如何零基础入门数据分析
零基础小白STATA数据分析实用常见命令整理
零基础⼩⽩STATA数据分析实⽤常见命令整理STATA基础⼊门零基础实⽤命令整理第⼀章数据的读⼊与熟悉1.读⼊⽂件中的部分变量. use[变量] using [⽂件名]Eg . use age sex height weight using [⽂件名]2.读⼊⽂件中的部分观察量. use[⽂件名] in X/Y. use "I:\stata\chapter3.dta" in 601/1000软件只读⼊从第601个观察到第1000个观察之间的400个观察量3.描述、管理数据的基本命令命令功能. describe描述数据的基本情况：样本总量、变量总数、变量的格式等. list. list [变量名]－列出数据中所有变量的分布，从第⼀个样本到最后⼀个样本－列出选定变量的分布. list [变量名] in X/Y 列出数据中被选定的变量分布。
in限定数据的观察值范围。
⽐如，若只想查看第100个-200个观察值的分布，则将X/Y替换成100/200. order [变量名]按选定变量排序。
⽐如，样本的编号、年龄、性别、教育程度，……，等. aorder 将所有变量从 a-z 排序. label variable给变量贴上标签命令功能. sort [变量名] －将某个变量的数值进⾏排序。
⼀般情况下，排序的⽅式是从⼩到⼤－可同时排序多个变量－Stata将缺失值描述为最⼤数值，故排列在最后. sort [变量名] [in] 对某些变量的某个取值范围进⾏排序；没有指定的取值范围保持在原地⽅. gsort [+|-][变量名] －可从⼩到⼤和从⼤到⼩－若变量名前没有任何符号或加上+号，则按升序排列；若在变量名前加上－号，则按降序排列－变量可以是数值型、也可以是字符型. gsort [+|-][变量名] ，mfirst －mfirst指定将缺失值置于所有有效数值之前. gsort -age第⼆章变量的⽣成与处理1.离散和连续测量离散⽅式（discrete measure）：由定性测量和定序测量组成；适⽤于低层次数据连续⽅式（continuous measure）：由定距测量和定⽐测量组成。
数据分析的六种基本分析方法
数据分析的六种基本分析方法数据分析是指通过收集、整理、加工和分析各种数据，从中提取出有价值的信息和知识，为决策和问题解决提供支持的过程。
在进行数据分析时，我们需要使用一些基本的分析方法，以便更好地理解数据和得出准确的结论。
一、描述统计分析描述统计分析是指对数据进行整理、概括和描述的分析方法。
它包括以下几个方面的内容：1. 频数分析：统计各个数据值出现的频率，从而了解数据分布情况。
2. 中心趋势分析：计算均值、中位数和众数等指标，用以描述数据的集中趋势。
3. 离散程度分析：计算标准差、方差和四分位差等指标，用以描述数据的离散程度。
4. 偏态与峰态分析：计算偏态系数和峰态系数，用以描述数据的分布形态。
二、相关分析相关分析是指研究两个或多个变量之间关系的分析方法。
通过相关分析，我们可以确定变量之间的相互关系和相关程度，以及这些关系对研究对象的影响。
1. Pearson相关分析：计算变量之间的Pearson相关系数，用以描述线性关系的强度和方向。
2. Spearman相关分析：计算变量之间的Spearman等级相关系数，用以描述非线性关系的强度和方向。
3. 互信息分析：计算变量之间的互信息，用以描述变量间的关联程度。
三、回归分析回归分析是一种用于研究自变量和因变量之间关系的分析方法。
通过回归分析，我们可以预测和解释因变量的变化，识别自变量对因变量的影响，并进行因果推断。
1. 简单线性回归：建立自变量和因变量之间的线性回归模型，用以描述二者之间的关系。
