxNDgzNDg3NQ%3D%3D%26mid%3D%26idx%3D2%26sn%3Dccd8d2e7186ddd0fd2ee5a%26chksm%3D97a0c8f3a0d741e5ef78b7f4e49bcd4d%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深度学习（AI）在医疗领域应用、需求及未来发展概述&/a& &/p&&p&&a href=&https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIxNDgzNDg3NQ%3D%3D%26mid%3D%26idx%3D1%26sn%3D34fda2ee9c43c77ad193%26chksm%3D97a0c8f5a0d741e3dbaea14e7ba02ba0c5bd9c3da3118cceed7b2df6b17d3b548%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&麻省理工学院-2017年-深度学习与自动驾驶视频课程分享&/a& &/p&&p&&a href=&https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIxNDgzNDg3NQ%3D%3D%26mid%3D%26idx%3D1%26sn%3D157d5a82cfccchksm%3D97a0c8f3a0d741e5b3971faaef8c23adec1aadeca4acab4%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&神经机器翻译（NMT）的一些重要资源分享&/a& &/p&&p&&a href=&https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIxNDgzNDg3NQ%3D%3D%26mid%3D%26idx%3D1%26sn%3D2871fa98abebc102bd832%26chksm%3D97a0c8e4a0d741f25bf4c5fd942e734cad3a9ad7cbacd648aacd9d98e1ef4343%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&斯坦福大学2017年-Spring-最新强化学习（Reinforcement Learning）课程分享&/a& &/p&&p&&a href=&https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIxNDgzNDg3NQ%3D%3D%26mid%3D%26idx%3D1%26sn%3Dfff812eeefbf7%26chksm%3D97a0c906a0d74010b9bef54fc38beb26cb229231cec34a5282cb3bcfaea3c130%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&模型汇总20-TACOTRON一种端到端的Text-to-Speech合成模型&/a&&/p&
推荐12本深度学习相关的书籍，大家可以根据介绍，选择适合自己的书来读。 原文地址： 《Hands-On Machine Learning with Scikit-Learn and TensorFlow》 首先，在我看来，这是12本书…
明确你学爬虫是为了什么。&br&&br&为了好玩，那就Python3，妥妥的。&br&话说Python2.7到2020年就停止维护了，并且Python3现在有很多新特性，至于学爬虫需要的第三方库比如Requests、BeautifulSoup也都支持Python3了，这点不用担心。话说现在连Scrapy这个写爬虫的大杀器也支持Python3了吧。&br&&br&为了工作，那还是Python2.7吧。&br&之前知乎上有位网易的工程师统计过身边各大互联网公司使用Python版本的情况，70%的人都用的是Python2.7。所以找工作的话，最好还是先学Python2。&br&&br&至于咋学呢？&br&&br&基础语法的话，&br&&br&廖雪峰的教程就挺好（&a href=&//link.zhihu.com/?target=http%3A//www.liaoxuefeng.com/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Home - 廖雪峰的官方网站&/a&），2.7和3都有。&br&&br&实在想看书，那就&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject/6049132/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python学习手册（第4版） (豆瓣)&/a&和&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject/4866934/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python基础教程 (豆瓣)&/a&二选一。&br&&br&你要是觉得这两本书太旧，并且都是讲python2的，那你就看这本，&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python编程：从入门到实践 (豆瓣)&/a&，最新的python3，很新很良心的一本书，16年出版，内容详实，布置合理，绝对是初学者入门的首选。&br&&br&&br&&br&爬虫部分的学习，想看书的话，&br&&br&Python2.7的话，看这本，&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&用Python写网络爬虫 (豆瓣)&/a&，16年8月出版的，不用担心过时，很良心的一本书。由浅入深，一步步地带你实现并完善一个爬虫。&br&&br&&figure&&img src=&https://pic1.zhimg.com/50/v2-81f85922b3ddfb7e8fa57a1a0b70e48c_b.jpg& data-rawwidth=&327& data-rawheight=&405& class=&content_image& width=&327&&&/figure&&br&&br&Python3的话，看这本，&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Python网络数据采集 (豆瓣)&/a&，也是16年出版，同样也是介绍的很全面的一本书，urllib，正则，BeautifulSoup，Requests，正则，Scrapy，数据库等等你日后能用到的东西都讲到了，还有数据清洗和自然语言处理等比较高级的知识。&br&&figure&&img src=&https://pic2.zhimg.com/50/v2-b36e6674a5_b.jpg& data-rawwidth=&318& data-rawheight=&417& class=&content_image& width=&318&&&/figure&&br&&br&&br&&br&不想看书，也可以直接看文档：&br&&a href=&//link.zhihu.com/?target=https%3A//docs.python.org/2/library/urllib.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&20.5. urllib - Open arbitrary resources by URL - Python 2.7.13 documentation&/a&&br&&a href=&//link.zhihu.com/?target=http%3A//www.python-requests.org/en/master/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Requests: HTTP for Humans&/a&&br&&a href=&//link.zhihu.com/?target=https%3A//www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Beautiful Soup 4.2.0 文档&/a&&br&&a href=&//link.zhihu.com/?target=http%3A//scrapy-chs.readthedocs.io/zh_CN/0.24/intro/tutorial.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Scrapy入门教程 - Scrapy 0.24.6 文档&/a&&br&谷歌一搜一大堆，不会翻墙的话，百度搜也行。&br&&br&额，收藏数是点赞数的三倍......&br&&br&感觉写的好，对你有帮助，就点个赞呗，别光只收藏哈.~(￣▽￣)~
明确你学爬虫是为了什么。 为了好玩，那就Python3，妥妥的。 话说Python2.7到2020年就停止维护了，并且Python3现在有很多新特性，至于学爬虫需要的第三方库比如Requests、BeautifulSoup也都支持Python3了，这点不用担心。话说现在连Scrapy这个写爬虫的大杀…
对于大部分人来说，数据分析基本上都是靠着自学完成，比如我就是一个典型的案列。题主是计算机出生，上手数据分析应该比较容易一点。我没接触过什么编程，目前也在搞SPARK,HADOOP等，也没觉得自己比别人差多少~~&br&&br&我给出的这个回答基于我自己的学习路径，并且主要是以书本为主，尝试回答一下：&b&一个新手如何系统的学习数据分析&/b&&br&下面我先给出书单：&br&&figure&&img src=&https://pic4.zhimg.com/50/b9904e2bbca6dcd353d359_b.jpg& data-rawwidth=&1212& data-rawheight=&1258& class=&origin_image zh-lightbox-thumb& width=&1212& data-original=&https://pic4.zhimg.com/50/b9904e2bbca6dcd353d359_r.jpg&&&/figure&&br&这些书籍都有对应的中文版本。我喜欢将学习分阶段进行，这样学习起来有目标并且不会太累，每个阶段完成各自的任务就好。后面的星星代表每本书籍的重要度，星星越多表示该书越值得阅读。&br&&br&&b&初级阶段：&/b&&br&首先，我是赞成PYTHON ROCKS这句话。说多了你可能不理解，但是当你正真在工业上应用的时候，你就会发现PYTHON能做很多R不能做的事情。 因此强烈建议第一阶段以打基础，学习PYTHON为主。 那么怎么学？&br&《深入浅出数据分析》 是可以学习到最基础的统计、概率等理论知识，这些知识是你前进的基石，而且此书延续了head first系列的一贯作风，非常的有趣味，读起来不会感觉枯燥乏味！&br&&br&接下来你应该好好的学一学PYTHON这门语言。我们说PYTHON可以做的事情太多了，数据分析只是它的一个功能而已。因此锁定目标，只学习有关数据分析部分的知识就行，其它涉及到什么WEB开发，网络编程的一律跳过，一定要集中精力去攻克你的目标，不要分神，有时候摊子铺大了就回不来了！！
那么《利用PYTHON进行数据分析》绝对是你学习PYTHON的不二之选（我指的是数据分析），这本书的作者是大名鼎鼎的pandas的作者，你可以想象这本书的权威性。因此去买一本，好好的研究一番，基本上你的数据处理能力能上好几个台阶。一定要重点学习numpy,pandas,matplotlib.
