1樓：熱河隱士
如果想轉機器學習和資料深度挖掘的職業，建議可以到專業的平台諮詢下，想工信部的資料分析師、CDA資料分析師平台之類的，課程應該都是大同小異，就看授課老師的專業能力水平了。
2樓：途索52k冰汽水
推薦一下我寫的書吧，《資料分析通識》。
這本書從資料獲取到分析，再到視覺化、特徵工程、建模等等全方面都有覆蓋。同時也會結合近五年多BAT工作經歷，抽象了很多有用的例子。
個人認為比較創新的章節：
第五章特徵工程，市面上所有資料分析與資料探勘一類的書目中，本書介紹特徵工程相比更加完善；
此外，有一些我個人的思考也值得一起交流交流。例如，「資料科學其實就是資訊遊戲」，「人也是乙個模型，大家面對的都是不確定性」之類。
3樓：
簡單說說本人情況，本科學自動化，然後大四的時候看到《數學之美》，非常喜歡裡面說的案例。，覺得與模式識別專業非常切合。（2023年，當時這個專業冷門），就努力考研，最後如願以償。
目前在從事金融相關機器學習工作。工作中發現用到的東西我可以列個清單。
首先需要會程式設計，基本都是推薦使用Python吧，那就可以看看《流暢的Python》
線性代數，概率統計，高等數學，這個需要打好基礎，不然後面很多演算法雲裡霧裡。
再然後要多動手，比如好好學習numpy，pandas，sklearn等包
4樓：Terrell
先看一下線性代數、高數和概率論還能看懂多少吧，再看一下英文閱讀能力怎麼樣。比如看一下矩陣的特徵值和特徵向量具體有什麼含義？在哪些領域有應用等等。
5樓：窮碼農
回答之前我還是先勸退一波吧，不過我說的是北美的情況。
資料科學（機器學習）其實不太適合轉專業入坑。
第一是這個方向本來招的人就沒有普通程式設計師多。
第二是招聘要求高，一般需要你有博士學位以及相關的研究才行。只是通過自學掌握的技能估計不太可能找到工作，想走遠估計也比較困難。
第三是機器學習對數學的功底要求很高，希望學這方面的同學至少對線性代數和概率的內容要掌握得不錯才行。
勸退完了之後還想繼續自學的，我還是分享一下這套課程給你吧。
學機器學習，Python基礎肯定要打好，不然其他的都是無從談起。
下面這套200美金的機器學習網上英文課程，現在免費了，只需要按文末的鏈結申請就行！
課程詳情如下：
Become a Machine Learning Engineer
包含了五門課：
Machine Learning for Software Engineers
Image Recognition with Machine Learning
Natural Language Processing with Machine Learning只需要去這裡按步驟申請就行：
Become a Machine Learning Engineer, free of charge.
他們家還針對面試也出了一門課程, 對機器學習面試的同學應該有幫助：
Grokking the Machine Learning Interview - Learn Interactively
他們課程不少，面試類的不能免費，但不少不錯的可能有獎學金什麼的，或是本身就免費，大家可以多搜尋搜尋看看有沒有自己想學的。
希望對大家有用。然後再說一次，真的要想好是不是想轉機器學習才入坑，要不然，轉碼就可以了。花一樣的精力，可能轉碼上岸要容易不少。
6樓：飄哥
網上有海量的課程，猶如走入迷宮，讓人無從選擇，這裡提供乙個學習路線，可以幫助你完成資料科學專業的學習，你也可以選擇國內大學mooc上的同樣課程完成學習。
麻省理工學院:微積分I，II，III和線性代數(Calculus I, II, III and Linear Algebra)
麻省理工學院:概率介紹(Intro to Probability)
哈佛大學:電腦科學概論(Introduction to Computer Science)
杜克大學:R統計學專項課程系列（Statistics with R Specialization)
該系列包括4門子課程和1門畢業專案課程，涵蓋概率基礎，統計推斷，線性回歸和建模，貝葉斯統計等內容
伊拉斯謨經濟學院:計量經濟學：方法與應用(Econometrics)
鹿特丹伊拉斯姆斯大學的伊拉斯姆斯經濟學院（Erasmus School of Economics，ESE）,計量經濟學專業位於世界38th，荷蘭第一.