2. 多重线性回归：建立多个自变量和因变量之间的线性回归模型，用以描述多个自变量对因变量的联合影响。
3. 逻辑回归：建立自变量和因变量之间的逻辑回归模型，用以描述二者之间的概率关系。
四、时间序列分析时间序列分析是一种用于研究时间序列数据规律和趋势的分析方法。
通过时间序列分析，我们可以预测未来的趋势和走势，揭示数据的周期性和季节性变化。
1. 平稳性检验：检验时间序列数据是否平稳，确定是否需要进行平稳性处理。
数据分析的基本流程和步骤
数据分析的基本流程和步骤随着信息时代的到来，数据已经成为我们生活中不可或缺的一部分。
在这个数据爆炸的时代，如何从海量的数据中提取有价值的信息，成为了一项重要的技能。
数据分析作为一种强大的工具，可以帮助我们理解数据背后的故事，为决策提供支持。
在本文中，我们将介绍数据分析的基本流程和步骤。
1.明确问题：数据分析的第一步是明确问题。
在开始分析之前，我们需要明确要解决的问题是什么。
例如，我们可能想了解某个产品的销售情况，或者分析用户的购买行为。
明确问题有助于我们制定合适的分析方案。
2.收集数据：数据分析的第二步是收集数据。
数据可以来自各种渠道，例如企业内部的数据库、互联网上的公开数据、用户调查等。
在收集数据时，我们需要确保数据的准确性和完整性。
3.数据清洗：在收集到数据后，我们需要对数据进行清洗。
数据清洗是指去除数据中的错误、重复或缺失的部分，以确保数据的质量。
清洗数据可以使用各种工具和技术，例如数据清洗软件、编程语言等。
4.数据探索：数据清洗后，我们可以开始对数据进行探索。
数据探索是指通过可视化、统计分析等方法，深入了解数据的特征和规律。
通过数据探索，我们可以发现数据中的趋势、异常值等信息。
5.数据建模：在数据探索的基础上，我们可以开始建立数据模型。
数据模型是一个数学或统计模型，用于描述数据之间的关系和规律。
常用的数据建模方法包括回归分析、聚类分析、决策树等。
6.模型评估：建立数据模型后，我们需要对模型进行评估。
模型评估是指通过各种指标和方法，评估模型的准确性和可靠性。
评估模型的好坏可以帮助我们判断模型是否适用于解决当前的问题。
7.模型应用：在模型评估通过后，我们可以将模型应用于实际问题中。
模型应用可以帮助我们预测未来的趋势、做出决策等。
通过模型应用，我们可以将数据分析的结果转化为实际行动。
8.结果解释：最后一步是对数据分析的结果进行解释。
结果解释是指将数据分析的结果以清晰、易懂的方式呈现给他人。
通过结果解释，我们可以将数据分析的成果分享给他人，促进决策的制定和实施。
数据分析的六种基本分析方法
数据分析的六种基本分析方法数据分析是指通过收集、整理、解释和提取数据中的有用信息，以揭示数据背后所蕴含的规律和趋势。
在现代社会中，数据分析已经成为决策和预测的重要工具之一。
为了更好地理解和应用数据分析的方法，本文将介绍数据分析的六种基本分析方法。
一、描述性统计分析法描述性统计分析法是最基本的一种数据分析方法。
它主要通过收集数据并对其进行整理、归纳和描述，以揭示数据的分布情况和特征。
常用的描述性统计分析方法包括：计数、频率分布、中心趋势度量、离散程度度量等。
例如，假设我们要分析一个市场调查的数据，描述性统计分析法可以帮助我们计算不同产品的销量、计算不同性别、年龄段的受访者比例等。
通过这些描述性统计分析，我们可以更直观地了解数据的分布情况，从而为下一步的分析提供基础。
二、推论统计分析法推论统计分析法是一种基于概率理论的数据分析方法。
它主要通过从样本中推断出总体的某些特征或者进行预测。
推论统计分析法可以通过对样本数据进行参数估计和假设检验来进行。
举个例子，假设我们想要了解某产品的用户满意度，推论统计分析法可以通过对一个随机抽样的样本进行问卷调查，然后利用样本数据推断出总体的用户满意度，并进行相关的假设检验。
相关性分析法是一种用于研究两个或者多个变量之间关系的数据分析方法。