&br&&br&然后，SQL是你逃不掉的命，一定要写好，你既然是计算机专业，应该不需要我强调太多~&br&最后一本书你就当着小说读读就行，改善一下你程序员的思维，学会一点怎么在真实业务中应用数据分析技巧！记住：这是趣味书！&br&&br&以上就是初级阶段，主要以看书为主，让自己对数据分析有一个初步的认识。&br&下面的中级，高级就需要配合视频和书本一起来学习了~&br&&br&&b&中级进阶：&/b&&br&这一部分是核心的地方，也是你能够和别人拉开距离的阶段。学的好，薪资蹭蹭的往上涨，学不好，那就多学几遍。&br&在这个阶段的核心任务就是：撸的了代码，算的上公示，看得懂业务！
&b&中级阶段会涉及到大量的使用代码和模型去解决实际业务问题！&br&&/b&&br&看清楚三点：代码、模型、案列&br&你要边学边用，这样才能学的更快，收货更多！ 那么怎么学？&br&第一步，《数据挖掘导论》这本书先花一个月的时间好好的阅读下，知道数据挖掘的一个雏形，能够认识一些常用的模型和算法。能够搞清楚常用的监督和非监督学习，提到模型要能说出它的应用场景和优缺点。回答几个关于这本书的常见问题？&br&1. 阅读这本书是否需要一点课前知识？ &br& 答：要，但是不多。&br&2. 都有哪些课前知识？&br&答：微积分，概率论，线性代数，运筹学等等&br&3. 我的天！那我是不是先要去学习一下这些知识后再来看这本书？&br&答：千万别！！！ 记得我前面说过：摊子铺大了你有时候就回不来了。 &br&4. 那我怎么学？&br&答：很简单。直接看书，看不明白的就去google。比如说你看到SVM那里，不知道什么是拉格朗日，那么就去Google（其实这本书的附录也讲了什么是朗格朗日，甚至还讲解了怎么进行矩阵计算）。 总之，不要兜圈子，遇到什么就去补什么。&br&&br&同时，在这里我强烈建议你去学习一下coursera上面的机器学习课程，你会对算法有一个更深的认识，关键是你能学会矩阵计算，梯度下降等常用技能：&br&&a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/learn/machine-learning& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&coursera.org/learn/mach&/span&&span class=&invisible&&ine-learning&/span&&span class=&ellipsis&&&/span&&/a&&br&&br&&br&&br&第二步，使用PYTHON结合数据挖掘知识进行实际案列操作。请使用《集体智慧编程》，这本书的评价我也给你们贴出来，豆瓣评分9分，质量自然不用我说。我唯一想强调的是：请你一定要全部代码自己写一遍，不要复制粘贴！！！！！！&br&&a href=&//link.zhihu.com/?target=http%3A//book.douban.com/subject/3288908/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&集体智慧编程 (豆瓣)&/a&&br&&br&如果有时间，请去学习一下关于PYTHON的课程：&a href=&//link.zhihu.com/?target=https%3A//www.edx.org/course/introduction-computer-science-mitx-6-00-1x-0& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Introduction to Computer Science and Programming Using Python&/a&&br&&br&第三步，欢迎使用《机器学习系统设计》这本书，你会接触到PYTHON里面最niubility的SCIKIT-LEARN机器学习包。虽然官网文档阅读性已经很佳，但是缺少一个系统的过程。而这本书就是教会你如何从真实的业务角度去思考运用机器学习模型。 同样的，请你自己敲代码，不懂的就去看官方文档，还是不懂的就去google。&br&&br&第四步，想知道为什么豆瓣和亚马逊的推荐那么准确？
那么《推荐系统实战》绝对是一本最佳的书籍，作者将全部的算法使用PYTHON实现，无论是基于业务的推送还是基于协同过滤算法的推送都讲解的非常清楚！！如果你有兴趣了解，请毫不犹豫的上马拉弓~&br&&br&第五步，你一定听说过R，一定也纠结过到底学习R还是PYTHON。那么我就粗暴的回答一下：都要学！，前期已PYTHON为主，后期一起学习R语言，不要问我为什么，纯属个人感觉。 &br&《R IN ACTION》绝对绝对是入门的最好参考书，没有之一。跟着书上的代码敲一遍，模型计算都自己搞清楚（你有了前面的基础，这些学起来很轻松）。&br&最后，COURSERA上面的R语言课程很糟，谁听谁倒霉，不信你去试试？&br&&br&高级部分下次再敲，累~~~
对于大部分人来说，数据分析基本上都是靠着自学完成，比如我就是一个典型的案列。题主是计算机出生，上手数据分析应该比较容易一点。我没接触过什么编程，目前也在搞SPARK,HADOOP等，也没觉得自己比别人差多少~~ 我给出的这个回答基于我自己的学习路径，并…
&Data Science = statistics who uses python and lives in San Francisco&&br&&br&恰好我马上启程到Twitter的data science team，而且恰巧懂一点点统计和住在旧金山，所以冲动地没有邀请就厚脸回答了:D&br&&br&我认为有几个大方面&br&&br&1）学好python。&br&现在几乎所以公司的数据都可以api给你，而python的数据处理能力强大且方便。加之在machine learning的很多算法上，python也独俏一方。另外，它的简明方便迅速迭代开发，15分钟写完个算法就可以看效果了。&br&&br&除此之外，py还有点酷酷的感觉。任何程序拿matlab和c++都是可以写的，不过我真没认识过哪个d愿意自己把自己扔那个不酷的框框里:D&br&&br&对不规则输入的处理也给python一个巨大的优势。通常来说，在我现在日常的工作里，所有的数据都是以纯文本但是非格式的形式存储的（raw text, unstructured data)。问题在于，这些文本不可以直接当作各种算法的输入，你需要&br&&ol&&li&分词，分句&/li&&li&提取特征&/li&&li&整理缺失数据&/li&&li&除掉异类（outlier）&/li&&/ol&在这些时候，python可谓是神器。这里做的1-4都可以直接在scikit-learn里面找到对应的工具，而且，即使是要自己写一个定制的算法处理某些特殊需求，也就是一百行代码的事情。&br&&br&简而言之，对于数据科学面临的挑战，python可以让你短平快地解决手中的问题，而不是担心太多实现细节。&br&&br&2）学好统计学习&br&略拗口。统计学习的概念就是“统计机器学习方法”。&br&统计和计算机科学前几十年互相平行着，互相造出了对方造出的一系列工具，算法。但是直到最近人们开始注意到，计算机科学家所谓的机器学习其实就是统计里面的prediction而已。因此这两个学科又开始重新融合。&br&&br&为什么统计学习很重要？&br&&br&因为，纯粹的机器学习讲究算法预测能力和实现，但是统计一直就强调“可解释性”。比如说，针对今天微博股票发行就上升20%，你把你的两个预测股票上涨还是下跌的model套在新浪的例子上，然后给你的上司看。&br&Model-1有99%的预测能力，也就是99%的情况下它预测对，但是Model-2有95%，不过它有例外的一个附加属性——可以告诉你为什么这个股票上涨或者下跌。&br&&br&试问，你的上司会先哪个？问问你自己会选哪个？&br&&br&显然是后者。因为前者虽然有很强的预测力（机器学习），但是没有解释能力（统计解释）。&br&&br&而作为一个数据科学家，80%的时间你是需要跟客户，团队或者上司解释为什么A可行B不可行。如果你告诉他们，“我现在的神经网络就是能有那么好的预测力可是我根本就没法解释上来”，那么，没有人会愿意相信你。&br&&br&具体一些，怎么样学习统计学习？&br&&ul&&li&先学好基本的概率学。如果大学里的还给老师了（跟我一样），那么可以从MIT的概率论教材【1】入手。从第1章到第9章看完并做完所有的习题。（p.s.面试Twitter的时候被问到一个拿球后验概率的问题，从这本书上抓来的）。&/li&&li&了解基本的统计检验及它们的假设，什么时候可以用到它们。&/li&&li&快速了解统计学习有哪些术语，用来做什么目的，读这本【5】。&/li&&li&学习基本的统计思想。有frequentist的统计，也有bayesian的统计。前者的代表作有【2】，后者看【3】。