最近1年的主要學習時間，都投資到了 python 資料分析和資料探勘上面來了，雖然經驗並不是十分豐富，但希望也能把自己的經驗分享下，幫助到更多想轉行python資料分析和人工智慧的朋友，給廣大同學朋友規劃個適合學習規劃。

我大學學習的應用化學，後來畢業做了2年全棧設計師（PS：設計和前端都不熟練的那種），後來出於對爬蟲開發的喜歡（爬圖片、爬視訊）還有人工智慧、機器學習、大資料的火熱程度的追捧，毅然決然報了培訓班，在深圳培訓了半年python，後來出來找工作，在期貨交易所工作，主要工作是資料處理和分析、機器學習、自然語言處理、影象處理等，專案是一個全自動化智慧雲測試雲平臺，現大概講下想轉行資料分析、機器學習、人工智慧應該必備的知識和學習路線

轉行資料分析（機器學習、人工智慧）學習路線：

0、學習python基礎語法知識（ps:0是第一個公眾號回覆：python）

1.學習MySQL，能熟練對資料庫資料的增刪改查命令，面試也會經常問到

2.學習正則表示式，用於資料的提取 re模組

3、前端入門html\css\jquery,用於分析網頁頁面結構

4.學習爬蟲技術，熟練掌握requests、scrapy模組，可以從網路上爬很多資料來源，用於分析統計（轉行資料分析可以先從爬蟲做起，公眾號回覆：爬蟲）

（以下幾個模組是資料分析最常用的庫，一定要學好）

5.學習科學計算和分析包，numpy 和 pandas(公眾號回覆：資料分析)

6.學習視覺化，分析結果視覺化的包 matplotlib，實現資料繪圖展示

7.學習資料探勘模型，這個包主要是 sklearn，裡面的演算法基本都有對應的包，但希望大家能對高等數學、概率論、線性代數、資訊理論的基礎理論進行學習，這些演算法都是基於數學基礎，如果數學理解不透，也只能當一個調包俠（公眾回覆：機器學習）

8.神經網路的框架，推薦學習 TensorFlow 或者 keras，karas 是把TensorFlow 封裝起來的高階包，學習難度比較低。還有一個更加高階的框架 caffe，據說很厲害。

9.常見神經網路：迴歸網路，分類網路，卷積神經網路（CNN）在影象語言等領域處理方面優秀，迴圈神經網路（RNN）利於時間序列分析分析，長短時間記憶（RNN LSTM ），避免過度擬合。自編碼網路，這個我不瞭解，也不感興趣。神經網路還很多，技術前沿的東西還不知道。

10.如果你想做正規的 Python 工程師，需要學習面向物件，掌握面向物件思維，無往而不利

資料分析要不要學高數、概率論、線性代數？

如果不想只當調包俠，也不想在工作中因為不理解數學過程太痛苦的話，多補補數學理論吧，至少我工作中接觸到簡單的數學概念有：標準差、方差、協方差、協方差矩陣、餘弦相似度、導數、對數、偏導、概率論、熵、資訊理論、矩陣運算、向量的運算等等。只能說列舉的這些是基礎中的基礎，比這更難的我也正在學。

資料分析要不要學後端框架？比如django和flask

以上過程是一個快速轉行資料分析的路線，可能有些介紹不是太全，但大致的學習方向就按這個來，就會少走彎路，但其實作為一名python開發者，個人建議最好還能運用一種後端框架，能夠搭建web後端專案也很重要，雖然在公司工作是資料分析，但是公司經常可能性的會讓搭一些簡單的專案，藝多不壓身，我個人喜歡用django

資料分析要不要學前端？（html、css、js）

回答是肯定的：必須學，能閱讀懂是基本，越熟練深入越好，因為做資料分析很多都是從爬蟲和web轉過來的，而爬蟲和web都對前端技術有一定要求，比如如下原因：

爬蟲讀取頁面結構，獲取標籤，你要能看懂HTML

爬蟲的很多反爬蟲措施基於厲害的js程式碼和一些複雜的css，如果不懂，爬蟲很難做到深層次

後臺專案，至少在PC端的，很多情況下，都要求後端開發人員能讀懂前端程式碼

Python 資料分析是一個非常專業的方向，需要有較多的數學理論知識，而且需要有刻苦專研的精神。既然是程式語言，就需要寫很多程式碼，我至少寫了 10k行程式碼了。最後你還需要了解你自己希望從事什麼行業，傳統資料探勘在銀行，保險，電信，電商等領域已經很普及了成熟了。對於那些高階的神經網路，也就是類似AI 領域，在圖片語音視訊識別，自動駕駛，量化投資，機器人等領域有很好的。很多分析師都轉行做這塊了，還是話說回來，想學習的很多，多實踐，加油！

經驗有限，不足之處歡迎指正！