主页 > 数据处理 > 数据挖掘方向,Python中还需要学习哪些内容

数据挖掘方向,Python中还需要学习哪些内容

2023-11-02 21:12来源:m.sf1369.com作者:宇宇

就题论题,还包括:

1. Python 数据库连接库,例如MySQL 连接库的应用,这决定你的数据从哪里来。这里面涉及到sql语法和数据库基本知识,是你在学习的时候必须一起学会的。

2. Python 做基本数据计算和预处理的库,包括numpy ,scipy,pandas 这三个用得最多。

3. 数据分析和挖掘库,主要是sklearn,Statsmodels。前者是最广泛的机器学习库,后者是侧重于统计分析的库。(要知道统计分析大多时候和数据挖掘都错不能分开使用)

4. 图形展示库。matpotlib,这是用的最多的了。

说完题主本身 要求,楼上几位说的对,你还需要一些关于数据挖掘算法的基本知识和认知,否则即使你调用相关库得到结果,很可能你都不知道怎么解读,如何优化,甚至在什么场景下还如何选择算法等。因此基本知识你得了解。主要包括:

1.统计学相关,看看深入浅出数据分析和漫画统计学吧,虽然是入门的书籍,但很容易懂。

2.数据挖掘相关,看看数据挖掘导论吧,轿山这是讲算法本身得书。

剩下的就是去链升实践了。有项目就多参与下项目,看看真正的数据挖掘项目闭唤中是怎么开展的,流程怎样等。没有项目可以去参加一些数据挖掘或机器学习方面的大赛,也是增加经验得好方法。

python是编冲行程语言,数据配歼挖掘是一种数据处理技术,数据散卖哗挖掘方向还是建议多学学数学和算法。老男孩的python视频可以看一下,讲的还是不错的。

个人觉得数据挖掘,还是要看理论吧。

重点是算法原理,python只是实现工具而已。

Python数据分析和数据挖掘学习路线图

假如你想成为一个数据科学家,或者已经是数据科学家的你想扩展你的技能,那么你已经来对地方了。本文的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背景知识,或者你不需要路径中的所有内容,你可以告庆随意调整你自己的学习路径,并且让大家知道你是如何调整的。

步骤0:热身

开始学习旅程之前,先回答第一个问题:为什么使用Python?或者,Python如何发挥作用?

观看DataRobot创始人Jeremy在PyCon Ukraine 2014上的30分钟演讲,来了解Python是多么的有用。

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。

如果你在安装过程中遇到任唤庆何问题,你可以在这里找到不同操作系统下更详细的安装说明。

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。

具体学习内容:列表Lists,元组Tuples,字典Dictionaries,列表推导式,字典推导式。

任务:解决HackerRank上的一些Python教程题,这些题能让你更好的用Python脚本的方式去思考问题。

替代资源:如果你不喜欢交互编码这种学习方式,你也可以学习PPV课训练营课程 python入门。这课程系列不但包含前边提到的Python知识,还包含了一些后边将要讨论的东西。

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。

任务:做关于小孩名字的正则表达式练习。

如果你还需要更多的练习,你可以参与这个文本清理的教程。数据预处理中涉及到的各个处理步骤对你来说都会是不小的挑战。

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:

•根据NumPy教程进行完整的练习,特别要练习数组arrays。这将会为下边的学习旅程打好基础。

•接下来学习Scipy教程。看完Scipy介绍和基础知识后,你可以根据自己的需要学习剩余的内容。

•这里并不需要学习Matplotlib教程。对于我们这里的需求来说,Matplotlib的内容过于广泛。取而代之的是你可以学习这个笔记中前68行的内容。

•最后学习Pandas。Pandas为Python提供DataFrame功能(类似于R)。这也是你应该花更多的时间练习的地方。Pandas会成为所有中等规模数据分析的最有效的工具。作为开始,你可以先看一个关于Pandas的10分钟简短介绍,然后学习一个更详细的Pandas教程。

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:

•如果你需要一本关于Pandas和Numpy的书,建议Wes McKinney写的“Python for Data Analysis”。

•在Pandas的文档中,也有很多Pandas教程,袜链握你可以在这里查看。

任务:尝试解决哈CS109课程的这个任务。

步骤5:有用的数据可视化

参加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:

•如果说有那么一本书是你必读的,推荐Programming Collective Intelligence。这本书虽然有点老,但依然是该领域最好的书之一。

•此外,你还可以参加来自Yaser Abu-Mostafa的机器学习课程,这是最好的机器学习课程之一。如果你需要更易懂的机器学习技术的解释,你可以选择来自Andrew Ng的机器学习课程,并且利用Python做相关的课程练习。

•Scikit-learn的教程

任务:尝试Kaggle上的这个挑战

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:如果你需要大数据方面的库,可以试试Pydoop和PyMongo。大数据学习路线不是本文的范畴,是因为它自身就是一个完整的主题。

------------------------

(1)最低保障书籍

无论将来做什么,熟练掌握一门编程语言,一个数据库,数据结构,算法都是必备的。

《高性能MySQL》

《数据结构与算法分析:Java语言描述》

《算法》

(2)Python与机器学习

《集体智慧编程》

《社交网站的数据挖掘与分析》

《数据挖掘:概念与技术》

Python官方文档

Scikit-Learn官方文档

(3)Java相关书籍

《Java开发实战经典》

《Java Web开发实战经典》

《Java虚拟机规范》

Java SE

Java EE

(4)Hadoop与Spark书籍

《大数据日知录:架构与算法》

《Hadoop权威指南》

《大数据Spark企业级实战》

《Scala编程》

Hadoop官方网站

Spark官方网站

Scala官方网站

说明:认准目标,耐住性子,一步一步往前走。要把上面推荐的书籍硬着头皮读完,数

二. 数据挖掘进阶

数据挖掘涉及多个方向,但是通常从数学统计,数据库和数据仓库,机器学习三个方向来进行研究。当我想学习一个方向的时候,最希望做的事情就是让别人给我列出一个书单。因为我也会给你们列出一个书单,让你们慢慢研究吧。

1. 数学统计

(1)理论数学:复变函数,实变函数,泛函分析,拓扑学,积分变换,微分流形,常微分方程,偏微分方程等。

(2)应用数学:离散数学(集合,逻辑,组合,代数,图论,数论),具体数学,张量分析,数值计算,矩阵论,逼近论,运筹学,凸优化,小波变换,时间序列分析等。

(3)概率:概率论,测度论,随机过程等。

(4)统计:统计学,多元统计,贝叶斯统计,统计模拟,非参数统计,参数统计等。

2. 数据库和数据仓库

《数据库系统概念》

《数据库系统实现》

《数据仓库》

《分布式系统:概念与设计》

3. 机器学习

通信原理;数据挖掘;机器学习;统计学习;自然语言处理;信息检索;模式识别;人工智能;图形图像;机器视觉;语音识别;机器人学等。(这方面的经典书籍都可以看看,后面慢慢补充)

4. 其它书籍

(1)Linux

(2)网络原理,编译原理,组成原理,

(3)JVM

(4)UML

(5)软件工程

(6)设计模式

(7)云计算与Docker

(8)并行计算

(9)需求分析

相关推荐

车联网企业国内有哪些?

数据处理 2023-12-23

注册计量师-请教贴

数据处理 2023-12-19

逆光照片怎么处理

数据处理 2023-12-08