它可以帮助人们了解变量之间的相互关系，包括线性相关和非线性相关。
常用的相关性分析方法包括：皮尔逊相关系数、斯皮尔曼相关系数等。
举个例子，假设我们想要研究学生的学习成绩与考试成绩之间的关系，相关性分析法可以帮助我们计算两者之间的相关性指标，以判断它们之间的相关性强弱以及相关性的方向。
四、回归分析法回归分析法是一种用于研究自变量与因变量之间关系的数据分析方法。
它可以帮助人们建立预测模型、分析变量之间的因果关系，并进行预测和预测。
例如，假设我们想要预测某城市未来一周的气温，回归分析法可以通过历史气温数据建立气温与时间的关系方程，并利用该方程进行未来气温的预测。
如何学习数据分析
如何学习数据分析数据分析在当今信息时代中扮演着重要的角色。
随着科技的不断进步和数据的爆炸，越来越多的企业和组织认识到了数据分析的重要性。
无论你是想深入了解数据分析，还是想在职场中运用数据分析技能加强自己的竞争力，本文将为你介绍一些学习数据分析的方法和步骤。
1. 掌握基本的统计学知识数据分析的核心是通过对数据的收集、整理、分析和解释来获得有价值的信息。
而统计学则是数据分析中不可或缺的基础。
学习统计学的基本概念和方法，如均值、标准差、假设检验等，可以帮助你理解数据的分布特征、掌握不同统计方法的应用场景，并提供基本的数据分析工具。
2. 学习数据分析工具和技术掌握数据分析工具和技术是学习数据分析的重要一步。
目前市面上有许多流行的数据分析工具，如Python、R、Excel等。
选择一种适合自己的工具并深入学习，掌握其基本语法和函数，熟悉数据清洗、数据可视化和数据建模等常用操作。
此外，还可以学习一些数据分析的常用算法和模型，如线性回归、决策树、聚类分析等。
了解这些算法的原理和应用，可以帮助你在实际问题中运用数据分析技术解决问题。
3. 实践和项目经验学习数据分析最关键的一步是进行实践和项目经验的积累。
通过解决实际问题和参与真实项目，可以锻炼自己的分析思维和技能，并提高自己的实际操作能力。
你可以尝试参与开源数据竞赛，如Kaggle比赛，这些竞赛提供了真实的数据和问题，可以帮助你实战数据分析技术。
此外，也可以与其他一同学习数据分析的人组队，一起解决问题和分享经验。
通过交流和合作，可以加快学习进度，获取更多的学习资源和经验。
4. 持续学习和更新知识数据分析是一个不断发展和变化的领域，新的技术和工具层出不穷。
因此，持续学习和更新知识是学习数据分析的必要条件。
定期关注数据分析领域的最新动态、参加培训和研讨会、阅读相关的书籍和文章，都是提高自己数据分析能力的有效途径。
总之，学习数据分析需要一定的时间和耐心，但通过掌握基本的统计学知识，学习数据分析工具和技术，进行实践和项目经验的积累，以及持续学习和更新知识，你可以逐步提升自己的数据分析能力，为自己的职业发展打下坚实的基础。
如何用Excel进行数据分析
如何用Excel进行数据分析随着现代社会信息化程度的加深，人们对于数据的需求也越来越多。
面对海量数据，如何高效地进行数据处理和分析成为了重要的问题。
而Excel作为微软公司出品的一款办公软件，不仅可以帮助我们完成日常的表格制作和数据整理，更可以通过各种函数和图表工具实现高效的数据分析。
接下来，本文将从数据分析的基本过程、Excel的常见数据分析功能以及数据分析的应用案例三个方面，为大家深入探讨如何用Excel进行数据分析。
一、数据分析的基本过程数据分析是指通过对收集来的数据进行统计分析，以揭示数据背后的规律，提供支持决策的依据的一系列过程。
一般来说，数据分析可以分为以下四个步骤：1. 数据清洗：包括数据筛选、去重、填充空值、修正错误等操作，以确保数据的完整性和准确性。
2. 数据整理：将数据按照一定的分类方式整理至一个或多个工作表中，方便后续的统计分析。
