认识达内从这里开始

认真做教育专心促就业

用Python开启你的数据科学事业大门

发布：达内
来源：互联网
时间：2018-03-16 11:59

    步骤0:找出你需要学习的内容
    那么，究竟什么是数据科学呢？它是一个先提出有趣问题，然后用数据回答这些问题的过程。一般来说，数据科学工作流程如下所示：
    提出一个问题
    收集有助于解决这个问题的数据
    清理数据
    探索、分析，并可视化数据
    构建机器学习模型，并评价该模型
    说明结果
    这个流程不一定需要高级数学、精通深度学习，或上面列出的许多其他技能。但它确实要求编程语言知识和运用编程语言处理数据的能力。此外，虽然真正擅长数据科学需要精通数学，但你只需对数学有基本了解就可以开始了。
    诚然，上面列出的其他专业技能可能在某一天帮你解决数据科学问题，然而，你不需要掌握所有这些技能才开始你的数据科学生涯。你今天就可以开始了，有我在这里帮你！
    步骤1:熟悉Python
    对数据科学，Python和R都是不错的编程语言选择。R在学术界往往更受欢迎，而Python更受行业欢迎，两种语言都有丰富的包支持数据科学工作流。我用两种语言教过数据科学，通常更喜欢Python.
    作为初学者，你不需要同时学习Python和R.相反，你应该集中精力学习一种语言及其用于数据科学的包体系。如果你选择了Python（个人建议Python），建议安装Anaconda,它简化了Windows、OSX和Linux上各种包的安装和管理。
    你也不需要在成为一个Python专家后才开始步骤2.你该重点掌握以下内容：类型、数据结构、导入、函数、条件语句、比较、循环和推导式。至于其他的一切内容可以等到以后再说！
    如果你不确定你是否已经“足够”了解Python,可以浏览我的Python速查手册。如果你对大部分内容都已经熟悉，那么你可以开始步骤2了！
    如果你希望能有帮助你学习Python的课程，下面是我推荐的一些内容：
    通过10个应用快速开始Python是由Michael Kennedy（“与我聊Python”的播客主持人）讲授的一个很好的视频课程。
    DataCamp和Dataquest都提供简短的Python入门互动课程。

Python入门是一门更充实的入门课程，它像一个交互式的教科书。

武汉IT培训

    谷歌的Python课堂是对有编程经验的人最好教程，包括讲座视频和可下载的练习。
    步骤2:学习用pandas库进行数据分析、数据处理和可视化
    如果你要用Python处理数据，你应该学习如何使用pandas库。
    pandas提供了一个高性能的数据结构（叫做 “DataFrame”），适用于有不同类型列的表格数据，类似于Excel表格或SQL表。它包含读写数据、处理缺失数据、过滤数据、清理混乱数据、合并数据集、可视化数据等工具。简而言之，学习pandas将大大提高你处理数据的工作效率。
    然而，pandas包含了大量的函数，（可以说）提供了太多的方式来完成相同的任务。这使得学习pandas、寻找pandas的最佳实践具有挑战性。
    这就是为什么我创建了一个pandas系列视频（30个视频，6小时）从头讲解pandas库。每个视频通过一个真实的发布在网上的数据集回答一个问题，这样你就可以在家跟着学。（同时我也创建了包含所有视频代码的Jupyter notebook.）
    如果你更喜欢学习pandas的非视频类资源，这里是我推荐的内容。
    步骤3:用scikit-learn进行机器学习
    如果你希望用Python进行机器学习，应该学习使用scikit-learn库。
    构建“机器学习模型”来预测未来或者自动从数据中提取信息，是数据科学最性感的部分。scikit-learn是Python中最受欢迎的机器学习库，有以下优点：
    它对大量不同模型提供了一个干净且一致的接口。
    它为每一个模式提供了许多调节参数，但同时设置了合理的默认值。
    它的文档超出寻常的好，它不仅帮助你理解模型，还提供正确的使用方法。
    然而，机器学习仍然是一个高度复杂且快速发展的领域，scikit-learn库的学习曲线非常陡峭。
    步骤4:深度理解机器学习
    机器学习是一个很复杂的领域。虽然scikit-learn提供了机器学习的有效工具，但它无法直接回答许多重要问题：
    怎么知道哪个机器学习模型最适合我的数据集？
    如何解释模型的结果？
    如何评价我的模型对未来数据的概括？
    如何给模型选择特征？
    等等。
    如果你想熟练掌握机器学习，你需要能够回答这些要求经验和进一步研究的问题。这里有一些资源可以帮助你在这条路上走下去：
    我最重要的建议是阅读An Introduction to Statistical Learning（PDF /亚马逊）。它将帮助你同时从理论和实践上理解回归和分类的许多重要方法，并且不需要高等数学基础。作者还制作了15个小时的高质量视频来作为这本书的补充。
    如果你需要复习概率论和数理统计，我建议阅读OpenIntro Statistics（PDF /亚马逊）。
    我制作了一些课程帮助你学习线性回归和逻辑回归--两个最受欢迎的机器学习模型。
    虽然深入理解各种模型是不可取代的，我制作了一个监督学习模型的对比图，可以作为一个有用的参考指南。
    我制作了几个指南，帮助你评估模型的质量：混淆矩阵术语的简单指南、理解ROC曲线和AUC、评估步骤和标准的对比。
    步骤5:保持学习和练习

你的数据科学旅程才刚刚开始！数据科学领域有如此多东西需要学习，需要花费一生的时间来精通。记住：你不需要掌握所有的知识才开始你的数据科学职业生涯，你只需要现在就开始！

更多武汉IT培训相关资讯，请扫描下方二维码

武汉IT培训