前者是统计学习的圣书，偏frequentist，后者是pattern recognition的圣书，几乎从纯bayesian的角度来讲。注意，【2】有免费版，作者把它全放在了网上。而且有一个简易版，如果感觉力不从心直接看【2】，那么可以先从它的简易版开始看。简易版【4】是作者在coursera上开课用的大众教材，简单不少（不过仍然有很多闪光点，通俗易懂）。对于【3】，一开始很难直接啃下来，但是啃下来会受益匪浅。&/li&&/ul&注意，以上的书搜一下几乎全可以在网上搜到别人传的pdf。有条件的同学可以买一下纸制版来读，体验更好并且可以支持一下作者。所有的书我都买了纸制版，但是我知道在国内要买本书有多不方便（以及原版书多贵）。&br&&br&读完以上的书是个长期过程。但是大概读了一遍之后，我个人觉得是非常值得的。如果你只是知道怎么用一些软件包，那么你一定成不了一个合格的data scientist。因为只要问题稍加变化，你就不知道怎么解决了。&br&&br&如果你感觉自己是一个二吊子数据科学家（我也是）那么问一下下面几个问题，如果有2个答不上来，那么你就跟我一样，真的还是二吊子而已，继续学习吧。&br&&ul&&li&为什么在神经网络里面feature需要standardize而不是直接扔进去&/li&&li&对Random Forest需要做Cross-Validatation来避免overfitting吗？&/li&&li&用naive-bayesian来做bagging，是不是一个不好的选择？为什么？&/li&&li&在用ensembe方法的时候，特别是Gradient Boosting Tree的时候，我需要把树的结构变得更复杂（high variance, low bias)还是更简单（low variance, high bias)呢？为什么？&/li&&/ul&如果你刚开始入门，没有关系，回答不出来这些问题很正常。如果你是一个二吊子，体会一下，为什么你跟一流的data scientist还有些差距——因为你不了解每个算法是怎么工作，当你想要把你的问题用那个算法解决的时候，面对无数的细节，你就无从下手了。&br&&br&&br&说个题外话，我很欣赏一个叫Jiro的寿司店，它的店长在（东京？）一个最不起眼的地铁站开了一家全世界最贵的餐馆，预订要提前3个月。怎么做到的？70年如一日练习如何做寿司。70年！除了丧娶之外的假期，店长每天必到，8个小时工作以外继续练习寿司做法。&br&&br&其实学数据科学也一样，沉下心来，练习匠艺。&br&&br&&br&3）学习数据处理&br&这一步不必独立于2）来进行。显然，你在读这些书的时候会开始碰到各种算法，而且这里的书里也会提到各种数据。但是这个年代最不值钱的就是数据了（拜托，为什么还要用80年代的“加州房价数据”？），值钱的是数据分析过后提供给决策的价值。那么与其纠结在这么悲剧的80年代数据集上，为什么不自己搜集一些呢？&br&&br&&ul&&li&开始写一个小程序，用API爬下Twitter上随机的tweets（或者weibo吧。。。）&/li&&li&对这些tweets的text进行分词，处理噪音（比如广告）&/li&&li&用一些现成的label作为label，比如tweet里会有这条tweet被转发了几次&/li&&li&尝试写一个算法，来预测tweet会被转发几次&/li&&li&在未见的数据集上进行测试&/li&&/ul&如上的过程不是一日之功，尤其刚刚开始入门的时候。慢慢来，耐心大于进度。&br&&br&4）变成全能工程师（full stack engineer）&br&在公司环境下，作为一个新入职的新手，你不可能有优待让你在需要写一个数据可视化的时候，找到一个同事来给你做。需要写把数据存到数据库的时候，找另一个同事来给你做。&br&&br&况且即使你有这个条件，这样频繁切换上下文会浪费更多时间。比如你让同事早上给你塞一下数据到数据库，但是下午他才给你做好。或者你需要很长时间给他解释，逻辑是什么，存的方式是什么。&br&&br&最好的变法，是把你自己武装成一个全能工作师。你不需要成为各方面的专家，但是你一定需要各方面都了解一点，查一下文档可以上手就用。&br&&br&&ul&&li&会使用NoSQL。尤其是MongoDB&/li&&li&学会基本的visualization，会用基础的html和javascript，知道d3【6】这个可视化库，以及highchart【7】&/li&&li&学习基本的算法和算法分析，知道如何分析算法复杂度。平均复杂度，最坏复杂度。每次写完一个程序，自己预计需要的时间（用算法分析来预测）。推荐普林斯顿的算法课【8】（注意，可以从算法1开始，它有两个版本）&/li&&li&写一个基础的服务器，用flask【9】的基本模板写一个可以让你做可视化分析的backbone。&/li&&li&学习使用一个顺手的IDE，VIM， pycharm都可以。&/li&&/ul&&br&4）读，读，读！&br&除了闭门造车，你还需要知道其它数据科学家在做些啥。涌现的各种新的技术，新的想法和新的人，你都需要跟他们交流，扩大知识面，以便更好应对新的工作挑战。&br&&br&通常，非常厉害的数据科学家都会把自己的blog放到网上供大家参观膜拜。我推荐一些我常看的。另外，学术圈里也有很多厉害的数据科学家，不必怕看论文，看了几篇之后，你就会觉得：哈！我也能想到这个！&br&&br&读blog的一个好处是，如果你跟他们交流甚欢，甚至于你可以从他们那里要一个实习来做！&br&&br&betaworks首席数据科学家，Gilad Lotan的博客，我从他这里要的intern :D &a href=&//link.zhihu.com/?target=http%3A//giladlotan.com/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Gilad Lotan&/a&&br&Ed Chi，六年本科硕士博士毕业的神人，google data science &a href=&//link.zhihu.com/?target=http%3A//edchi.blogspot.com/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&edchi.blogspot.com/&/span&&span class=&invisible&&&/span&&/a&&br&Hilary Mason，bitly首席科学家，纽约地区人尽皆知的数据科学家：&a href=&//link.zhihu.com/?target=http%3A//www.hilarymason.com/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&hilarymason.com&/a&&br&&br&在它们这里看够了之后，你会发现还有很多值得看的blog（他们会在文章里面引用其它文章的内容），这样滚雪球似的，你可以有够多的东西早上上班的路上读了：）&br&&br&&br&5）要不要上个研究生课程？&br&先说我上的网络课程：&br&&a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/ml& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Coursera.org&/a&&br&&a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/machlearning& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&coursera.org/course/mac&/span&&span class=&invisible&&hlearning&/span&&span class=&ellipsis&&&/span&&/a&&br&前者就不说了，人人都知道。后者我则更喜欢，因为教得更广阔，上课的教授也是世界一流的机器学习学者，而且经常会有一些很妙的点出来，促进思考。&br&&br&&br&&br&对于是不是非要去上个研究生（尤其要不要到美国上），我觉得不是特别有必要。如果你收到了几个著名大学数据科学方向的录取，那开开心心地来，你会学到不少东西。但是如果没有的话，也不必纠结。我曾有幸上过或者旁听过美国这里一些顶级名校的课程，我感觉它的作用仍然是把你领进门，以及给你一个能跟世界上最聪明的人一个交流机会（我指那些教授）。除此之外，修行都是回家在寝室进行的。然而现在世界上最好的课程都摆在你的面前，为什么还要舍近求远呢。