3. 统计分析：运用特定的统计方法对数据进行分析，例如频率分布、相关分析、回归分析等，以得出合理的结论和预测结果。
4. 结果呈现：将分析结果可视化，常用的方式包括表格、图表、报告等，以便于人们更直观、清晰地理解和使用这些信息。
二、Excel的常见数据分析功能了解了数据分析的基本过程，下面就是学习如何用Excel实现数据分析的关键。
Excel中的数据分析功能主要包括：1. 数据透视表数据透视表是Excel中用于数据汇总和分析的重要工具。
它可以将原始数据转换为表格形式，同时根据不同的参数进行分组、筛选和汇总，生成具有可读性和高度解释性的表格和图表。
2. 数据查询数据查询可以帮助我们轻松地在大量数据中查找所需的信息和关键字。
Excel中主要包括高级筛选、条件筛选和文本筛选三种查询方式，可以根据不同的使用情景自由搭配使用。
3. 数据图表Excel中的数据图表是用来展示数据和分析结果的常用工具。
除了最基本的柱形图、折线图和饼图外，还有雷达图、散点图等高级图表，可以更加直观地呈现数据分析结果。
数据分析基础
数据分析基础数据分析是指通过对数据进行收集、整理、处理和解释，获取其中隐藏的信息和洞察力的过程。
随着大数据时代的来临，数据分析在各行各业都发挥着重要作用。
本文将介绍数据分析的基础知识和技巧。
一、数据收集数据收集是数据分析的第一步，它决定了后续分析的可行性和准确性。
数据的收集可以通过多种渠道进行，比如从数据库、文档、网站爬虫等方式获取。
在数据收集的过程中需要注意保证数据的完整性和真实性，避免数据来源不确定或存在错误。
二、数据整理数据整理是指将收集到的数据进行清洗、转换和格式化，使其适合后续的分析工作。
数据整理的过程中需要注意去除重复数据、填补缺失值、处理异常值等问题。
此外，还需要对数据进行转换和标准化，以便后续的统计和建模工作。
三、数据处理数据处理是指对整理好的数据进行分析和计算。
数据处理的方法和技术有很多种，包括统计分析、机器学习、数据挖掘等。
在选择数据处理的方法时，需要根据具体的问题和目标来确定，同时考虑到数据的特点和规模。
四、数据解释数据分析的最终目的是从数据中获取有价值的信息和洞察力，并为决策提供依据。
数据解释是指将分析结果转化为可视化的形式，以便于理解和传达。
常见的数据解释方式包括图表、报告、仪表盘等。
在进行数据解释时，需要考虑受众的需求和背景，选择合适的方式来展示数据。
五、数据分析工具数据分析工具是进行数据分析的必备工具，常见的数据分析工具包括Excel、Python、R、Tableau等。
这些工具提供了丰富的功能和库，可以帮助分析人员进行数据的处理、分析和解释。
对于初学者来说，可以通过学习一种或几种常用的数据分析工具，来提高数据分析的效率和准确度。
六、数据分析的应用数据分析在各个领域都有广泛的应用，比如市场营销、金融、医疗等。
在市场营销方面，数据分析可以帮助企业了解市场需求和竞争对手，优化市场推广策略。
在金融领域，数据分析可以帮助银行和证券公司进行风险管理和投资决策。
在医疗领域，数据分析可以辅助医生诊断疾病和制定治疗方案。
数据分析基础知识(精选)
数据分析基础知识(精选)数据分析基础知识(精选)现代社会越来越重视数据的价值，数据分析的能力也日益受到重视。
掌握数据分析的基础知识对于从事数据相关工作的人来说至关重要。
本文将介绍几个数据分析的基础知识，希望能帮助读者快速入门。
1. 数据类型在数据分析中，我们会遇到不同的数据类型。
常见的数据类型包括：- 数值型（Numerical）：代表实际的数值，可以进行数值运算。
如年龄、体重等。
- 类别型（Categorical）：表示某个特定类别的数据，通常用文本描述。
如性别、地区等。
- 顺序型（Ordinal）：类似类别型数据，但具有顺序关系，可进行排序。
如评分等级、学历等。
