python人工智能要哪些技能_python数据分析师需要掌握哪些技能？

首先是基础篇1、首先是Excel，貌bai似这个很简单，其实未必。Excel不仅能够做简单二维表、复杂嵌套表，能画折线图/Column chart/Bar chart/Area chart/饼图/雷达图/Combo char/散点图/Win Loss图等，而且能实现更高级的功能，包括透视表(类



首先，基础知识

1.首先，Excel。 看起来这很简单，但不一定。 Excel不仅可以制作简单的二维表，复杂的嵌套表，还可以绘制折线图/柱形图/条形图/面积图/饼图/雷达图/组合图/散点图/获胜图，等等。 可以实现更多高级功能，包括数据透视表(类似于BI的多维分析模型Cube)以及诸如Vlookup之类的复杂功能，处理一百万个以内的数据没有大问题。 最后，许多更高级的工具具有Excel加载项，例如一些AI Machine Learning开发工具。

2. SQL(数据库)

我们都知道数据分析师每天都在处理大量数据。 这些数据来自数据库，那么如何从数据库中获取数据呢？ 如何建立两个表与三个表之间的关系？ 如何获取所需的特定数据？ 等等。 这些数据选择问题是您的首要考虑因素，这些问题已通过SQL解决，因此SQL是数据分析的最基本技能。

3.基本统计

数据分析的前提是要知道数据，如何收集数据？ 数据的总体分布是什么？ 如果存在时间维度，那么随着时间的变化是什么？ 数据的平均值是多少？ 数据的最大值和最小值是多少？

4.主可视化工具，例如BI(例如Cognos / Tableau / FineBI等)，具体取决于公司使用的工具 ，就像我以前使用FineBI一样。 这些工具非常便于可视化，特别是分析报告中可以包含这些图表，这些图表肯定会吸引高级领导者的注意力，一目了然，并深入了解业务性质。 另外，作为专业分析师，使用多维分析模型Cube可以轻松自定义报告，从而大大提高了效率。

高级阶段需要掌握的内容：

1.统计的系统研究

纯机器学习强调算法的预测能力和实现，但是统计始终强调“可解释性”。 例如，今天的微博股票发行增加了20％。 您可以使用两个模型来预测股票的涨跌，以新浪为例，然后将其展示给老板。 统计就是这样的功能。

与数据挖掘相关的统计方法(多种Logistic回归分析，非线性回归分析，判别分析等)

定量方法(时间轴分析，概率模型，

决策分析(多用途决策分析，决策树，影响图，敏感性分析)

建立竞争优势的分析(通过项目学习基础知识和 成功案例分析概念)

数据库简介(数据模型，数据库设计)

预测分析(时间轴分析，主成分分析，非参数回归，统计 过程控制)

数据管理(ETL(提取，转换，负载)，数据治理，管理责任，元数据)

优化和启发式(整数计划方法，非线性 计划法)，局部探索法，超启发式(模拟退火，遗传算法))

bi g数据分析(学习非结构化数据概念，MapReduce技术，大数据分析方法)

数据挖掘(聚类(k均值方法，分段方法)，关联规则，因子分析，生存时间分析 )

其他：选择以下两项(社交网络，文本分析，Web分析，财务分析，服务行业分析，能源，医疗保健，供应链管理，集成营销中的概率模型) 通信)

用于风险分析和操作分析的计算机

在软件级别进行分析(组织级别的分析主题，IT和业务用户) ，变更管理，数据主题，结果表示和沟通方法)

2，掌握AI Machine Learning算法将使用工具(例如Python / R)进行建模。

传统的BI分析可以回答过去发生的情况？ 现在发生了什么？ 但是将来会发生什么呢？ 它必须依靠算法。 尽管诸如Tableau和FineBI之类的自助服务BI已内置了一些分析模型，但希望进行更全面和深入探索的分析人员仍需要Python / R之类的数据挖掘工具。 此外，大数据之间的隐藏关系无法通过使用传统工具进行手动分析来实现。 此时，它将通过算法实现，无疑会有更多的惊喜。

其中，用于统计分析的开源编程语言及其操作环境“ R”引起了很多关注。 R的优势不仅在于它包含丰富的统计分析库，而且还具有使结果可视化的高质量图表生成功能，并且可以使用简单的命令运行。 此外，它还具有称为CRAN(综合R存档网络)的程序包扩展机制，通过导入扩展程序包，可以使用标准状态下不支持的功能和数据集。 尽管R语言功能强大，但学习曲线相对较陡。 我个人建议从python开始，并使用大量的统计库，NumPy，SciPy.org，Python数据分析库和matplotlib：python绘图。