假如你想成为一个数据科学家,学习或者已经是数据数据科学家的你想扩展你的技能,那么你已经来对地方了。科学本文的学习目的就是给数据分析方面的Python新手提供一个完整的学习路径。该路径提供了你需要学习的数据利用Python进行数据分析的所有步骤的完整概述。如果你已经有一些相关的科学背景知识,或者你不需要路径中的学习所有内容,你可以随意调整你自己的数据学习路径,并且让大家知道你是科学如何调整的。
[[319346]]
步骤0:热身
开始学习旅程之前,学习先回答第一个问题:为什么使用Python?数据或者,Python如何发挥作用?科学
观看DataRobot创始人Jeremy在PyCon Ukraine 2014上的30分钟演讲,来了解Python是学习多么的有用。
步骤1:设置你的机器环境
现在你已经决心要好好学习了,也是时候设置你的机器环境了。最简单的方法就是从http://Continuum.io上下载分发包Anaconda。Anaconda将你以后可能会用到的大部分的东西进行了打包。采用这个方法的主要缺点是,即使可能已经有了可用的底层库的更新,你仍然需要等待Continuum去更新Anaconda包。当然如果你是一个初学者,这应该没什么问题。
步骤2:学习Python语言的基础知识
你应该先去了解Python语言的基础知识、库和数据结构。Codecademy上的Python课程是你最好的选择之一。完成这个课程后,你就能轻松的利用Python写一些小脚本,同时也能理解Python中的类和对象。
步骤3:学习Python语言中的正则表达式
你会经常用到正则表达式来进行数据清理,尤其是当你处理文本数据的时候。学习正则表达式的最好方法是参加谷歌的Python课程,它会让你能更容易的使用正则表达式。
步骤4:学习Python中的科学库—NumPy, SciPy, Matplotlib以及Pandas
从这步开始,学习旅程将要变得有趣了。下边是对各个库的简介,你可以进行一些常用的操作:
您还可以学习两篇博客Exploratory Data Analysis with Pandas和Data munging with Pandas中的内容。
额外资源:
步骤5:有用的数据可视化
参加哈佛CS109的这个课程。你可以跳过前边的2分钟,但之后的内容都是干货。你可以根据这个任务来完成课程的学习。
步骤6:学习Scikit-learn库和机器学习的内容
现在,我们要开始学习整个过程的实质部分了。Scikit-learn是机器学习领域最有用的Python库。这里是该库的简要概述。完成哈佛CS109课程的课程10到课程18,这些课程包含了机器学习的概述,同时介绍了像回归、决策树、整体模型等监督算法以及聚类等非监督算法。你可以根据各个课程的任务来完成相应的课程。
额外资源:
步骤7:练习,练习,再练习
恭喜你,你已经完成了整个学习旅程。
你现在已经学会了你需要的所有技能。现在就是如何练习的问题了,还有比通过在Kaggle上和数据科学家们进行竞赛来练习更好的方式吗?深入一个当前Kaggle上正在进行的比赛,尝试使用你已经学过的所有知识来完成这个比赛。
步骤8:深度学习
现在你已经学习了大部分的机器学习技术,是时候关注一下深度学习了。很可能你已经知道什么是深度学习,但是如果你仍然需要一个简短的介绍,可以看这里。
我自己也是深度学习的新手,所以请有选择性的采纳下边的一些建议。deeplearning.net上有深度学习方面最全面的资源,在这里你会发现所有你想要的东西—讲座、数据集、挑战、教程等。你也可以尝试参加Geoff Hinton的课程,来了解神经网络的基本知识。
附言:这篇文章虽然是2015年的,但是对于刚入门python,同时想学数据科学的同学还是很有参考价值的。而且点开原文后,作者有在开头更新了一版2019年学习路径,有兴趣的也可以去看看。
责任编辑:未丽燕 来源: 今日头条 数据科学Python学习(责任编辑:休闲)
搭载国内首个教育大模型“子曰”,有道虚拟人口语教练Hi Echo今日上线
南京银行(601009.SH)拟发行不超400亿元金融债券 一次或分次申报
消息称亚马逊将使用微软 Microsoft 365 云服务,交易金额超 10 亿美元
LG新能源第三季度营收同比上涨7.5%,预计2024年增长将放缓