- 时间型（Temporal）：表示时间或日期的数据类型。
如出生日期、交易时间等。
了解数据类型对于选择合适的数据处理方法至关重要。
2. 数据收集在进行数据分析之前，需要先收集数据。
数据收集可以通过多种途径实现，例如：- 实地调查：直接到实地进行调查和观察，获得准确的数据。
- 问卷调查：通过设计问卷并发放给目标群体，收集大量数据。
- 数据库查询：通过查询数据库获取已经存在的数据。
- 网络爬虫：利用程序自动从网页上抓取数据。
不同的数据收集方法适用于不同的场景，需要根据实际情况选择。
3. 数据清洗在收集到数据后，通常会发现数据存在一些问题，例如缺失值、离群值等。
数据清洗是指对这些问题进行处理，以确保数据的准确性和一致性。
数据清洗的常见步骤包括：- 删除重复值：对于数据集中出现的重复数据，可根据特定字段进行去重。
- 处理缺失值：对于缺失值，可以选择删除含有缺失数据的行或列，或者采用填充的方法进行处理。
- 异常值处理：对于异常值（离群值），可以选择删除或替换为合理的值。
数据清洗可以保证数据的质量，提高后续分析的准确性。
4. 数据可视化数据可视化是将数据通过图表、图形等方式展现出来，以直观地表达数据的特征和规律。
常见的数据可视化工具包括：- 柱状图：用于比较多个类别的数值。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
如何零基础入门数据分析随着数据分析相关领域变得火爆，最近越来越多的被问到：数据分析如何从头学起？其中很多提问者都是商科背景，之前没有相关经验和基础。
我在读Buisness Analytics硕士之前是商科背景，由于个人兴趣爱好，从大三开始到现在即将硕士毕业，始终没有停下自学的脚步。
Coursera和EDX等平台上大概上过20多门网课，Datacamp上100多门课里，刷过70多门。
这篇文章是想谈一谈个人的数据分析学习经验，希望对想要入门这个领域的各位有帮助。
1. 基本工具学习数据分析的第一步，是了解相关工具Excelexcel至是最基础的数据分析工具，至今还是非常有效的，原因是它便于使用，受众范围极广，且分析结果清晰可见。
相信大多数人都有使用excel的基本经验，不需要根据教材去学习了。
重点掌握：基本操作的快捷键；函数：计算函数、if类、字符串函数、查找类(vlookup 和match)，一定要熟悉函数功能的绝对和相对引用；数据透视表功能等。
另外，excel可以导入一些模块来使用，典型的包括数据分析模块，作假设检验常用；规划求解，作线性规划和决策等问题非常有效。
利用这些模块可以获得很不错的分析报告，简单且高效。
SQL数据分析的绝对核心！大部分数据分析工作都是对数据框进行的，在这个过程中，需要不断的根据已有变量生成新变量、过滤掉一些样本还有转换level。
SQL的设计就是为了解决这些问题。
其他常用的数据操作工具，包括R语言的数据框、Python里的pandas，基本都是借鉴了SQL的思想，一通百通。
SQL入门容易，它的语法极其简单，基本可以说上过一门相关的课或看过一本相关的书就可以了解大概，但融会贯通并能够进行各种逻辑复杂的操作，就需要长时间的锤炼了。
SQL的学习建议，随便找一本书或者网课就好，因为主流的课程基本都是一个思路：先讲SELECT、WHERE、GROUP BY(配合简单的聚合函数)、ORDER BY这类单表操作，之后讲JOIN进行多表连接。
除此之外，必会的基本技能还应该包括WINDOW FUNCTION和CASE WHEN等等。
学了基本的内容之后，就是找项目多练，不断提升。
R/Python熟练SQL之后，对数据操作方面的内容就得心应手了。
接下来更复杂的问题，如搜索和建模，则需要使用编程语言。
