• 1. 结课总结
• 2. 下一步
• 3. 参考资料

1. 结课总结

从2017年9月27 - 2018年3月21日，历时六个月，终于把数据分析的课程学完了。如果不是udacity这种设定了时限的模式，这半年要完成这个课程也是不太可能的，自己多半会以各种借口拖延(工作,家庭等)。

整套课程以 讲义 + 练习 + 项目的方式推进，分成四个部分:

• 数据清洗，涉及到python对csv/html/json/mongodb等源数据的处理，最后的项目是通过OpenStreetMap了解数据审查清洗全过程。

• R语言对数据进行探索，经过上面的数据清洗后，使用R语言对数据进行各种探索，如单变量多变量分析及绘图，最终项目是使用R对红酒数据集进行分析，分析影响红酒质量的因素。

• 机器学习入门，学习机器学习中的常用算法，如朴素贝叶斯，决策树，主成分分析等，使用的是SKlearn包，最终项目是使用学习到的机器学习算法，对安然数据集进行分析，找出诈骗嫌疑人。

• 数据可视化，学习了D3和Dimple两个javascript包，对数据进行可视化，最后的项目是自选数据集，用D3或是Dimple呈现到html上。

上述过程基本覆盖数据分析的全过程，宽泛但不深入，适合作为一门入门课程，但达不到实际工作需要的水平，幻想通过这个线上课程就完全掌握数据分析是不可能的，即使在实际工作中，应该也没有人能够掌握数据分析的全过程，比如有的人擅长前期数据清洗，有的人擅长数据分析，有的人擅长图形表达。关键是通过这个课程了解了数据分析的全貌，以后在进行某一方面工作的时候，知道如何入手。

2. 下一步

最终目标并不是数据分析，而是进入无人驾驶领域。要在udacity上申请无人驾驶的进阶课程，要先通过无人驾驶入门课程，或是深度学习进阶的先导课程，然后才能直升无人驾驶进阶课程。比较了这两门先导课程的性价比，觉得使用深度学习进阶，深度学习是实现机器学习的一个手段，学习深度学习，有如下前提条件:

• 线性代数,微积分,统计学等数学基础
• python中级基础
• 机器学习

欲速不达，继续按照如下的顺序:

• uda 描述统计 / uda 推论统计

• 书:R语言实战(侧重应用上面的统计知识部分，什么是线性回归，主成份分析，交叉验证等概念)

  不用notebook导出的方式，还是用blog比较直观，便于复习,另外为了复习以前的知识，将notebook重新运行，并放到blog上（先不cut，copy的方式）

• uda 线性代数先入门，达到能够听deeplearning的水平

• uda 微积分 先入门，达到能够听deeplearning的水平

• google的机器学习

• 机器学习实战(同时交叉西瓜书和之前的uda笔记)

• 如何使用 Git 和 GitHub和GitHub & Collaboration

• MIT的深度学习无人驾驶

3. 参考资料