史丹福大學:統計學習(Statistical Learning)
史丹福大學:機器學習(Machine Learning)
選：約翰霍普金斯大學:資料科學專業(Data Science Specialization)
Jeremy Howard:fast.ai
斯坦福：演算法專項（Algorithm Specialization)
加州大學伯克利分校:應用Apache Spark進行大資料分析(Big Data Analysis with Apache Spark)
密西根大學：調查資料收集和分析(Survey Data Collection and Analytics)
加州大學伯克利分校：深度強化學習(Deep Reinforcement Learning)
史丹福大學：卷積神經網路用於視覺識別(Convolutional Neural Networks for Visual Recognition)
史丹福大學：自然語言處理與深度學習(Natural Language Processing with Deep Learning)
7樓：
某校資料科學與大資料技術本科大四在讀。
上面只是一些課程，如果有需要後期補一些不錯的書籍和公開課。專案的話可以天池、Kaggle、雙創、老師實驗室、企業實習等。
8樓：
去年剛轉的，基本就是數學類（離散數學、微積分、線性代數等），程式設計類及其運用（基本都是python/r，資料庫sql，大資料hadoop/spark之類），統計概率類，然後就是一些具體的你資料科學想要做的方向的一些專業知識了（比如是商科，金融，生物統計，還是其他等等）。具體的資源很多回答已經很詳細了。
如果英語不錯，推薦直接上coursera，edx，udacity這些平台上面的這些方向的公開課。
9樓：
樓上答主應該先把人工智慧的範疇和細分給提問者講清楚。
人工智慧這東西，估計在座的各位一輩子也不可能覆蓋完全，都是在人工智慧的某幾個領域深耕。
10樓：竹間智慧型 Emotibot
在先進技術逐漸融入自然學科的過程中，學科交叉現象已是大勢所趨。上次我們談到了機器學習方向的統計學知識的學習方法：如果概率統計水平不高，有哪些適合的概率統計書來學習機器學習？
- 知乎
而對於資料分析在人工智慧領域的應用，本次 竹間智慧型資料科學家張旭學習資料分析（AI方向）的課程前提，需要明確資料分析和資料科學的區別。資料分析算作資料科學的乙個分支，除了Machine Learning外，還有很多偏重資料分析的內容，所以如果對於data science的各個分支都學的話，可能會因為學的太寬泛而導致多個課程都較難取得突破。資料分析的重點，不僅僅是通過課程來學習知識，更是需要通過課程來培養資料的敏感性，利用資料來激發出更深遠的insights。
資料分析是乙個實踐性很強並容易運用於各個領域的專業技能，所以為了有效地學習，我們需要了解資料分析所涉及的幾個重要環節，然後根據興趣點來學習相關課程。
首先資料分析可分為：
一、處理資料(資料準備工作)二、訓練資料（資料分析過程中）
在處理完資料後，可以做visualization，觀察資料的趨勢然後思考模型的運用，從regression model 到神經網路，都要進行各種引數的檢驗工作，這一部分偏重模型的學習。
三、資料驗證、測試、展現工作（資料後勤工作）
模型訓練完後，會準備測試集去檢測模型是否準確，根據測試結果找出其Precision&Recall，並根據結果調參優化；同時考慮資料的擬合性。當獲得了資料分析的結果後，最主要的一點是如何將資料展現給他人。
如上面的總結，資料分析的前中後期，都可作為資料分析的不同核心點來進行課程學習，因此對於可能需要學習的課程和補充的知識，我從理論知識和程式設計課程兩個維度總結如下：
1.理論知識
統計學、數學：從代數、微積分、概率論做入門，再到學習Linear Regression、Classification、Tree-Based Methods，再到SVM、Unsupervised Learning及流行的各種神經網路。
AI行業知識：資料分析要有產品思考，所以要了解所感興趣的某一項人工智慧涉及的領域知識(對話、影象識別、語音、金融等)。
2.程式設計課程
Python、R等：Python、R 為Kaggle上最主要用的也是最流行的資料分析軟體，很多Consulting公司會用SAS、SPSS、MATLAB等，因此看對哪個軟體有興趣，再去學習程式設計課程以及和資料分析相關的有趣的package。
SQL、NoSQL：資料分析通常都需要掌握SQL的query語句來進行資料庫的操作；通常會有mongodb、hbase等NoSql資料庫，也可當做一門課程去學習。
Spark or Hadoop：分布式系統處理大資料也是資料分析的乙個亮點，將程式設計運用到 MapReduce進行海量資料探勘處理；另外，能將資料儲存在HDFS上，同樣是個加分項。
Office及其他圖形化軟體：要熟練掌握PPT、Excel的基礎技能，將獲取的結果用簡潔易懂的方式呈現給看的人；做資料分析visualization很重要，需要學會使用各種視覺化圖形化工具。
本回答來自竹間智慧型資料科學家張旭。
學習大資料需要學習機器學習嗎
Hong 個人經驗 如果你的職業規劃明確 想做big data engineer,那大概率你用不上機器學習的知識，就是遇上了扔給Data Scientist就好 而相反的如果你想做大資料分析 Data Scientist big data analysts 機器學習就是必須的了 而且你首先應該是個及...
想轉專業，有哪個專業不需要學高數嗎？
遠離經濟管理，社會科學類都不太需要 完全不學的還是很少見的吧 高數這麼有趣，為什麼不學高數？不同學校不一樣，比如法學，大部分學校都不用學數學，有些學校就要學數學，理工科的基本都要學數學，學醫也有醫學數學，如果真的不想學數學，建議文學與新聞，歷史等專業 我總是覺得學好乙個高數比轉專業簡單多了。數學專業...
資料開發需要了解機器學習演算法嗎？
橘Oran 說實話，我覺得資料開發和會演算法的，是兩個崗位，資料開發不一定要懂得機器學習演算法，但是如果想往高處其他崗位走，那演算法是少不了的 相反，會機器學習演算法的，最好要懂一些資料開發的知識，不然搞好了演算法模型，底層資料這塊便需要很多資料開發的知識 當然，以下只是我個人的拙解，畢竟我對資料開...