R vs Python目前最主流的数据分析编程语言就是R和Python，网上遍是关于这两者的争论，有兴趣的可以简单看一下，但不用陷入过度的纠结。
我个人的经验来看，熟练两者其中的任何一个都可以胜任数据分析中的大部分工作，不存在某一个语言有明显缺陷的情况。
这里不想大篇幅的比较两者，但是想简单的说一下两者的侧重点：R语言是为了解决统计问题而设计的，因此它有一个很人性化的地方：最大程度的简化语言，从而让分析人员忽略编程内容，直面数据分析。
也因为是统计语言，很多基本的统计分析内容在R里都是内置函数，调用十分便捷。
此外，R的报告能力很强，大部分模型库在训练模型后都会提供很多细节，也比较容易通过rmd转换成优美的doc/pdf/html。
Python先是一门general的编程语言，之后才是数据分析工具。
初学python，语法肯定是不如R容易理解的。
但使用到后来，当越来越多的需要自己定义时，Python的优势就显现出来了。
另外，Python在数据量大时速度会比较快。
至于先学哪一个，需要结合自己的规划来看：如果最终两个都要学，那我毫不犹豫的建议从R开始；如果两个选一个学的话，我目前倾向于Python，不过如果你确定自己以后只做业务方面的内容，那R可能更好一些。
另外，如果有专注的领域的话，那么要结合自己的领域来定，比如搞投资分析的可以看一看R 语言的PortfolioAnalytics库，大概就明白，说R语言把编程简化专注结果所言非虚。
R语言学习当然无论入门哪种语言，学习路径都很重要。
R语言的学习建议从基础数据结构开始，了解R中的vector、dataframe和list等结构，对语法有基本的理解。
之后建议学习dplyr和ggplot2这两个库，两者分别是数据操纵和可视化库，学过之后可以做一些基本的数据项目了。
学习平台首推datacamp，是付费的但绝对物有所值，没有比边学边练更好的学习方式了。
此外推荐一本R语言实战(R in Action)，可以当作学习手册。
Python学习包括我在内的很多同学都把Coursera上的Python for everyone当作启蒙教材，这是一门很好的课程，但对于专注数据分析的Python使用者而言，课程没有提供最完美的学习路径。
学习Python也应该从数据结构开始，list、dictionary、tuple这些数据结构要了解。
之后建议学习numpy、pandas和matplotlib，分别是矩阵库、数据框库和可视化库，基本就算是入门了。
学习Python，Datacamp依然是个很不错的平台，但是资源不如R丰富。
首推一本叫《利用python进行数据分析》(Python for data analysis)的教材，直接传授数据分析最需要的编程技能，熟悉书中的知识基本就可以说学会Python数据分析的基本操作了。
2. 描述性分析和统计基础了解基本工具之后，还要拥有相关的知识才能正式开始数据分析。
分析的基础是统计知识，相信大部分人都学过概率和统计相关的课程，自己基础是否够扎实，可以考一考自己：均值/标准差/相关性等指标，各种探索性分析场景用哪种可视化方法比较好，抽样分布/置信区间/假设检验，贝叶斯理论等。
在这些相关内容没有彻底熟练之前，建议不要认为自己基础已经足够扎实了，这些内容都是值得反复学习的。
另外，可以结合数据分析工具来学习，比如用R或Python进行双均值假设检验（当然这里是手写而不是调用函数），对理解编程和理解统计都有帮助。
这里推荐《深入浅出统计学》和《深入浅出数据分析》两本书，可以作为入门，也可以作为复习，当然如果统计背景比较深，没必要看了，太基础了。
也推荐Coursera杜克大学的Statistics with R，前三门课质量都比较高，需要有R 的基本知识，可以边学统计边练R。
描述性分析真的很重要，这里需要再强调一下。
如果真的想做数据分析，尤其是业务导向的数据分析，建议一定要重视这部分。