&br&&br&&br&总结一下吧&br&我很幸运地跟一些最好的数据科学家交流共事过，从他们的经历看和做事风格来看，真正的共性是&br&&br&他们都很聪明——你也可以&br&他们都很喜欢自己做的东西——如果你不喜欢应该也不会看这个问题&br&他们都很能静下心来学东西——如果足够努力你也可以&br&&br&&br&&br&&br&【1】&a href=&//link.zhihu.com/?target=http%3A//ocw.mit.edu/courses/mathematics/18-05-introduction-to-probability-and-statistics-spring-2005/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Introduction to Probability and Statistics&/a&&br&【2】Hastie, Trevor, et al. &i&The elements of statistical learning&/i&. Vol. 2. No. 1. New York: Springer, 2009. 免费版&br&【3】Bishop, Christopher M. &i&Pattern recognition and machine learning&/i&. Vol. 1. New York: springer, 2006.&br&【4】&a href=&//link.zhihu.com/?target=http%3A//www-bcf.usc.edu/%7Egareth/ISL/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Introduction to Statistical Learning&/a& 免费版&br&【5】Wasserman, Larry. &i&All of statistics: a concise course in statistical inference&/i&. Springer, 2004.&br&【6】&a href=&//link.zhihu.com/?target=http%3A//d3js.org/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&d3js.org/&/span&&span class=&invisible&&&/span&&/a&&br&【7】&a href=&//link.zhihu.com/?target=http%3A//www.highcharts.com/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&highcharts.com/&/span&&span class=&invisible&&&/span&&/a&&br&【8】&a href=&//link.zhihu.com/?target=https%3A//www.coursera.org/course/algs4partII& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Coursera.org&/a&&br&【9】&a href=&//link.zhihu.com/?target=http%3A//flask.pocoo.org/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&flask.pocoo.org/&/span&&span class=&invisible&&&/span&&/a&
"Data Science = statistics who uses python and lives in San Francisco" 恰好我马上启程到Twitter的data science team，而且恰巧懂一点点统计和住在旧金山，所以冲动地没有邀请就厚脸回答了:D 我认为有几个大方面 1）学好python。 现在几乎所以公司的数…
&p&说来我正式接触数据分析也快一年，对速成还是有一些心得。优秀的数据分析师是不能速成的，但是零经验也有零经验的捷径。&/p&&p&&br&&/p&&p&以上的前提针对入门，目的是达到数据分析师的门槛，顺利拿到一份offer，不涉及数据挖掘等高级技巧。我的方法倾向互联网领域，不论是分析师这个职位，还是运营、产品的能力发展都是适用的。其他领域就仁者见仁了。&/p&&p&&br&&/p&&p&市面上有《七周七数据库》，《七周七编程语言》。今天我们就《七周七学习成为数据分析师》。&/p&&p&&br&&/p&&p&没错，七周。&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&第一周：Excel学习掌握&/b&&/p&&p&&br&&/p&&p&如果Excel玩的顺溜，你可以略过这一周。不过介于我入行时也不会vlookup，所以有必要讲下。&/p&&p&&br&&/p&&p&重点是了解各种函数，包括但不限于sum，count，sumif，countif，find，if，left/right，时间转换等。&/p&&p&&br&&/p&&p&Excel函数不需要学全，&b&重要的是学会搜索&/b&。即如何将遇到的问题在搜索引擎上描述清楚。&/p&&p&&br&&/p&&p&我认为掌握vlookup和数据透视表足够，是最具性价比的两个技巧。
学会vlookup，SQL中的join，Python中的merge很容易理解。
学会数据透视表，SQL中的group，Python中的pivot_table也是同理。
&/p&&p&&br&&/p&&p&这两个搞定，基本10万条以内的数据统计没啥难度，80%的办公室白领都能秒杀。&/p&&p&&br&&/p&&p&Excel是熟能生巧，多找练习题。还有需要养成好习惯，不要合并单元格，不要过于花哨。表格按照原始数据（sheet1）、加工数据（sheet2），图表（sheet3）的类型管理。&/p&&p&&br&&/p&&p&专栏上写了三篇Excel的文章，比较简单，大体介绍了Excel应用，可以作为职场新人的指南。&/p&&p&&br&&/p&&p&第一篇&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&数据分析—函数篇&/a&。主要简单讲解常用的函数，以及与之对应的SQL/Python函数。&/p&&p&&br&&/p&&p&第二篇&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&数据分析—技巧篇&/a&。主要简单讲解我认为很有新价比的功能，提高工作效率。&/p&&p&&br&&/p&&p&第三篇&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&数据分析—实战篇&/a&。主要将前两篇的内容以实战方式进行，简单地进行了一次数据分析。数据源采用了真实的爬虫数据，是5000行数据分析师岗位数据。&/p&&p&&br&&/p&&p&下面是为了以后更好的基础而附加的学习任务。&/p&&p&&br&&/p&&p&了解单元格格式，后期的数据类型包括各类timestamp，date，string，int，bigint，char，factor，float等。&/p&&p&&br&&/p&&p&了解数组，以及怎么用（excel的数组挺难用），Python和R也会涉及到 list。&/p&&p&&br&&/p&&p&了解函数和参数，当进阶为编程型的数据分析师时，会让你更快的掌握。&/p&&p&&br&&/p&&p&了解中文编码，UTF8和ASCII，包括CSV的delimiter等，以后你会回来感谢我的。&/p&&p&&br&&/p&&p&养成一个好习惯，不要合并单元格，不要过于花哨。表格按照原始数据、加工数据，图表的类型管理。&/p&&p&&br&&/p&&p&如果时间还有剩余，可以看&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&大数据时代 (豆瓣)&/a&，培养职业兴趣。&/p&&p&&br&&/p&&p&再来一道练习题，我给你1000个身份证号码，告诉我里面有多少男女，各省市人口的分布，这些人的年龄和星座。（身份证号码规律可以网上搜索）&/p&&figure&&img src=&https://pic2.zhimg.com/50/e48d25ababf941e4afacc1_b.jpg& data-rawwidth=&425& data-rawheight=&247& class=&origin_image zh-lightbox-thumb& width=&425& data-original=&https://pic2.zhimg.com/50/e48d25ababf941e4afacc1_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&&b&第二周：数据可视化&/b&&/p&&p&&br&&/p&&p&数据分析界有一句经典名言，字不如表，表不如图。