这个也是我最近思考的一个问题。
大学毕业7年了,最近因为搞数据分析和机器学习的原因,也重新温习了一些必要的数学基础,比如线性代数、概率论、统计以及时间序列分析。发现之前大学学习的时候是有很大问题的,就是学习是面向做题,面向考试,考分不低但是没有把他内化成解决其他问题的有力工具。
我觉得现阶段数学的二次复习,倒不如把他看做一个实验课,用一门编程语言作为工具,把这些基础数学中的概念通过编程来实现一遍,同时结合物理意义、几何意义梳理数学概念。这样一来,对上把概念理解透彻了,对下利用编程工具把数学描述出来了,而不仅仅是去做题,这样就把数学学活了。同时你后续再学机器学习、数据分析的话,这些数学就能马上用上,因为你本来就是面向实用在学习这些数学内容。
我最近就在按照这个思路在清理数学基础,边学习边总结,写了一个专栏《python数据科学之路》,有共同爱好的朋友们,可以一起讨论讨论。酱油哥:来吧,一起踏上Python数据科学之路zhuanlan.zhihu.com
在专栏《Python数据科学之路》中,我们仿照美剧的剧集编排方式和整体逻辑架构进行组织,一共策划了七季内容,他们环环相扣,一步步的带你踏上数据科学的高峰:
第一季:Python编程语言核心基础。快速学习python核心编程知识点,掌握探索数据科学的有力工具。
第二季:Python数据分析基本工具。通过介绍NumPy、Pandas、Matplotlib等工具包,快速具备数据分析的专业范儿。
第三季:机器学习线性代数核心-Python描述。从坐标与变换、空间与映射、相似与特征等相关基础知识点切入,最终聚焦特征值分解与主成分分析、奇异值分解与数据降维等重难点内容,环环相扣的展开线性代数与机器学习算法紧密结合的最核心内容。
第四季:利用python进行时间序列分析。时间序列分析在数据挖掘与统计分析中具有举足轻重的地位,多种实用的模型帮助人们从已有的时间序列数据中挖掘规律、预测未知,尤其是在金融量化分析领域,这绝对是不可不提、不可不用的利器。
第五季:机器学习概率统计核心-Python描述。概率统计的方法和思想是机器学习的灵魂,我们将对其条分缕析、庖丁解牛,让贝叶斯、隐马尔科夫、极大似然、熵等思想和方法为我所用、不再玄妙。
第六季:机器学习典型算法专题。这一部分利用前面筑牢的基础知识,对机器学习的常用核心算法进行抽丝剥茧、各个击破。
第七季:实战热点深度应用。在这一部分利用已有的知识进行实战化的数据分析,初步计划对基金投资策略、城市房屋租赁等热门数据展开围猎。