平时做项目也是一样的，拿到数据后先彻底的理解数据，不要急着往模型里放。
3. 机器学习终于到了机器学习，我猜对于很多数据分析学习者，机器学习是本质目的。
机器学习是有不同种学法的：对于业务数据分析者，了解各类模型的使用场景、优劣势，基本就足够了；对于偏数据科学和挖掘的人员来说，要深入理解每一种模型，至少得写出推导步骤；更深入的算法导向人员，还要有从头实现算法的能力。
这篇文章的目标读者主要是第一类和第二类。
学习机器学习模型可以从理解模型和实现两个方向入手，目前主流的实现工具还是R和Python。
Datacamp上有很多用R和Python进行机器学习的课程，看了之后基本可以了解机器学习模型在做什么，平时的应用场景大概怎样。
流行的模型一定要理解，像逻辑回、支持向量机(核函数)、k邻近、朴素贝叶斯、集成学习模型(随机森林和各类boosting)都是很常用的模型；bias-variance tradeoff、标准化、正则化、交叉检验、重采样，这些概念也要了解。
如果想进一步深入的去理解模型细节，那么微积分和线性代数是必要的先修课，否则无法继续进行了。
当然如果决定进一步学习细节，需要看更多的教材，上一些相关课程。
网上的相关课有很多，目前最火爆的肯定是Coursera Andrew Ng的机器学习。
这门课也是我的入门课，确切的说我第一次学这门课的时候，甚至还不会调包，也不太会编程，就跟着一步一步做，很艰难的完成了作业。
做到神经网络那部分，当时实在写不出来，去网上找答案看。
到现在，这门课我应该看过有五遍了，基本上每隔几个月重新看一下都有新的收获。
Coursera还有另一系列的机器学习课来自华盛顿大学，质量也很高，课程用Python(缺陷是使用的库不是pandas和sklearn，而是授课者自己开发的库)，很大一部分内容是手写模型，很有助于打好基础。
此外，因为这是一系列课，所以覆盖范围要比Andrew Ng的课广一些，回归问题、分类问题、非监督问题，都单独成为一门课程。
很多机器学习的教材写的也不错，比如An Introduction to Statistical Learning(ISL)和Machine Learning with R，两者都是讲模型的数学推导，并用R语言实现。
机器学习确实是很深奥的东西，如果时间允许建议经典的课程和教材都看一看，有的课甚至可以多看几遍。
4. 更进一步如果以上内容都比较扎实的完成，可以说能够进行大部分项目了，也对数据分析有着很成体系的理解。
之后可以结合自己的需求，深入学习更多的内容，或者结合实际项目练习。
尝试着找一些完整的项目去做，比如说kaggle就是很不错的平台，会提供数据集进行使用。
kaggle的入门赛也做的很好，简单易懂，让新人不会太迷茫。
如果有额外兴趣的话，还是有很多更深奥的东西值得学习的，比如深度学习范围的内容或者大数据的相关技术等。
5. 结尾的话很多人在入门数据分析时候都会问：我从零开始，多久能学会机器学习？其实取决于你怎么理解会，如果从头学python，到能使用sklearn调出机器学习模型，大概一个月就完成了。
但深入的去理解以上内容，确实不是一年半载能完成的。
我见过很多人追求速成，也确实速成了。
遇到项目基本就是把数据导进来，不做特征处理，然后调出各种模型(其中不乏像神经网络和boosting这种比较高级的模型)，每个用默认参数试一次，看看效果。
然而数据分析没那么简单，也没那么fancy。
做一个项目，80%的时间都在准备，涉及到许多数据清理和操作，其中的一些东西是任何教材和课程都无法传授的。
还是更建议一步一个脚印的去学习，边学边做、边学边想，记好学习笔记，并定期总结学习心得。
打好基础不可急于求成，才是学习的最好途径。
来源：/m/post-414-69222-1.shtml。