数据可视化是数据分析的主要方向之一。除掉数据挖掘这类高级分析，不少数据分析就是监控数据观察数据。&/p&&p&&br&&/p&&p&数据分析的最终都是要兜售自己的观点和结论的。兜售的最好方式就是做出观点清晰数据详实的PPT给老板看。如果没人认同分析结果，那么分析也不会被改进和优化，不落地的数据分析价值又在哪里？&/p&&p&&br&&/p&&p&首先要了解常用的图表：&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/50/v2-15e812e7de4c1ddd26cf0_b.jpg& data-rawwidth=&1280& data-rawheight=&959& class=&origin_image zh-lightbox-thumb& width=&1280& data-original=&https://pic2.zhimg.com/50/v2-15e812e7de4c1ddd26cf0_r.jpg&&&/figure&&p&&br&&/p&&p&各类图表的详细介绍可以查看第四篇文章：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&数据可视化：你想知道的经典图表全在这&/a&&/p&&p&&br&&/p&&p&了解图表后，还应该学会报表制作，这里准备了第五篇：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&数据可视化：打造高端的数据报表&/a&。将教会大家Excel的高级图表用法。&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-90e7cf2f3977c66c6821e_b.jpg& data-rawwidth=&950& data-rawheight=&1118& class=&origin_image zh-lightbox-thumb& width=&950& data-original=&https://pic4.zhimg.com/50/v2-90e7cf2f3977c66c6821e_r.jpg&&&/figure&&p&&br&&/p&&p&如果还不过瘾，我们得掌握信息图和BI，下图就是微软的Power BI：&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/50/v2-f79c7d413fd311e4dc105b7f_b.jpg& data-rawwidth=&600& data-rawheight=&350& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&https://pic4.zhimg.com/50/v2-f79c7d413fd311e4dc105b7f_r.jpg&&&/figure&&p&&br&&/p&&p&BI（商业智能）和图表的区别在于BI擅长交互和报表，更擅长解释已经发生和正在发生的数据。将要发生的数据是数据挖掘的方向。&/p&&p&&br&&/p&&p&BI的好处在于很大程度解放数据分析师的工作，推动全部门的数据意识，另外降低其他部门的数据需求（万恶的导数据）。&/p&&p&&br&&/p&&p&BI市面上的产品很多，基本都是建立仪表盘Dashboard，通过维度的联动和钻取，获得可视化的分析。第六篇：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&数据可视化：深入浅出BI&/a& 将以第一周的实战数据学习BI，上图的就是学习后的成果。&/p&&p&&br&&/p&&p&数据可视化的学习就是三个过程，了解数据（图表），整合数据（BI），展示数据（信息化）。&/p&&p&&br&&/p&&p&可视化也和审美息息相关，很多直男代表并不擅长做图，没关系，抽空可以看书：&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&数据之美 (豆瓣)&/a&&/p&&p&&br&&/p&&p&PPT也别落下，Excel作图多练习，不会有坏处的。&/p&&p&&br&&/p&&p&&a href=&https://www.zhihu.com/topic//hot& class=&internal&&PPT - 热门问答&/a&&/p&&p&&br&&/p&&p&&a href=&https://www.zhihu.com/topic//hot& class=&internal&&Excel 图表绘制 - 热门问答&/a&&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&第三周：分析思维的训练&/b&&/p&&p&&br&&/p&&p&这周我们轻松一下，学学理论知识。&/p&&p&&br&&/p&&p&分析思维首推大名鼎鼎的&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&金字塔原理 (豆瓣)&/a&，帮助数据分析师结构化思维。如果金字塔原理让你醍醐灌顶，那么就可以学思维导图，下载一个&a href=&//link.zhihu.com/?target=http%3A//www.xmindchina.net/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&XMind中文网站&/a&，或者在线用百度脑图（百度难得不被骂的产品）。&/p&&p&&br&&/p&&p&如果不想看金字塔原理，那么就看第七篇文章：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&如何培养麦肯锡式的分析思维&/a&。将书本的内容提炼了大部分。&/p&&p&&br&&/p&&p&再了解SMART、5W2H、SWOT、4P理论、六顶思考帽等框架。这些框架都是大巧不工的经典。你要快速成为数据分析师，思考方式也得跟着改变。网上搜咨询公司的面试题，搜Case Book。题目用新学的思维导图做，先套那些经典框架，做一遍，然后去看答案对比。&/p&&p&&br&&/p&&p&等思维框架建立好，我们应该往里面塞点数据分析的思维了，&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&如何建立数据分析的思维框架&/a&。两篇文章相结合，就能出师了。&/p&&p&&br&&/p&&p&这里送三条金句：&/p&&p&&br&&/p&&p&一个业务没有指标，则不能增长和分析&/p&&p&&br&&/p&&p&好的指标应该是比率或比例&/p&&p&&br&&/p&&p&好的分析应该对比或关联。&/p&&p&&br&&/p&&p&举一个例子：我告诉你一家超市今天有1000人的客流量，你会怎么分析？&/p&&p&&br&&/p&&p&这1000人的数量，和附件其他超市比是多是少？（对比）&/p&&p&&br&&/p&&p&这1000人的数量比昨天多还是少？（对比）&/p&&p&&br&&/p&&p&1000人有多少产生了实际购买？（转化比例）&/p&&p&&br&&/p&&p&路过超市，超市外的人流是多少？（转化比例）&/p&&p&&br&&/p&&p&这是一个快速搭建分析框架的方法。如果只看1000人，是看不出分析不出任何结果。&/p&&p&&br&&/p&&p&优秀的数据分析师会拷问别人的数据，而他本身的分析也是经得起拷问，这就是分析思维能力。需要确切明白的是，一周时间锻炼不出数据思维，只能做到了解。&b&数据思维是不断练习的结果&/b&，我只是尽量缩短这个过程。&/p&&p&&br&&/p&&p&&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject/5257905/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深入浅出数据分析 (豆瓣)&/a&&/p&&p&这本书太啰嗦了，我看到一半放弃了…但推荐人不少，可以快速翻看一下。&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&第四周：数据库学习&/b&&/p&&p&&br&&/p&&p&Excel对十万条以内的数据处理起来没有问题，但是互联网行业就是不缺数据。但凡产品有一点规模，数据都是百万起。这时候就需要学习数据库。&/p&&p&&br&&/p&&p&数据库入门看这篇文章：&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&写给新人的数据库指南&/a&&/p&&p&&br&&/p&&p&越来越多的产品和运营岗位，会在招聘条件中，将会SQL作为优先的加分项。&/p&&p&&br&&/p&&p&SQL是数据分析的核心技能之一，从Excel到SQL绝对是数据处理效率的一大进步。&/p&&p&&br&&/p&&p&学习围绕Select展开。增删改、约束、索引、数据库范式均可以跳过。SQL学习不需要买书，W3C学习就行了，&a href=&//link.zhihu.com/?target=http%3A//www.w3school.com.cn/sql/index.asp& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&SQL 教程&/a&。大多数互联网公司都是MySQL，我也建议学，性价比最高。&/p&&p&&br&&/p&&p&主要了解where，group by，order by，having，like，count，sum，min，max，distinct，if，join，left join，limit，and和or的逻辑，时间转换函数等。&/p&&p&&br&&/p&&p&如果想要跟进一步，可以学习row_number，substr，convert，contact等。另外不同数据平台的函数会有差异，例如Presto和phpMyAdmin。&/p&&p&&br&&/p&&p&你看，和Excel的函数都差不多。按照&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&SQL，从入门到熟练&/a&&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&SQL，从熟练到掌握&/a&这两篇的内容学习。虽然没有实战的打磨，但是了解一个大概够了。&/p&&p&&br&&/p&&p&期间你不需要考虑优化和写法丑陋，查询几秒和几分钟对数据分析师没区别，跑数据时喝杯咖啡呗，以后你跑个SVM都能去吃饭了。&/p&&p&&br&&/p&&p&网上也能搜索SQL相关的练习题，刷一遍就行。也能自己下载数据库管理工具，找些数据练习。我用的是Sequel Pro。&/p&&p&&br&&/p&&p&&b&附加学习：&/b&&/p&&p&如果这周的学习充裕，可以了解MapReduce原理。&/p&&p&&br&&/p&&p&来一道练习题，表A是用户的注册时间表，表B是用户所在地，写出各地区每月新注册用户的查询SQL。掌握到这个程度，基本够用，虽然往后工作中会有更多变态数据需求。&/p&&figure&&img src=&https://pic2.zhimg.com/50/a52ede0cd1c809d9dba0cf_b.jpg& data-rawwidth=&428& data-rawheight=&196& class=&origin_image zh-lightbox-thumb& width=&428& data-original=&https://pic2.zhimg.com/50/a52ede0cd1c809d9dba0cf_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&&b&第五周：统计知识学习&/b&&/p&&p&很遗憾，统计知识是我最薄弱的地方，也是数据分析的基础之一。&/p&&p&&br&&/p&&p&统计知识会要求我们以另一个角度看待数据。当你知道AB两组的差异用平均值看是多傻的事情，你的分析技巧也会显著提高。&/p&&p&&br&&/p&&p&这一周努力掌握描述性统计，包括均值、中位数、标准差、方差、概率、假设检验、显著性、总体和抽样等概念。详细的数学推导不用细看，谁让我们是速成呢，只要看到数据，知道不能怎么样，而是应该这样分析即可。&/p&&p&&br&&/p&&p&Excel中有一个分析工具库，简单强大。对列1的各名词做到了解。如果是多变量多样本，学会各种检验。&/p&&figure&&img src=&https://pic2.zhimg.com/50/9cce8bdc0d228dd77822e_b.jpg& data-rawwidth=&475& data-rawheight=&331& class=&origin_image zh-lightbox-thumb& width=&475& data-original=&https://pic2.zhimg.com/50/9cce8bdc0d228dd77822e_r.jpg&&&/figure&&p&&br&&/p&&p&（图片网上找来的）&/p&&p&&br&&/p&&p&&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject/3595095/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&统计数字会撒谎 (豆瓣)&/a&&/p&&p&休闲读物，有趣的案例可以让我们避免很多数据陷阱。&/p&&p&&br&&/p&&p&&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject/7056708/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深入浅出统计学 (豆瓣)&/a&&/p&&p&还是经典的HeadFirst系列，适应它一贯的啰嗦吧。&/p&&p&&br&&/p&&p&多说一句，老板和非分析师不会有兴趣知道背后的统计学原理，通常要的是分析后的是与否，二元答案。不要告诉他们P值什么的，告诉他们活动有效果，或者没效果。&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&第六周：业务学习（用户行为、产品、运营）&/b&&/p&&p&&br&&/p&&p&这一周需要了解业务。对于数据分析师来说，&b&业务的了解比数据方法论更重要。&/b&当然很遗憾，业务学习没有捷径。&/p&&p&&br&&/p&&p&我举一个数据沙龙上的例子，一家O2O配送公司发现在重庆地区，外卖员的送货效率低于其他城市，导致用户的好评率降低。总部的数据分析师建立了各个指标去分析原因，都没有找出来问题。后来在访谈中发觉，因为重庆是山城，路面高低落差比较夸张，很多外卖人员的小电瓶上不了坡…所以导致送货效率慢。&/p&&p&&br&&/p&&p&这个案例中，我们只知道送货员的送货水平距离，数据上根本不可能知道垂直距离这个指标。这就是数据的局限，也是只会看数据的分析师和接地气分析师的最大差异。&/p&&p&&br&&/p&&p&对于业务市场的了解是数据分析师工作经验上最大优势之一。既然是零经验面试，公司肯定也知道刚入门分析师不会有太多业务经验，不会以这个卡人。所以简单花一周了解行业的各指标。&/p&&p&&br&&/p&&p&以知乎最多的互联网行业为例。至少了解活跃用户数，活跃用户率，留存率，流失率，传播系数等通用概念。&/p&&p&&br&&/p&&p&&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&增长黑客 (豆瓣)&/a&&/p&&p&数据驱动业务的典型，里面包含产品运营最经典的AAARR框架。部分非数据的营销案例，如果时间不够可以略过。此外产品和运营的入门读物也能看，这里就不推荐了。&/p&&p&&br&&/p&&p&&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&网站分析实战 (豆瓣)&/a&&/p&&p&如果应聘的公司涉及Web产品，可以了解流量的概念。书中案例以Google Analytics为主。其实现在是APP+Web的复合框架，比如朋友圈的传播活动肯定需要用到网页的指标去分析。&/p&&p&&br&&/p&&p&&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&精益数据分析 (豆瓣)&/a&&/p&&p&互联网数据分析的入门书籍，归纳总结了几个常用的分析框架。比较遗憾的是案例都是欧美。&/p&&p&&br&&/p&&p&还有一个小建议，现在有不少第三方的数据应用，囊括了不少产品领域的数据分析和统计。自学党们即使没有生产环境的数据，也可以看一下应用Demo，有好处的。&/p&&p&&br&&/p&&p&除了业务知识，业务层面沟通也需要掌握。另外建议在面试前几天收集该行业的业务强化一下。&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&第七周：Python/R 学习&/b&&/p&&p&&br&&/p&&p&终于到第七周，也是最痛苦的一周。这时应该学习编程技巧。&/p&&p&&br&&/p&&p&是否具备编程能力，是初级数据分析和高级数据分析的风水岭。数据挖掘，爬虫，可视化报表都需要用到编程能力。掌握一门优秀的编程语言，可以让数据分析师事半功倍，升职加薪，迎娶白富美。（SAS/SPSS我不了解，所以不做指导）&/p&&p&&br&&/p&&p&这里有两条支线，学习R语言或Python。速成只要学习一条，以后再补上另外一门。&/p&&p&&br&&/p&&p&我刚好两类都学过。R的优点是统计学家编写的，缺点也是统计学家编写。如果是各类统计函数的调用，绘图，分析的前验性论证，R无疑有优势。但是大数据量的处理力有不逮，学习曲线比较陡峭。Python则是万能的胶水语言，适用性强，可以将各类分析的过程脚本化。Pandas，sklearn等各包也已经追平R。&/p&&p&&br&&/p&&p&如果学习R，我建议看&a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&R语言实战 (豆瓣)&/a&， 照着书本打一遍代码，一星期绰绰有余。另外还有一本 &a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject//& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&统计学 (豆瓣)&/a&
，偏知识理论，可以复习前面的统计学知识。&/p&&p&&br&&/p&&p&R学习和熟悉各种包。知道描述性统计的函数。掌握DataFrame。如果时间有余。可以再去学习ggplot2。&/p&&p&&br&&/p&&p&Python拥有很多分支，我们专注数据分析这块，入门可以学习 &a href=&//link.zhihu.com/?target=https%3A//book.douban.com/subject/6892016/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&深入浅出Python（影印版） (豆瓣)&/a& 。也是把代码写一遍。&/p&&p&&br&&/p&&p&需要学会条件判断，字典，切片，循环，迭代，自定义函数等。知道数据领域最经典的包Pandas+Numpy。&/p&&p&&br&&/p&&p&在速成后的很长一段时间，我们都要做调包侠。&/p&&p&&br&&/p&&p&这两门语言最好安装IDE，R语言我建议用RStudio，Python我建议用 &a href=&//link.zhihu.com/?target=https%3A//www.continuum.io/downloads& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Anaconda&/a&。都是数据分析的利器。&/p&&p&&br&&/p&&p&Mac自带Python2.7，但现在Python 3已经比几年前成熟，而且没有编码问题。各类教程也足够多，不要抱成守旧了。Win的电脑，安装Python会有环境变量的问题，是个大坑（R的中文编码也是天坑）。&/p&&p&&br&&/p&&p&到这里，刚刚好是七周。如果还需要第八周+，则是把上面的巩固和融会贯通，毕竟速成是以转岗或拿offer为目的。&/p&&p&&br&&/p&&p&成为数据分析师后，坑才刚刚开始，努力吧。&/p&&p&&br&&/p&&p&所有内容都已经更新完毕了，因为知乎现在不允许帖链接，所以这里不放了。大家可以看专栏，或者关注公众号。&/p&&p&&br&&/p&&p&——我是无耻的软广——&/p&&p&欢迎关注我的公众号（tracykanc），粉丝稀少，急需关爱。更新内容以运营和数据为主。&/p&
说来我正式接触数据分析也快一年，对速成还是有一些心得。优秀的数据分析师是不能速成的，但是零经验也有零经验的捷径。 以上的前提针对入门，目的是达到数据分析师的门槛，顺利拿到一份offer，不涉及数据挖掘等高级技巧。我的方法倾向互联网领域，不论是分…
我和很多人一样，不太喜欢快速这个词，急于求成的结果是得不偿失。&br&在这里，我将题主的“快速”理解为如何&b&&u&在最短的时间内高效率&/u&&/b&的成为数据分析师。我想这才是题主的初衷吧！ &br&首先，成为任何一个技术型工作的从业者最需要的就是掌握相关的专业技能，因此也可以这么理解题主的话：&b&&u&如何在最短的时间内高效率的掌握数据分析知识从而达到找一份相关工作的资格！&/u&&/b&&br&&br&在长篇大论之前，我先给题主来一粒定心丸：&b&3个月零基础入门数据分析师是一件完全可能的事！&/b&&br&看清楚哦，我说的是入门。入门基本上就是懂得了常规的数据分析知识并且据此找到一份简单的工作！&br&知乎里面有很多关于学习数据分析的帖子，写的都很好。但是它们和快速没有任何关系，你要完成那些大神们的书单贴，至少需要3、5年才行。因为那是一个perfect 的数据分析师，而不是入门级别的！&br&&br&我简单的将学习数据分析的同学分为三种：&br&1.学过计算机但不会统计学（新手）&br&2.学过统计学但不会计算机（小白）&br&3.统计学和计算机都不会（菜鸟）&br&&br&他们的排名是： 菜鸟 & 小白 &= 新手。
无需置疑，菜鸟是最弱的级别，学习起来也是困难重重。小白和新手算是有一定的基础，学习起来会比较轻松一点。 从我个人角度来看，我觉得计算机技术要重于统计学知识，因此我认为学计算机的同学更容易入门。&br&&br&当然，无论处于哪一个级别你都需要做两件事：&br&&ol&&li&一份正确的学习计划&br&&/li&&li&一套正确的书籍&br&&/li&&/ol&废话不多说，先上书单：&br&&figure&&img data-rawheight=&497& src=&https://pic4.zhimg.com/50/5dde6b0d235c448fff2fd29_b.jpg& data-rawwidth=&831& class=&origin_image zh-lightbox-thumb& width=&831& data-original=&https://pic4.zhimg.com/50/5dde6b0d235c448fff2fd29_r.jpg&&&/figure&&br&上面这十本书，每一本都是经典。 &br&它完美的解决了一个初级数据分析师应该掌握的技能：&br&&ol&&li&统计学基础&br&&/li&&li&常用模型理论&br&&/li&&li&R和PYTHON&br&&/li&&li&网页分析&br&&/li&&li&数据库技术&br&&/li&&li&实战应用&/li&&/ol&简单的描述下：&br&&br&统计学无需置疑是一个数据分析师的核心功底，你只有学好了统计学才能谈得上数据分析。&br&但是统计学又常常是不够用的，我们还需要一些高级的模型来解决我们实际业务中的问题，比如：银行需要判断是否给某个客户发放信用卡
这就需要一个高级的二分类模型。这里我们的数据挖掘理论就派上用场了。&br&有了理论知识，我们需要用工具去实现我们的理论并加以应用。这个年代，已经没有人会去手工计算某个问题了，R和PYTHON就是最负盛名的数据分析工具。 关于R和PYTHON的地位，题主可以百度，谷歌，知乎等搜索一遍。
至于如何学习，请看上面的书单！&br&如果致力于在互联网领域发展，那么网页分析是你必看的一本书籍。这本是是大名鼎鼎的GA创始人著作，看一遍，做一遍会有一个不错的收获。&br&数据分析师是跟数据打交道的，我们的数据都是存储在数据库里面的，因此掌握必备的数据库技术是肯定要的！&br&以上就是对入门级别的数据分析师做的一个简单的描述！
&br&&br&那么，在对书籍有了一定的了解之后，具体的该怎么学习呢？&br&首先，我给大家推荐一个我们自己录制的视频《零基础指导学习数据分析》。下载地址如下：&br&&a href=&//link.zhihu.com/?target=http%3A//pan.baidu.com/s/1eQzWzsu& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&SOTON第一课1.zip_免费高速下载&/a&&br&内有讲义以及高清无码的视频。&br&&br&我们将三个月分为三个学习阶段，每个阶段请务必保持每天3个小时以上的学习时间。这个时间要求不过分，不管是对学生党还是上班族，三个小时总是抽的出来的。&br&&br&&b&第一阶段：初识数据分析&/b&&br&这个阶段是你学习数据分析的第一个月。核心的三本书就是：统计学、R IN ACTION、深入浅出数据分析。&br&第一星期：好好的阅读一下统计学这本教材。按照每天3个小时的时间，一个星期你至少能看完8章。踏踏实实的看完，课后习题不需要做，重点放在理解公式推导以及专业名字定义的理解上。&br&&br&第二星期：有了统计学基础，R语言学习起来就不会太费劲。《R in action》 是公认的R语言经典教材。跟着书上的代码仔细的敲一笔遍，你不需要全部看完这本书，只需要学会前8章左右就差不多了。
学完后你会对统计学有一个更深的认识～&br&&br&第三个星期：《深入浅出数据分析》这本书很大头，不是因为它内容多，而是因为它废话和插图多。很有意思的一本入门级别的教材，花一个星期好好的读一下，能学多少是多少。&br&&br&第四个星期：查漏补缺。经过前三个星期的学习，你一定有不少的疑惑或者遗忘了某些知识。不要着急，这个星期就是用来好好回顾一下你本月所学的东西，不懂的定义再看看，不会的代码再敲敲，不懂的知识再google一下～&br&&br&对了，再送你一个视频呗。讲的是如何利用EXCEL进行完整的数据分析流程：&br&&a href=&//link.zhihu.com/?target=http%3A//pan.baidu.com/s/1kTnAYoB& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&初识数据分析-720P.zip_免费高速下载&/a&&br&&br&&b&第二阶段：升级你的技能&/b&&br&&b&第一&/b&个月只是让你对数据分析有一个初步的认识，你已经可以秒杀20%左右的人了（我瞎猜的）&br&这个月就是要升级你的技能，在对已有的知识基础上做一个升华。本月任务较重，小伙伴需要动脑和动手的地方比较多。&br&&br&第一个星期：《数据挖掘导论》这本书绝对是一本良心教材。拿到手从第一章开始阅读，在一个星期之内能看多少就看多少。但是要尽量多看点，因为此书你可能要看一辈子的～～不要做笔记，因为你做的笔记大部分时间都是在抄书，没啥意思的。数据挖掘可不是记忆的东西，是要靠理解的！&br&&br&第二个星期：来来来，python大法学起来。正所谓 life is short, I use python. 不要问那种烂大街的问题：R和PYTHON哪个好。
等你都学了，你就再也不会问这个问题了。 《利用PYTHON进行数据分析》是你学习PYTHON的不二之选，对着书，着重学习numpy,pandas两个包！ 对了，也要学会怎么安装PYTHON这也是技术活！&br&&br&第三个星期：为毛感觉前两个星期啥也没学到？乱七八糟的！
没事，这是正常的，难道你指望两个星期就能学完数据挖掘吗？
在此，你已经有了一定的Python,统计学，数据挖掘基础知识，那么是不是能够讲它们组合起来用一用呢？
scikit-learn，你值得拥有。 看不懂没关系，先去看看它们的文档以及那些莫名的专业词语。 然后接着学你的数据挖掘和PYTHON。&br&&br&第四个星期：重复第三个星期的内容。对了，你是不是应该对R再做点事情呢？&br&&br&&b&第三阶段：准备一个小小的毕业吧&/b&&br&前两个月会过的很痛苦，很累，很烦躁！不用担心，你终于来到了第三个月，这个月与前两个月完全不一样，因为这个月会更加更加的痛苦！！&br&在这个月，我们需要开始学习sql的相关知识。SQL绝对是数据分析师的必备技能，没有之一。作为这个星球上一个通用的语言，它的存在使得我们进行数据处理时大大的提高了效率。既然SQL学了，那也就学学mysql吧，这是一个存储数据的东西，你说它重不重要呢？
这两个并不难学，稍微花点功夫就能入门了。&br&本月重点是重复第二个月的工作啊，继续研究统计学、数据挖掘、PYTHON还有那可爱的R语言。怎么研究？ 这个还要来问我吗？ 书单都在上面了～ 看着书复习就行。 不要忘了那个神技：scikit-learn&br&&br&对了，如果你想去互联网公司投份简历，记得要把《网页分析》这本书好好的过一遍，相信我，你只要看一遍，就能打败百分之80 的面试官。因为他们压根看不起GA。&br&&br&你看，三个月入门数据分析师，并不是不可能嘛～～ 我敢说，你这三个月学到的知识已经可以击败一大半的所谓的数据分析师们了～～ Do not ask why, Just do it !!&br&&br&我和我的一群英国小伙伴创建了一个微信公众号：&b&soton2014sky&/b&&br&就是和你们一起探索数据分析哇，现在好像已经有好几千人了，你难道不要来逛一圈么？&br&&br&扫一扫，即刻添加：&br&&p&&a href=&//link.zhihu.com/?target=http%3A//weixin.qq.com/r/t0xgeH-EQiI9rTsb9xml& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&weixin.qq.com/r/t0xgeH-&/span&&span class=&invisible&&EQiI9rTsb9xml&/span&&span class=&ellipsis&&&/span&&/a& (二维码自动识别)&/p&
我和很多人一样，不太喜欢快速这个词，急于求成的结果是得不偿失。 在这里，我将题主的“快速”理解为如何在最短的时间内高效率的成为数据分析师。我想这才是题主的初衷吧！ 首先，成为任何一个技术型工作的从业者最需要的就是掌握相关的专业技能，因此也可…
&p&喜收赞！来更新一波
by 18-02-19&/p&&p&&br&&/p&&p&一、前期&/p&&p&一系列的练习平台，大部分都有题解，实在十几天弄不出来可以看看题解。&/p&&p&SQL注入：&a href=&//link.zhihu.com/?target=https%3A//redtiger.labs.overthewire.org/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&RedTiger's Hackit&/a&&/p&&p&web:&a href=&//link.zhihu.com/?target=http%3A//hackinglab.cn/index.php& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&网络安全实验室|网络信息安全攻防学习平台&/a&&/p&&p&综合：&a href=&//link.zhihu.com/?target=http%3A//www.wechall.net/challs& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&[WeChall] Challenges&/a&&/p&&p&经典老平台：&a href=&//link.zhihu.com/?target=http%3A//ctf.nuptsast.com/challenges%23& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&南京邮电大学网络攻防训练平台&/a&&/p&&p&综合性新平台：&a href=&//link.zhihu.com/?target=http%3A//123.206.31.85/& class=& wrap external& target=&_blank& rel=}
我要回帖
更多推荐
- ·我的世界基岩版mod问题？
- ·乔太守的风水书画作品吕守约的画值多少钱钱能买到？
- ·北京欢迎来到80年代语音极限mp3您-华语群星MP3？
- ·如何隐身在别人的快手直播间间？
- ·王者40星是低端局吗零星到王者40星是低端局吗100星代练多少钱？
- ·脚裸骨折3个月走路脚骨折后一百天,怎么走路还不舒服怎么办
- ·消防液位仪套定额显示仪套什么定额
- ·红叶投影仪幕布尺寸规格格主要有哪些
- ·继续教育学历有用吗选择什么样的专业更好拿学历
- ·说下磁力泵型号那么多型号怎么选择适合自己的？
- ·把读了这篇课文争吵这篇课文后的感想写在下面
- ·闪过考研英语词汇书《必考词汇应用全书》真的能达到速记效果吗？
- ·爱刘飞儿与摄影师的勾当的护理师专业么？服务好不好，细心不？
- ·千克是否是公斤和千克
- ·tf boss群众QQ号
- ·普科能源油靠谱吗用什么储存？属于液态吗？
- ·怎么做可以做梦生儿子子？有什么方法吗？在想办法怎么保证第二个是儿子？
- ·将把一个圆剪拼成一个近似的长方形长方形剪成两个长方形这两个长方形的斗场和没有变是对还是错
- ·这个电源的最大功率转速高好还是低好是300w吗？
- ·月子护理师中心的护理师怎么样？说说大家去过的！
- ·急求数学题， 总共北京积分落户申请人员39662，12个前端人员，4个后台人员，7个助力人员
- ·有阴虚，治疗肝胃不和可以吃调胃舒肝丸和胃丸吗
- ·了大便隐血阴性是癌症吗化验，阴性.可以排除癌症吗
- ·x2-12.5%x=156=15.7
- ·微信聊天记录找回里面消息记录怎么找回
- ·长沙哪里有演讲与中学生演讲口才培训训班
- ·绮丽南宁清秀山是描写山的还是描写水的
- ·gt58甲醛检测仪哪个牌子好说明书
- ·如何学好初级会计实务技巧
- ·脑出血做脑出血开颅手术视频后要怎样护理康复的更快，请指教
- ·铜丝扎到脚里没感觉，用不用打钉子扎脚得破伤风几率针
- ·天也查不出什么病来 这几天体重老下降明显下降会是什么病
- ·孩子流黄鼻涕是上火黄鼻涕了还是有炎症
- ·荆拓展教练培训知道吗?安不安全产品拓展经理呢
- ·这题怎么做、谢谢你半命题作文
- ·lt'sjim'sbog对s214 佛画线规划图部分提问
